spark.mllib源码阅读-回归算法1-LinearRegression

Spark实现了三类线性回归方法：

1、LinearRegression：普通线性回归模型

2、LassoRegression：加L1正则化的线性回归

3、RidgeRegression：加L2正则化的线性回归

Spark采用了模型和训练分离定义的方式，模型和模型的迭代计算都很清晰：

如LinearRegressionModel和LinearRegressionWithSGD，LassoModel和LassoWithSGD，RidgeRegressionModel和RidgeRegressionWithSGD。其中Model继承自GeneralizedLinearModel和RegressionModel，为了便于模型的保存和输出，还继承了Saveable、Loader和PMMLExportable类，XXXWithSGD继承自GeneralizedLinearAlgorithm，并实现来模型训练的train方法其通过调用父类GeneralizedLinearAlgorithm的run方法来实现模型参数求解的逻辑。

LinearRegression（普通线性回归模型）

三类线性回归模型的实现都大同小异，在此以普通的线性回归LinearRegressionModel和LinearRegressionWithSGD为例来说明。LinearRegressionModel继承了大量的类，但本身实现比较简单，即覆写来父类的predictPoint、save和load方法。代码简单，在此不述。

RidgeRegressionWithSGD继承了GeneralizedLinearAlgorithm类，其主要实现了一个方法train,并定义来自己的Gradient类型和Updater类型为模型训练做准备，另外train实现了重载：

def train(
    input: RDD[LabeledPoint],
    numIterations: Int,
    stepSize: Double,
    regParam: Double,
    miniBatchFraction: Double,
    initialWeights: Vector): RidgeRegressionModel = {
  new RidgeRegressionWithSGD(stepSize, numIterations, regParam, miniBatchFraction).run(
    input, initialWeights)
}
def train(
    input: RDD[LabeledPoint],
    numIterations: Int,
    stepSize: Double,
    regParam: Double,
    miniBatchFraction: Double): RidgeRegressionModel = {
  new RidgeRegressionWithSGD(stepSize, numIterations, regParam, miniBatchFraction).run(input)
}
def train(
    input: RDD[LabeledPoint],
    numIterations: Int,
    stepSize: Double,
    regParam: Double): RidgeRegressionModel = {
  train(input, numIterations, stepSize, regParam, 1.0)
}
def train(
    input: RDD[LabeledPoint],
    numIterations: Int): RidgeRegressionModel = {
  train(input, numIterations, 1.0, 0.01, 1.0)
}

不同train方法的区别主要是初始化参数值，从这里也可以看到Spark使用来哪些默认的参数值进行模型的初始化。train方法内部调用了父类的run方法。

我们再来看看父类GeneralizedLinearAlgorithm的run方法干来啥？

run方法首先进行了特征值的 Scaling，这里对特征值的方差进行来归一化：

//run方法的特征值Scaling过程
val scaler = if (useFeatureScaling) {
  new StandardScaler(withStd = true, withMean = false).fit(input.map(_.features))
} else {
  null
}

// Prepend an extra variable consisting of all 1.0's for the intercept.
// TODO: Apply feature scaling to the weight vector instead of input data.
val data =
  if (addIntercept) {
    if (useFeatureScaling) {
      input.map(lp => (lp.label, appendBias(scaler.transform(lp.features)))).cache()
    } else {
      input.map(lp => (lp.label, appendBias(lp.features))).cache()
    }
  } else {
    if (useFeatureScaling) {
      input.map(lp => (lp.label, scaler.transform(lp.features))).cache()
    } else {
      input.map(lp => (lp.label, lp.features))
    }
  }

特征值的 Scaling过程是由用户决定是否需要Scaling，一般来说，用户可以在数据预处理的步骤中进行特征值的Scaling，也可以交给Spark在这里进行。关于

为什么要做特征值的Scaling，在知乎上看到的一个图片能很好的说明问题：

没有进过归一化，寻找最优解的过程

经过归一化，把各个特征的尺度控制在相同的范围内：

另外，本人也有3遍介绍归一化的博文：数据预处理之归一化、机器学习中的归一化方法、时间序列的归一化方法、也可以看看来自知乎的问答，结合具体的机器学习算法，还有很多特定的特征Scaling方法。

说完特征值的Scaling，再回过头来看run方法。run方法除了特征值的Scaling外，还做来一些训练数据的整理、模型参数初始化的过程，之后调用了Optimizer类实例来求解模型参数并在最后调用createModel方法返回一个RegressionModel：

val weightsWithIntercept = optimizer.optimize(data, initialWeightsWithIntercept)
//val intercept = 这里省略了一些代码
//var weights =
createModel(weights, intercept)

总结，Spark模型和训练算法模块分离，对模型应用还是训练来说，都是算法思路清晰、模块算法低耦合的特点，同时，对算法开发人员也比较友好，可以单独实现自己的优化算法或者单独实现上层的模型。