PySpark-MLlib

Apache Sparkは、と呼ばれる機械学習APIを提供します MLlib。PySparkには、Pythonにもこの機械学習APIがあります。以下に説明するさまざまな種類のアルゴリズムをサポートします-

mllib.classification − spark.mllibパッケージは、二項分類、多クラス分類、回帰分析のさまざまな方法をサポートしています。分類で最も人気のあるアルゴリズムのいくつかは次のとおりです。Random Forest, Naive Bayes, Decision Tree、など。
mllib.clustering −クラスタリングは教師なし学習の問題であり、類似性の概念に基づいてエンティティのサブセットを相互にグループ化することを目的としています。
mllib.fpm−頻繁なパターンマッチングとは、大規模なデータセットを分析するための最初のステップの1つである、頻繁なアイテム、アイテムセット、サブシーケンス、またはその他の下位構造をマイニングすることです。これは、何年もの間、データマイニングで活発な研究トピックとなっています。
mllib.linalg −線形代数用のMLlibユーティリティ。
mllib.recommendation−協調フィルタリングは、レコメンダーシステムで一般的に使用されます。これらの手法は、ユーザーアイテムの関連付けマトリックスの欠落しているエントリを埋めることを目的としています。
spark.mllib−現在、モデルベースの協調フィルタリングをサポートしています。この場合、ユーザーと製品は、欠落しているエントリを予測するために使用できる潜在的な要因の小さなセットによって記述されます。spark.mllibは、Alternating Least Squares（ALS）アルゴリズムを使用して、これらの潜在的要因を学習します。
mllib.regression−線形回帰は回帰アルゴリズムのファミリーに属しています。回帰の目的は、変数間の関係と依存関係を見つけることです。線形回帰モデルとモデルの要約を操作するためのインターフェースは、ロジスティック回帰の場合と似ています。

mllibパッケージの一部として、他のアルゴリズム、クラス、および関数もあります。今のところ、デモを理解しましょうpyspark.mllib。

次の例は、ALSアルゴリズムを使用して推奨モデルを構築し、トレーニングデータで評価する協調フィルタリングの例です。

Dataset used − test.data

1,1,5.0
1,2,1.0
1,3,5.0
1,4,1.0
2,1,5.0
2,2,1.0
2,3,5.0
2,4,1.0
3,1,1.0
3,2,5.0
3,3,1.0
3,4,5.0
4,1,1.0
4,2,5.0
4,3,1.0
4,4,5.0

--------------------------------------recommend.py----------------------------------------
from __future__ import print_function
from pyspark import SparkContext
from pyspark.mllib.recommendation import ALS, MatrixFactorizationModel, Rating
if __name__ == "__main__":
   sc = SparkContext(appName="Pspark mllib Example")
   data = sc.textFile("test.data")
   ratings = data.map(lambda l: l.split(','))\
      .map(lambda l: Rating(int(l[0]), int(l[1]), float(l[2])))
   
   # Build the recommendation model using Alternating Least Squares
   rank = 10
   numIterations = 10
   model = ALS.train(ratings, rank, numIterations)
   
   # Evaluate the model on training data
   testdata = ratings.map(lambda p: (p[0], p[1]))
   predictions = model.predictAll(testdata).map(lambda r: ((r[0], r[1]), r[2]))
   ratesAndPreds = ratings.map(lambda r: ((r[0], r[1]), r[2])).join(predictions)
   MSE = ratesAndPreds.map(lambda r: (r[1][0] - r[1][1])**2).mean()
   print("Mean Squared Error = " + str(MSE))
   
   # Save and load model
   model.save(sc, "target/tmp/myCollaborativeFilter")
   sameModel = MatrixFactorizationModel.load(sc, "target/tmp/myCollaborativeFilter")
--------------------------------------recommend.py----------------------------------------

Command −コマンドは次のようになります−

$SPARK_HOME/bin/spark-submit recommend.py

Output −上記のコマンドの出力は次のようになります−

Mean Squared Error = 1.20536041839e-05