重磅发布 | 基于Spark训练线性回归模型 实战入门教程

Python与算法社区 原创项目教程

01

最开始接触分布式计算框架的是Hadoop中的MapReduce,虽然开发起来很复杂（Map与Reduce都要有相应的实现类）但是我也成功的启动了第一个“Hello word”（word count）。

由于MapReduce每个步骤都要将中间结果存到磁盘中，而且会将job jar 包分发到每个相关的Datanode上，虽然我的Txt文件不到1M, 但是启动计算加上返回结果的时间大概也有40秒左右，还能忍，毕竟是怀揣着我将要处理TB级别数据的梦想。

Spark作为分布式计算框架，采用的是一种基于内存的计算，减少了反复读取磁盘的数次，另外还提供了除了map与reduce更多的操作。这无疑是提供了最好的MapReduce替代品。然而最吸引我的不是spark的mapreduce有多么的快，而是spark集成了Machine Learning packages。

02 

本文提供了一种接近实际生产环境，在Spark集群环境中，训练机器学习模型的完整方法，主要包括两大章节：

• 基于docker环境搭建spark环境

• spark体验机器学习神奇之旅