Apache Flink - uczenie maszynowe

Biblioteka uczenia maszynowego Apache Flink nosi nazwę FlinkML. Ponieważ wykorzystanie uczenia maszynowego rosło wykładniczo w ciągu ostatnich 5 lat, społeczność Flink zdecydowała się dodać to uczenie maszynowe APO również do swojego ekosystemu. Lista współautorów i algorytmów rośnie w FlinkML. To API nie jest jeszcze częścią dystrybucji binarnej.

Oto przykład regresji liniowej przy użyciu FlinkML -

// LabeledVector is a feature vector with a label (class or real value)
val trainingData: DataSet[LabeledVector] = ...
val testingData: DataSet[Vector] = ...

// Alternatively, a Splitter is used to break up a DataSet into training and testing data.
val dataSet: DataSet[LabeledVector] = ...
val trainTestData: DataSet[TrainTestDataSet] = Splitter.trainTestSplit(dataSet)
val trainingData: DataSet[LabeledVector] = trainTestData.training
val testingData: DataSet[Vector] = trainTestData.testing.map(lv => lv.vector)
val mlr = MultipleLinearRegression()

.setStepsize(1.0)
.setIterations(100)
.setConvergenceThreshold(0.001)
mlr.fit(trainingData)

// The fitted model can now be used to make predictions
val predictions: DataSet[LabeledVector] = mlr.predict(testingData)

Wewnątrz flink-1.7.1/examples/batch/ścieżka, znajdziesz plik KMeans.jar. Uruchommy ten przykładowy przykład FlinkML.

Ten przykładowy program jest uruchamiany przy użyciu punktu domyślnego i zestawu danych środka ciężkości.

./bin/flink run examples/batch/KMeans.jar --output Print