Spark中ml和mllib的区别

淩亂°似流年 2023-01-09 12:32 163阅读 0赞

参考文章：[Spark中ml和mllib的区别][Spark_ml_mllib]

### Spark中ml和mllib的主要区别和联系如下： ###

>  *  ml和mllib都是Spark中的机器学习库，目前常用的机器学习功能2个库都能满足需求。
>  *  spark官方推荐使用ml, 因为ml功能更全面更灵活，未来会主要支持ml，mllib很有可能会被废弃(据说可能是在spark3.0中deprecated）。
>  *  ml主要操作的是DataFrame, 而mllib操作的是RDD，也就是说二者面向的数据集不一样。相比于mllib在RDD提供的基础操作，ml在DataFrame上的抽象级别更高，数据和操作耦合度更低。
>     
>      *  DataFrame和RDD什么关系？DataFrame是Dataset的子集，也就是Dataset\[Row\], 而DataSet是对RDD的封装，对SQL之类的操作做了很多优化。
>  *  相比于mllib在RDD提供的基础操作，ml在DataFrame上的抽象级别更高，数据和操作耦合度更低。
>  *  ml中的操作可以使用pipeline, 跟sklearn一样，可以把很多操作(算法/特征提取/特征转换)以管道的形式串起来，然后让数据在这个管道中流动。大家可以脑补一下Linux管道在做任务组合时有多么方便。
>  *  ml中无论是什么模型，都提供了统一的算法操作接口，比如模型训练都是`fit`；不像mllib中不同模型会有各种各样的`trainXXX`。
>  *  mllib在spark2.0之后进入`维护状态`, 这个状态通常只修复BUG不增加新功能。

以上就是ml和mllib的主要异同点。下面是ml和mllib逻辑回归的例子，可以对比看一下， 虽然都是模型训练和预测，但是画风很不一样。

### mllib中逻辑回归的例子： ###

sparse_data = [
        LabeledPoint(0.0, SparseVector(2, {0: 0.0})),
        LabeledPoint(1.0, SparseVector(2, {1: 1.0})),
        LabeledPoint(0.0, SparseVector(2, {0: 1.0})),
        LabeledPoint(1.0, SparseVector(2, {1: 2.0}))
        ]
         lrm = LogisticRegressionWithSGD.train(sc.parallelize(sparse_data), iterations=10)
         lrm.predict(array([0.0, 1.0]))
    
         lrm.predict(array([1.0, 0.0]))
    
         lrm.predict(SparseVector(2, {1: 1.0}))
    
         lrm.predict(SparseVector(2, {0: 1.0}))
    
         import os, tempfile
         path = tempfile.mkdtemp()
         lrm.save(sc, path)
         sameModel = LogisticRegressionModel.load(sc, path)
         sameModel.predict(array([0.0, 1.0]))
    
         sameModel.predict(SparseVector(2, {0: 1.0}))
    
         from shutil import rmtree
         try:
       rmtree(path)
    except:
       pass
         multi_class_data = [
        LabeledPoint(0.0, [0.0, 1.0, 0.0]),
        LabeledPoint(1.0, [1.0, 0.0, 0.0]),
        LabeledPoint(2.0, [0.0, 0.0, 1.0])
        ]
         data = sc.parallelize(multi_class_data)
         mcm = LogisticRegressionWithLBFGS.train(data, iterations=10, numClasses=3)
         mcm.predict([0.0, 0.5, 0.0])
    
         mcm.predict([0.8, 0.0, 0.0])
    
         mcm.predict([0.0, 0.0, 0.3])

### ml中的逻辑回归的例子: ###

from pyspark.sql import Row
     from pyspark.ml.linalg import Vectors
     bdf = sc.parallelize([
            Row(label=1.0, weight=2.0, features=Vectors.dense(1.0)),
            Row(label=0.0, weight=2.0, features=Vectors.sparse(1, [], []))]).toDF()
     blor = LogisticRegression(maxIter=5, regParam=0.01, weightCol="weight")
     blorModel = blor.fit(bdf)
     blorModel.coefficients
    DenseVector([5.5   ])
     blorModel.intercept
    -2.68   
     mdf = sc.parallelize([
            Row(label=1.0, weight=2.0, features=Vectors.dense(1.0)),
            Row(label=0.0, weight=2.0, features=Vectors.sparse(1, [], [])),
            Row(label=2.0, weight=2.0, features=Vectors.dense(3.0))]).toDF()
     mlor = LogisticRegression(maxIter=5, regParam=0.01, weightCol="weight",
            family="multinomial")
     mlorModel = mlor.fit(mdf)
     print(mlorModel.coefficientMatrix)
    DenseMatrix([[-2.3   ],
                 [ 0.2   ],
                 [ 2.1    ]])
     mlorModel.interceptVector
    DenseVector([2.0   , 0.8   , -2.8   ])
     test0 = sc.parallelize([Row(features=Vectors.dense(-1.0))]).toDF()
     result = blorModel.transform(test0).head()
     result.prediction
    0.0
     result.probability
    DenseVector([0.99   , 0.00   ])
     result.rawPrediction
    DenseVector([8.22   , -8.22   ])
     test1 = sc.parallelize([Row(features=Vectors.sparse(1, [0], [1.0]))]).toDF()
     blorModel.transform(test1).head().prediction
    1.0
     blor.setParams("vector")
    Traceback (most recent call last):
           
    TypeError: Method setParams forces keyword arguments.
     lr_path = temp_path + "/lr"
     blor.save(lr_path)
     lr2 = LogisticRegression.load(lr_path)
     lr2.getMaxIter()
    5
     model_path = temp_path + "/lr_model"
     blorModel.save(model_path)
     model2 = LogisticRegressionModel.load(model_path)
     blorModel.coefficients[0] == model2.coefficients[0]
    True
     blorModel.intercept == model2.intercept
    True

[Spark_ml_mllib]: https://blog.csdn.net/mzyqyyjpx/article/details/79155479