本文目录如下：

• 第1章 Spark 机器学习简介
• • 1.1 Spark MLlib 与 Spark ML
  • • 1.1.1 Spark MLlib
    • 1.1.2 Spark ML (重点)
  • 1.2 Pipelines 的主要概念
  • • 1.2.1 Transformer (转换器)
    • 1.2.2 Estimator (模型学习器)
  • 1.3 实例: Estimator, Transformer, Param

第1章 Spark 机器学习简介

1.1 Spark MLlib 与 Spark ML

1.1.1 Spark MLlib

• (1) Spark MLlib 是 Spark 的可扩展机器学习库，提供基于 RDD 的 API。
• (2) 在Spark 2.x 版本中，MLlib 将向基于 DataFrame 的 API 添加功能。并且 MLlib 中基于DataFrame 的 API 将成为主流，MLlib的 API 更加偏向于底层，可以灵活多变的修改逻辑。
• (3) MLlib 的 API不 会被 ML 替代。

1.1.2 Spark ML (重点)

• (1) Spark ML 提供了一个基于 DataFrame(数据帧) 构建的更高级的 API, 从而用于构建机器学习工作流 ML Pipeline。
• (2) Spark ML为主要学习的技术, 因为 API 能更灵活、更具弹性地使用 DataFrame。

1.2 Pipelines 的主要概念

1.2.1 Transformer (转换器)

• 转换器 是 特征变换 和 机器学习 模型的抽象。转换器必须实现 transform 方法，这个方法将一个DataFrame 转换成另一个 DataFrame，通常是附加一个或者多个列。

1.2.2 Estimator (模型学习器)

也称为了评估器吗?

• (1) Estimators 模型学习器是 拟合 和 训练数据 的机器学习算法或者其他算法的抽象。

• (2) Estimator 实现 fit() 方法，这个方法输入一个 DataFrame 并产生一个 Model 即一个 Transformer (转换器)。

• (3) 例如:一个机器学习算法是一个 Estimator 模型学习器 ,比如这个算法是 LogisticRegression (逻辑回归)，调用 fit() 方法训练出一个 LogisticRegressionModel,这是一个 Model,因此也是一个Transformer(转换器)。

1.3 实例: Estimator, Transformer, Param

import org.apache.spark.ml.feature._
import org.apache.spark.ml.classification.LogisticRegression
import org.apache.spark.m1.{ Pipeline, PipelineModel }
import org.apache.spark.ml.param.ParamMap
import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.sql.Row
import org.apache.spark.sql.SparkSession

// 1.训练样本
val training = spark.createDataFrame(Seq(
  (1.0, Vectors.dense(0.0, 1.1, 0.1)),
  (0.0, Vectors.dense(2.0, 1.0, -1.0)),
  (0.0, Vectors.dense(2.0, 1.3, 1.0)),
  (1.0, Vectors.dense(0.0, 1.2, -0.5)))).toDF("label", "features")

// 2.创建逻辑回归 Estimator
val lr = new LogisticRegression( )
println("LogisticRegression parameters:\n" + lr.explainParams() + "\n")

// 3.通过setter方法设置模型参数
lr.setMaxIter(10)
  .setRegParam(0.01)

// 4.训练模型
val model1 = lr.fit(training)
println("Model 1 was fit using parameters: " + model1.parent.extractParamMap)

// 5.通过ParamMap设置参数方法
val paramMap = ParamMap(lr.maxIter -> 20)
  .put(lr.maxIter, 30)
  .put(lr.regParam -> 0.1, lr.threshold -> 0.55)

// 5.ParamMap合并
val paramMap2 = ParamMap(lr.probabilityCol -> "myProbability")
val paramMapCombined = paramMap ++ paramMap2

// 6.训练模型，采用paramMap参数
// paramMapCombined会覆盖所有lr.set设置的参数
val model2 = lr.fit(training, paramMapCombined)
println("Model 2 was fit using parameters: " + model2.parent.extractParamMap)

// 7.测试样本
val test = spark.createDataFrame(Seq(
  (1.0, Vectors.dense(-1.0, 1.5, 1.3 )),
  (0.0, Vectors.dense(3.0, 2.0, -0.1)),
  (1.0, Vectors.dense(0.0, 2.2, -1.5)))).toDF("label", "features")

// 8.对模型进行测试
model2.transform(test)
  .select("features", "label", "myProbability", "prediction")
  .collect()
  .foreach {
    case Row(features: Vector, label: Double, prob: Vector, prediction: Double) =>
    println(s"($features, $label) -> prob=$prob, prediction=$prediction")
}

标签：Pipelines,val,ML,MLlib,lr,Spark,spark
来源： https://blog.csdn.net/affluent6/article/details/120390881