Spark机器学习算法

Stella981
• 阅读 667

Spark 是一个大规模的数据处理引擎,集成了SQL查询分析,该引擎是用Scala写的,所以一些高级的实现了的算法都是用它进行描述。已知支持的第三方语言有:C# 【https://github.com/Microsoft/Mobius,Java, Scala, Python, R【http://spark.apache.org】

一般性理解:

Spark是个发动机,存储是机油,语言是使用使用控制说明书,性能级别是跑车级别的发动机。

该引擎的建立在多门学科基础之上:概率论,统计学,逼近论,凸分析,计算复杂性理论等。

MLib的基础:RDD(弹性分布式计算)=》转换操作(map,flatMap…),行动操作(count,reduceByKey…)。集合操作,矩阵向量运算,数据格式等。

回归算法:确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

线性回归:探索方差最小的,最接近测试数据的一个函数方程式。

逻辑回归:一般是二分类的,其数学函数一般为 wx+b,其中w和b是待求参数,Singmoid函数(g(z)=1/(1+e^(-z))) )[很漂亮的S形函数,收敛于+-6],后面神经网络需要用上,其主要分主要用于预测天气,预防疾病等场景

保序回归:在一堆无序的数字序列中,找到保证误差最小的情况下,而得到的一组非递减(增)的序列。

分类算法:贝叶斯,器是利用概率论统计知识进行分类,典型的方程式 P(A|B)=P(AB)/P(B);SVM支持向量机:给定一堆样本数据,得到一个分类器,改算法属于有监督的学习模型;决策树,则是一个树状的分类器,也是基于样本数据,通过是否来断定结果的分类器。

聚类算法:KMeans聚类算法:求目标函数的过程(https://baike.baidu.com/item/K-means/4934806);LDA主题模型算法:典型的词性训练,研究主题,通过概率来匹配分析的算法。

关联规则挖掘算法:FPGrowth关联规则算法:不断地迭代FP-tree的构造和投影过程,主要应用于探索多项商品直接的关系以挖掘价值,例如用户购买清单中的啤酒和尿不湿等…

应用实践级别的算法:

推荐算法:ALS交替最小二乘法,协同过滤推荐算法

神经网络算法:多输入,权重控制,通过激活函数进行输出

学习路径:

理论==》分布式实现逻辑==》开发==》实例

点赞
收藏
评论区
推荐文章
blmius blmius
2年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
Jacquelyn38 Jacquelyn38
3年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为
Stella981 Stella981
2年前
Python3:sqlalchemy对mysql数据库操作,非sql语句
Python3:sqlalchemy对mysql数据库操作,非sql语句python3authorlizmdatetime2018020110:00:00coding:utf8'''
Easter79 Easter79
2年前
Twitter的分布式自增ID算法snowflake (Java版)
概述分布式系统中,有一些需要使用全局唯一ID的场景,这种时候为了防止ID冲突可以使用36位的UUID,但是UUID有一些缺点,首先他相对比较长,另外UUID一般是无序的。有些时候我们希望能使用一种简单一些的ID,并且希望ID能够按照时间有序生成。而twitter的snowflake解决了这种需求,最初Twitter把存储系统从MySQL迁移
Wesley13 Wesley13
2年前
mysql设置时区
mysql设置时区mysql\_query("SETtime\_zone'8:00'")ordie('时区设置失败,请联系管理员!');中国在东8区所以加8方法二:selectcount(user\_id)asdevice,CONVERT\_TZ(FROM\_UNIXTIME(reg\_time),'08:00','0
Wesley13 Wesley13
2年前
00:Java简单了解
浅谈Java之概述Java是SUN(StanfordUniversityNetwork),斯坦福大学网络公司)1995年推出的一门高级编程语言。Java是一种面向Internet的编程语言。随着Java技术在web方面的不断成熟,已经成为Web应用程序的首选开发语言。Java是简单易学,完全面向对象,安全可靠,与平台无关的编程语言。
Stella981 Stella981
2年前
Django中Admin中的一些参数配置
设置在列表中显示的字段,id为django模型默认的主键list_display('id','name','sex','profession','email','qq','phone','status','create_time')设置在列表可编辑字段list_editable
Wesley13 Wesley13
2年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
Python进阶者 Python进阶者
5个月前
Excel中这日期老是出来00:00:00,怎么用Pandas把这个去除
大家好,我是皮皮。一、前言前几天在Python白银交流群【上海新年人】问了一个Pandas数据筛选的问题。问题如下:这日期老是出来00:00:00,怎么把这个去除。二、实现过程后来【论草莓如何成为冻干莓】给了一个思路和代码如下:pd.toexcel之前把这