Spark实现SVM模型

关于SVM算法

SVM，即Support Vector Machine（支持向量机），是一种使用线性分割平面的二元分类算法。其原理是通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。
如图所示：

更多详细内容可查看：http://blog.csdn.net/v_july_v/article/details/7624837。

SVM的优与劣

SVM	优点	缺点
1	利用内积核函数代替向高维空间的非线性映射;简化了通常的分类和回归等问题	对大规模训练样本难以实施：由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
2	少数支持向量决定了最终结果:这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。	解决多分类问题存在困难：经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。

Spark实现SVM算法（Java）

SVM作为一种二元分类算法，同样只预期0或1的标签。通过SVMWithSGD类，我们可以访问这种算法，它的参数与线性回归和逻辑回归的参数差不多。返回的SVMModel与LogisticRegressionModel一样使用阈值的方式进行预测。

//进行Spark的配置
        SparkConf conf = new SparkConf().setAppName("GMM").setMaster("local");
        conf.set("spark.testing.memory","2147480000");    //Spark的运行配置，意指占用内存2G
        JavaSparkContext sc = new JavaSparkContext(conf);

//获取训练样本
        JavaPairRDD<Integer,String> trainRDD = sc.parallelizePairs(list);   //将每类的标签词转化为RDD
        JavaPairRDD<Integer,String> trainSetRDD = trainRDD.mapValues(new ToTrainSet(vocabulary));  //将标签词转化为向量模型
        List<Tuple2<Integer,String>> trainSet = trainSetRDD.collect();
        writeTrainSet(trainSet);  //写成libsvm文件格式，以方便训练
        System.out.println("trainset is ok");

        //读取训练集并训练模型
        String path = "./trainset";
        JavaRDD<LabeledPoint> trainData = MLUtils.loadLibSVMFile(sc.sc(),path).toJavaRDD()

//测试集生成
double []  d = {1,1,2};
Vector v =  Vectors.dense(d);//测试对象为单个vector，或者是ＲＤＤ化后的vector

//支持向量机
      int numIterations = 100;//迭代次数
      final SVMModel svm_model = SVMWithSGD.train(trainData.rdd(), numIterations);//构建模型
      System.out.println(svm_model.predict(v));

参考资料：
1.SVM的优缺点
2.Spark MLlib SVM算法