Spark機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

第 1章　Scala和Spark的機(jī)器學(xué)習(xí)實(shí)戰(zhàn)\t1
1．1　引言　1
1．1．1　Apache Spark　2
1．1．2　機(jī)器學(xué)習(xí)　3
1．1．3　Scala　4
1．1．4　本書的軟件版本和使用的
類庫　5
1．2　下載和安裝JDK　6
1．2．1　準(zhǔn)備工作　6
1．2．2　操作步驟　6
1．3　下載和安裝IntelliJ　6
1．3．1　準(zhǔn)備工作　7
1．3．2　操作步驟　7
1．4　下載和安裝Spark　7
1．4．1　準(zhǔn)備工作　7
1．4．2　操作步驟　7
1．5　用IntelliJ配置Spark　8
1．5．1　準(zhǔn)備工作　8
1．5．2　操作步驟　8
1．5．3　更多　19
1．5．4　參考資料　19
1．6　運(yùn)行Spark機(jī)器學(xué)習(xí)示例代碼　20
1．6．1　準(zhǔn)備工作　20
1．6．2　操作步驟　20
1．7　獲取機(jī)器學(xué)習(xí)實(shí)戰(zhàn)所需的數(shù)據(jù)源　22
1．7．1　準(zhǔn)備工作　22
1．7．2　操作步驟　22
1．7．3　更多　23
1．8　用IntelliJ IDE運(yùn)行第 一個(gè)Apache Spark 2．0程序　25
1．8．1　操作步驟　25
1．8．2　工作原理　31
1．8．3　更多　31
1．8．4　參考資料　32
1．9　在Spark程序中添加圖表　32
1．9．1　操作步驟　32
1．9．2　工作原理　36
1．9．3　更多　37
1．9．4　參考資料　37
第　2章 Spark機(jī)器學(xué)習(xí)中的線性代數(shù)庫　38
2．1　引言　38
2．2　Vector和Matrix的包引入和初始化設(shè)置　40
2．2．1　操作步驟　40
2．2．2　更多　41
2．2．3　參考資料　42
2．3　用Spark 2．0創(chuàng)建和配置DenseVector　42
2．3．1　操作步驟　43
2．3．2　工作原理　43
2．3．3　更多　44
2．3．4　參考資料　45
2．4　用Spark 2．0創(chuàng)建和配置SparseVector　45
2．4．1　操作步驟　45
2．4．2　工作原理　47
2．4．3　更多　48
2．4．4　參考資料　48
2．5　用Spark 2．0創(chuàng)建和配置DenseMatrix　48
2．5．1　操作步驟　49
2．5．2　工作原理　50
2．5．3　更多　52
2．5．4　參考資料　52
2．6　用Spark 2．0的本地SparseMatrix　52
2．6．1　操作步驟　53
2．6．2　工作原理　55
2．6．3　更多　56
2．6．4　參考資料　57
2．7　用Spark 2．0進(jìn)行Vector運(yùn)算　57
2．7．1　操作步驟　57
2．7．2　工作原理　59
2．7．3　更多　60
2．7．4　參考資料　61
2．8　用Spark 2．0進(jìn)行Matrix運(yùn)算　61
2．8．1　操作步驟　61
2．8．2　工作原理　64
2．9　研究Spark 2．0分布式RowMatrix　66
2．9．1　操作步驟　67
2．9．2　工作原理　70
2．9．3　更多　71
2．9．4　參考資料　72
2．10　研究Spark 2．0分布式IndexedRowMatrix　72
2．10．1　操作步驟　72
2．10．2　工作原理　74
2．10．3　參考資料　75
2．11　研究Spark 2．0分布式CoordinateMatrix　75
2．11．1　操作步驟　75
2．11．2　工作原理　76
2．11．3　參考資料　77
2．12　研究Spark 2．0分布式BlockMatrix　77
2．12．1　操作步驟　78
2．12．2　工作原理　79
2．12．3　參考資料　79
第3章　Spark機(jī)器學(xué)習(xí)的三劍客　80
3．1　引言　81
3．1．1　RDD— 一切是從什么開始　81
3．1．2　DataFrame—使用高級(jí)API統(tǒng)一API和SQL的自然演變　82
3．1．3　Dataset— 一個(gè)高級(jí)的統(tǒng)一數(shù)據(jù)API　83
3．2　用Spark 2．0的內(nèi)部數(shù)據(jù)源創(chuàng)建RDD　85
3．2．1　操作步驟　86
3．2．2　工作原理　88
3．3　用Spark 2．0的外部數(shù)據(jù)源創(chuàng)建RDD　88
3．3．1　操作步驟　88
3．3．2　工作原理　90
3．3．3　更多　90
3．3．4　參考資料　91
3．4　用Spark 2．0的filter() API轉(zhuǎn)換RDD　92
3．4．1　操作步驟　92
3．4．2　工作原理　95
3．4．3　更多　95
3．4．4　參考資料　95
3．5　用flatMap() API轉(zhuǎn)換RDD　96
3．5．1　操作步驟　96
3．5．2　工作原理　98
3．5．3　更多　98
3．5．4　參考資料　99
3．6　用集合操作API轉(zhuǎn)換RDD　99
3．6．1　操作步驟　99
3．6．2　工作原理　101
3．6．3　參考資料　101
3．7　用groupBy()和reduceByKey()函數(shù)對(duì)RDD轉(zhuǎn)換/聚合　102
3．7．1　操作步驟　102
3．7．2　工作原理　104
3．7．3　更多　104
3．7．4　參考資料　105
3．8　用zip() API轉(zhuǎn)換RDD　105
3．8．1　操作步驟　105
3．8．2　工作原理　107
3．8．3　參考資料　107
3．9　用paired鍵值RDD進(jìn)行關(guān)聯(lián)轉(zhuǎn)換　107
3．9．1　操作步驟　107
3．9．2　工作原理　110
3．9．3　更多　110
3．10　用paired鍵值RDD進(jìn)行匯總和分組轉(zhuǎn)換　110
3．10．1　操作步驟　110
3．10．2　工作原理　112
3．10．3　參考資料　112
3．11　根據(jù)Scala數(shù)據(jù)結(jié)構(gòu)創(chuàng)建DataFrame　112
3．11．1　操作步驟　113
3．11．2　工作原理　115
3．11．3　更多　115
3．11．4　參考資料　116
3．12　不使用SQL方式創(chuàng)建DataFrame　116
3．12．1　操作步驟　116
3．12．2　工作原理　120
3．12．3　更多　121
3．12．4　參考資料　121
3．13　根據(jù)外部源加載DataFrame和配置　121
3．13．1　操作步驟　121
3．13．2　工作原理　125
3．13．3　更多　125
3．13．4　參考資料　125
3．14　用標(biāo)準(zhǔn)SQL語言（即SparkSQL）創(chuàng)建DataFrame　126
3．14．1　操作步驟　126
3．14．2　工作原理　130
3．14．3　更多　130
3．14．4　參考資料　131
3．15　用Scala序列處理Dataset API　132
3．15．1　操作步驟　132
3．15．2　工作原理　135
3．15．3　更多　135
3．15．4　參考資料　135
3．16　根據(jù)RDD創(chuàng)建和使用Dataset，再反向操作　136
3．16．1　操作步驟　136
3．16．2　工作原理　140
3．16．3　更多　140
3．16．4　參考資料　140
3．17　用Dataset API和SQL一起處理JSON　140
3．17．1　操作步驟　141
3．17．2　工作原理　144
3．17．3　更多　144
3．17．4　參考資料　144
3．18　用領(lǐng)域?qū)ο髮?duì)Dataset API進(jìn)行函數(shù)式編程　145
3．18．1　操作步驟　145
3．18．2　工作原理　148
3．18．3　更多　149
3．18．4　參考資料　149
第4章　構(gòu)建一個(gè)穩(wěn)健的機(jī)器學(xué)習(xí)系統(tǒng)的常用攻略　150
4．1　引言　151
4．2　借助Spark的基本統(tǒng)計(jì)API構(gòu)建屬于自己的算法　151
4．2．1　操作步驟　151
4．2．2　工作原理　153
4．2．3　更多　153
4．2．4　參考資料　154
4．3　用于真實(shí)機(jī)器學(xué)習(xí)應(yīng)用的ML管道　154
4．3．1　操作步驟　154
4．3．2　工作原理　156
4．3．3　更多　157
4．3．4　參考資料　157
4．4　用Spark標(biāo)準(zhǔn)化數(shù)據(jù)　157
4．4．1　操作步驟　158
4．4．2　工作原理　160
4．4．3　更多　160
4．4．4　參考資料　161
4．5　將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集　161
4．5．1　操作步驟　161
4．5．2　工作原理　163
4．5．3　更多　163
4．5．4　參考資料　163
4．6　新Dataset API的常見操作　163
4．6．1　操作步驟　163
4．6．2　工作原理　166
4．6．3　更多　166
4．6．4　參考資料　167
4．7　在Spark 2．0中從文本文件創(chuàng)建和使用RDD、DataFrame和Dataset　167
4．7．1　操作步驟　167
4．7．2　工作原理　170
4．7．3　更多　170
4．7．4　參考資料　171
4．8　Spark ML的LabeledPoint數(shù)據(jù)結(jié)構(gòu)　171
4．8．1　操作步驟　171
4．8．2　工作原理　173
4．8．3　更多　173
4．8．4　參考資料　174
4．9　用Spark 2．0訪問Spark集群　174
4．9．1　操作步驟　174
4．9．2　工作原理　176
4．9．3　更多　176
4．9．4　參考資料　177
4．10　用Spark 2．0之前的版本訪問Spark集群　178
4．10．1　操作步驟　178
4．10．2　工作原理　180
4．10．3　更多　180
4．10．4　參考資料　180
4．11　在Spark 2．0中使用SparkSession對(duì)象訪問SparkContext　180
4．11．1　操作步驟　181
4．11．2　工作原理　184
4．11．3　更多　184
4．11．4　參考資料　184
4．12　Spark 2．0中的新模型導(dǎo)出及PMML標(biāo)記　185
4．12．1　操作步驟　185
4．12．2　工作原理　188
4．12．3　更多　188
4．12．4　參考資料　189
4．13　用Spark 2．0進(jìn)行回歸模型評(píng)估　189
4．13．1　操作步驟　189
4．13．2　工作原理　191
4．13．3　更多　191
4．13．4　參考資料　192
4．14　用Spark 2．0進(jìn)行二分類模型評(píng)估　192
4．14．1　操作步驟　192
4．14．2　工作原理　196
4．14．3　更多　196
4．14．4　參考資料　196
4．15　用Spark 2．0進(jìn)行多類分類模型評(píng)估　197
4．15．1　操作步驟　197
4．15．2　工作原理　200
4．15．3　更多　200
4．15．4　參考資料　201
4．16　用Spark 2．0進(jìn)行多標(biāo)簽分類模型評(píng)估　201
4．16．1　操作步驟　201
4．16．2　工作原理　203
4．16．3　更多　203
4．16．4　參考資料　204
4．17　在Spark 2．0中使用Scala Breeze庫處理圖像　204
4．17．1　操作步驟　204
4．17．2　工作原理　207
4．17．3　更多　207
4．17．4　參考資料　208
第5章　使用Spark 2．0實(shí)踐機(jī)器學(xué)習(xí)中的回歸和分類——第 一部分　209
5．1　引言　209
5．2　用傳統(tǒng)方式擬合一條線性回歸直線　211
5．2．1　操作步驟　211
5．2．2　工作原理　214
5．2．3　更多　215
5．2．4　參考資料　215
5．3　Spark 2．0中的廣義線性回歸　216
5．3．1　操作步驟　216
5．3．2　工作原理　219
5．3．3　更多　219
5．3．4　參考資料　220
5．4　Spark 2．0中Lasso和L-BFGS的線性回歸API　221
5．4．1　操作步驟　221
5．4．2　工作原理　224
5．4．3　更多　225
5．4．4　參考資料　225
5．5　Spark 2．0中Lasso和自動(dòng)優(yōu)化選擇的線性回歸API　226
5．5．1　操作步驟　226
5．5．2　工作原理　229
5．5．3　更多　229
5．5．4　參考資料　230
5．6　Spark 2．0中嶺回歸和自動(dòng)優(yōu)化選擇的線性回歸API　230
5．6．1　操作步驟　230
5．6．2　工作原理　233
5．6．3　更多　233
5．6．4　參考資料　233
5．7　Spark 2．0中的保序回歸　233
5．7．1　操作步驟　234
5．7．2　工作原理　236
5．7．3　更多　237
5．7．4　參考資料　237
5．8　Spark 2．0中的多層感知機(jī)分類器　238
5．8．1　操作步驟　238
5．8．2　工作原理　241
5．8．3　更多　242
5．8．4　參考資料　243
5．9　Spark 2．0中的一對(duì)多分類器　244
5．9．1　操作步驟　244
5．9．2　工作原理　247
5．9．3　更多　247
5．9．4　參考資料　248
5．10　Spark 2．0中的生存回歸—參數(shù)化的加速失效時(shí)間模型　248
5．10．1　操作步驟　249
5．10．2　工作原理　252
5．10．3　更多　253
5．10．4　參考資料　254
第6章　用Spark 2．0實(shí)踐機(jī)器學(xué)習(xí)中的回歸和分類——第二部分　255
6．1　引言　255
6．2　Spark 2．0使用SGD優(yōu)化的線性回歸　257
6．2．1　操作步驟　257
6．2．2　工作原理　260
6．2．3　更多　261
6．2．4　參考資料　261
6．3　Spark 2．0使用SGD優(yōu)化的邏輯回歸　262
6．3．1　操作步驟　262
6．3．2　工作原理　266
6．3．3　更多　267
6．3．4　參考資料　268
6．4　Spark 2．0使用SGD優(yōu)化的嶺回歸　268
6．4．1　操作步驟　268
6．4．2　工作原理　272
6．4．3　更多　273
6．4．4　參考資料　274
6．5　Spark 2．0使用SGD優(yōu)化的Lasso回歸　274
6．5．1　操作步驟　274
6．5．2　工作原理　277
6．5．3　更多　278
6．5．4　參考資料　279
6．6　Spark 2．0使用L-BFGS優(yōu)化的邏輯回歸　279
6．6．1　操作步驟　279
6．6．2　工作原理　282
6．6．3　更多　283
6．6．4　參考資料　283
6．7　Spark 2．0的支持向量機(jī)（SVM）　283
6．7．1　操作步驟　284
6．7．2　工作原理　287
6．7．3　更多　288
6．7．4　參考資料　289
6．8　Spark 2．0使用MLlib庫的樸素貝葉斯分類器　289
6．8．1　操作步驟　289
6．8．2　工作原理　294
6．8．3　更多　294
6．8．4　參考資料　294
6．9　Spark 2．0使用邏輯回歸研究ML管道和DataFrame　295
6．9．1　操作步驟　295
6．9．2　工作原理　302
6．9．3　更多　302
6．9．4　參考資料　303
第7章　使用Spark實(shí)現(xiàn)大規(guī)模的推薦引擎　304
7．1　引言　304
7．1．1　內(nèi)容過濾　306
7．1．2　協(xié)同過濾　306
7．1．3　近鄰方法　306
7．1．4　隱因子模型技術(shù)　306
7．2　用Spark 2．0生成可擴(kuò)展推薦引擎所需的數(shù)據(jù)　307
7．2．1　操作步驟　307
7．2．2　工作原理　308
7．2．3　更多　308
7．2．4　參考資料　309
7．3　用Spark 2．0研究推薦系統(tǒng)的電影數(shù)據(jù)　309
7．3．1　操作步驟　310
7．3．2　工作原理　313
7．3．3　更多　313
7．3．4　參考資料　313
7．4　用Spark 2．0研究推薦系統(tǒng)的評(píng)分?jǐn)?shù)據(jù)　314
7．4．1　操作步驟　314
7．4．2　工作原理　317
7．4．3　更多　318
7．4．4　參考資料　318
7．5　用Spark 2．0和協(xié)同過濾構(gòu)建可擴(kuò)展的推薦引擎　318
7．5．1　操作步驟　318
7．5．2　工作原理　324
7．5．3　更多　326
7．5．4　參考資料　327
7．5．5　在訓(xùn)練過程中處理隱式的輸入數(shù)據(jù)　327
第8章　Spark 2．0的無監(jiān)督聚類算法　329
8．1　引言　329
8．2　用Spark 2．0構(gòu)建KMeans分類系統(tǒng)　331
8．2．1　操作步驟　331
8．2．2　工作原理　334
8．2．3　更多　337
8．2．4　參考資料　337
8．3　介紹Spark 2．0中的新算法，二分KMeans　337
8．3．1　操作步驟　338
8．3．2　工作原理　342
8．3．3　更多　342
8．3．4　參考資料　343
8．4　在Spark 2．0中使用高斯混合和期望最大化（EM）對(duì)數(shù)據(jù)分類　343
8．4．1　操作步驟　343
8．4．2　工作原理　347
8．4．3　更多　348
8．4．4　參考資料　349
8．5　在Spark 2．0中使用冪迭代聚類（PIC）對(duì)圖中節(jié)點(diǎn)進(jìn)行分類　349
8．5．1　操作步驟　349
8．5．2　工作原理　352
8．5．3　更多　353
8．5．4　參考資料　353
8．6　用隱狄利克雷分布（LDA）將文檔和文本劃分為不同主題　353
8．6．1　操作步驟　354
8．6．2　工作原理　357
8．6．3　更多　358
8．6．4　參考資料　359
8．7　用Streaming KMeans實(shí)現(xiàn)近實(shí)時(shí)的數(shù)據(jù)分類　359
8．7．1　操作步驟　359
8．7．2　工作原理　363
8．7．3　更多　364
8．7．4　參考資料　365
第9章　最優(yōu)化——用梯度下降法尋找最小值　366
9．1　引言　366
9．2　優(yōu)化二次損失函數(shù)，使用數(shù)學(xué)方法尋找最小值進(jìn)行分析　369
9．2．1　操作步驟　369
9．2．2　工作原理　372
9．2．3　更多　372
9．2．4　參考資料　372
9．3　用梯度下降法（GD）編碼實(shí)現(xiàn)二次損失函數(shù)的優(yōu)化過程　373
9．3．1　操作步驟　374
9．3．2　工作原理　377
9．3．3　更多　380
9．3．4　參考資料　382
9．4　用梯度下降優(yōu)化算法解決線性回歸問題　383
9．4．1　操作步驟　383
9．4．2　工作原理　391
9．4．3　更多　393
9．4．4　參考資料　393
9．5　在Spark 2．0中使用正規(guī)方程法解決線性回歸問題　393
9．5．1　操作步驟　394
9．5．2　工作原理　396
9．5．3　更多　396
9．5．4　參考資料　396
第　10章 使用決策樹和集成模型構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)　397
10．1　引言　397
10．1．1　集成方法　399
10．1．2　不純度的度量　401
10．2　獲取和預(yù)處理實(shí)際的醫(yī)療數(shù)據(jù)，在Spark 2．0中研究決策樹和集成模型　404
10．2．1　操作步驟　404
10．2．2　工作原理　406
10．3　用Spark 2．0的決策樹構(gòu)建分類系統(tǒng)　406
10．3．1　操作步驟　407
10．3．2　工作原理　411
10．3．3　更多　411
10．3．4　參考資料　412
10．4　用Spark 2．0的決策樹解決回歸問題　412
10．4．1　操作步驟　412
10．4．2　工作原理　416
10．4．3　參考資料　417
10．5　用Spark 2．0的隨機(jī)森林構(gòu)建分類系統(tǒng)　417
10．5．1　操作步驟　417
10．5．2　工作原理　420
10．5．3　參考資料　421
10．6　用Spark 2．0的隨機(jī)森林解決回歸問題　421
10．6．1　操作步驟　421
10．6．2　工作原理　425
10．6．3　參考資料　425
10．7　用Spark 2．0的梯度提升樹（GBR）構(gòu)建分類系統(tǒng)　425
10．7．1　操作步驟　425
10．7．2　工作原理　428
10．7．3　更多　429
10．7．4　參考資料　429
10．8　用Spark 2．0的梯度提升樹（GBT）解決回歸問題　429
10．8．1　操作步驟　429
10．8．2　工作原理　432
10．8．3　更多　433
10．8．4　參考資料　433
第　11章 大數(shù)據(jù)中的高維災(zāi)難　434
11．1　引言　434
11．2　Spark提取和準(zhǔn)備CSV文件的2種處理方法　438
11．2．1　操作步驟　438
11．2．2　工作原理　441
11．2．3　更多　442
11．2．4　參考資料　442
11．3　Spark使用奇異值分解（SVD）對(duì)高維數(shù)據(jù)降維　442
11．3．1　操作步驟　443
11．3．2　工作原理　448
11．3．3　更多　449
11．3．4　參考資料　450
11．4　Spark使用主成分分析（PCA）為機(jī)器學(xué)習(xí)挑選最有效的
潛在因子　450
11．4．1　操作步驟　451
11．4．2　工作原理　455
11．4．3　更多　458
11．4．4　參考資料　458
第　12章 使用Spark 2．0 ML庫實(shí)現(xiàn)文本分析　459
12．1　引言　459
12．2　用Spark統(tǒng)計(jì)詞頻　462
12．2．1　操作步驟　462
12．2．2　工作原理　465
12．2．3　更多　465
12．2．4　參考資料　465
12．3　用Spark和Word2Vec查找相似詞　465
12．3．1　操作步驟　466
12．3．2　工作原理　468
12．3．3　更多　468
12．3．4　參考資料　469
12．4　構(gòu)建真實(shí)的Spark機(jī)器學(xué)習(xí)項(xiàng)目　469
12．4．1　操作步驟　469
12．4．2　更多　471
12．4．3　參考資料　471
12．5　用Spark 2．0和潛在語義分析實(shí)現(xiàn)文本分析　472
12．5．1　操作步驟　472
12．5．2　工作原理　476
12．5．3　更多　476
12．5．4　參考資料　477
12．6　用Spark 2．0和潛在狄利克雷實(shí)現(xiàn)主題模型　477
12．6．1　操作步驟　477
12．6．2　工作原理　481
12．6．3　更多　481
12．6．4　參考資料　482
第　13章 Spark Streaming和機(jī)器學(xué)習(xí)庫　483
13．1　引言　483
13．2　用于近實(shí)時(shí)機(jī)器學(xué)習(xí)的structured streaming　487
13．2．1　操作步驟　487
13．2．2　工作原理　490
13．2．3　更多　491
13．2．4　參考資料　491
13．3　用于實(shí)時(shí)機(jī)器學(xué)習(xí)的流式DataFrame　492
13．3．1　操作步驟　492
13．3．2　工作原理　494
13．3．3　更多　494
13．3．4　參考資料　494
13．4　用于實(shí)時(shí)機(jī)器學(xué)習(xí)的流式Dataset　494
13．4．1　操作步驟　495
13．4．2　工作原理　497
13．4．3　更多　497
13．4．4　參考資料　498
13．5　流式數(shù)據(jù)和用于調(diào)試的queueStream　498
13．5．1　操作步驟　498
13．5．2　工作原理　501
13．5．3　參考資料　502
13．6　下載并熟悉著名的Iris數(shù)據(jù)，用于無監(jiān)督分類　502
13．6．1　操作步驟　502
13．6．2　工作原理　503
13．6．3　更多　503
13．6．4　參考資料　504
13．7　用于實(shí)時(shí)在線分類器的流式KMeans　504
13．7．1　操作步驟　504
13．7．2　工作原理　508
13．7．3　更多　508
13．7．4　參考資料　508
13．8　下載葡萄酒質(zhì)量數(shù)據(jù)，用于流式回歸　509
13．8．1　操作步驟　509
13．8．2　工作原理　509
13．8．3　更多　510
13．9　用于實(shí)時(shí)回歸的流式線性回歸　510
13．9．1　操作步驟　510
13．9．2　參考資料　514
13．9．3　更多　514
13．9．4　參考資料　514
13．10　下載Pima糖尿病數(shù)據(jù)，用于監(jiān)督分類　514
13．10．1　操作步驟　515
13．10．2　工作原理　515
13．10．3　更多　516
13．10．4　參考資料　516
13．11　用于在線分類器的流式邏輯回歸　516
13．11．1　操作步驟　516
13．11．2　工作原理　519
13．11．3　更多　520
13．11．4　參考資料　520