编者按:本文作者汪榕曾写过一篇文章:《以什么姿势进入数据挖掘会少走弯路》,是对想入行大数据的读者的肺腑之言,其中也表达了作者的一些想法,希望大家不要随便去上没有结合业务的收费培训班课程;而后,他有了结合他本人的工作经验,写一系列帮助大家进行实践学习课程文章的想法,InfoQ 也觉得这是件非常有意义的事情,特别是对于大数据行业 1-3 年工作经验的人士,或者是没有相关工作经验但是想入行大数据行业的人。课程的名称是“数据挖掘与数据产品的那些事”,目的是:1. 引导目标人群正确学习大数据挖掘与数据产品;2. 协助代码能力薄弱的学习者逐渐掌握大数据核心编码技巧;3. 帮助目标人群理解大数据挖掘生态圈的数据流程体系;4. 分享大数据领域实践数据产品与数据挖掘开发案例;5. 交流大数据挖掘从业者职业规划和发展方向。这系列文章会在 InfoQ 上形成一个专栏,本文是专栏的第二篇。
第一部分:回顾以前的一篇文章
简单之极,搭建属于自己的 Data Mining 环境(Spark 版本)很多朋友也亲自动手搭建了一遍,当然也遇到不少困难,我都基本一对一给予了回复,具体可以查看原文。
下面的实践也主要是基于上述部署的环境来进行开发。
第二部分:初步学习 Spark 与数据挖掘相关的核心知识点
对于这部分的介绍,不扩展到 Spark 框架深处,仅仅介绍与大数据挖掘相关的一些核心知识,主要分了以下几个点:
初步了解 spark
- 适用性强:它是一种灵活的框架,可同时进行批处理、 流式计算、 交互式计算。
- 支持语言:目前 spark 只支持四种语言,分别为 java、python、r 和 scala。但是个人推荐尽量使用原生态语言 scala。毕竟数据分析圈和做数据科学研究的人群蛮多,为了吸引更多人使用 spark,所以兼容了常用的 R 和 python。
与 MapReduce 的差异性
- 高效性:主要体现在这四个方面,提供 Cache 机制减少数据读取的 IO 消耗、DAG 引擎减少中间结果到磁盘的开销、使用多线程池模型来减少 task 启动开销、减少不必要的 Sort 排序和磁盘 IO 操作。
- 代码简洁:解决同一个场景模型,代码总量能够减少 2~5 倍。从以前使用 MapReduce 来写模型转换成 spark,这点我是切身体会。
理解 spark 离不开读懂 RDD
- spark2.0 虽然已经发测试版本和稳定版本,但是迁移有一定成本和风险,目前很多公司还处于观望阶段。
- RDD(Resilient Distributed Datasets), 又称弹性分布式数据集。
- 它是分布在集群中的只读对象集合(由多个 Partition 构成)。
- 它可以存储在磁盘或内存中(多种存储级别),也可以从这些渠道来创建。
- spark 运行模式都是通过并行“转换” 操作构造 RDD 来实现转换和启动。同时 RDD 失效后会自动重构。
从这几个方面理解 RDD 的操作
- Transformation,可通过程序集合、Hadoop 数据集、已有的 RDD,三种方式创造新的 RDD。这些操作都属于 Transformation(map, filter, groupBy, reduceBy 等)。
- Action,通过 RDD 计算得到一个或者一组值。这些操作都属于 Action(count, reduce, saveAsTextFile 等)。
- 惰性执行:Transformation 只会记录 RDD 转化关系,并不会触发计算。Action 是触发程序执行(分布式) 的算子。
一张图概括 RDD
知晓 Spark On Yarn 的运作模式
除了本地模式的 spark 程序测试,大部分工作都是基于 Yarn 去提交 spark 任务去执行。因此对于提交执行一个 spark 程序,主要有以下流程的运作模式。(提交任务:bin/spark-submit --master yarn-cluster --class …)
一张图知晓运作模式
懂得 spark 本地模式和 yarn 模式的提交方式(不讨论 Standalone 独立模式)
如果说上述的概念、执行流程和运作方式目的在于给做大数据挖掘的朋友一个印象,让大家不至于盲目、错误的使用 spark,从而导致线上操作掉坑。那最后的本地模式测试和集群任务提交是必须要掌握的知识点。
- 本地模式(local):单机运行,将 Spark 应用以多线程方式直接运行在本地,通常只用于测试。我一般都会在 windows 环境下做充足的测试,无误以后才会打包提交到集群去执行。慎重!
- YARN/mesos 模式:运行在资源管理系统上,对于 Yarn 存在两种细的模式,yarn-client 和 yarn-cluster,它们是有区别的。
一张图知晓 yarn-client 模式
一张图知晓 yarn-cluster 模式
为了安全起见,如果模型结果文件最终都是存于 HDFS 上的话,都支持使用 yarn-cluster 模式,即使某一个节点出问题,不影响整个任务的提交和执行。
总结:很多做大数据挖掘的朋友,代码能力和大数据生态圈的技术会是一个软弱,其实这点是很不好的,关键时候容易吃大亏。而我上面所提的,都是围绕着写好一个场景模型,从 code 实现到上线发布都需要留心的知识点。多一份了解,少一分无知。况且一天谈什么算法模型,落地都成困难,更别提上线以后对模型的参数修改和特征筛选。
第三部分:创作第一个数据挖掘算法(朴素贝叶斯)
看过以前文章的小伙伴都应该知道,在业务层面上,使用场景最多的模型大体归纳为以下四类:
- 分类模型,去解决有监督性样本学习的分类场景。
- 聚类模型,去自主判别用户群体之间的相似度。
- 综合得分模型,去结合特征向量和权重大小计算出评估值。
- 预测响应模型,去以历为鉴,预测未来。
所以我这里首先以一个简单的分类算法来引导大家去 code 出算法背后的计算逻辑,让大家知晓这样一个流程。
朴素贝叶斯的实现流程
- 理解先验概率和后验概率的区别? a.先验概率:是指根据以往经验和分析得到的概率。简单来说,就是经验之谈,打趣来说——不听老人言,吃亏在眼前。
b.后验概率:是指通过调查或其它方式获取新的附加信息,去修正发生的概率。也就是参考的信息量更多、更全。
2. 它们之间的转换,推导出贝叶斯公式
条件概率:
注:公式中 P(AB) 为事件 AB 的联合概率,P(A|B) 为条件概率,表示在 B 条件下 A 的概率,P(B) 为事件 B 的概率。
推导过程:
将 P(AB) 带入表达式
贝叶斯公式:
简单来说,后验概率 = ( 先验概率 * 似然度)/ 标准化常量。
扩展:
三、如何去理解朴素二字?
朴素贝叶斯基于一个简单的假定:给定特征向量之间相互条件独立。
朴素体现:
考虑到 P(B1B2…Bn) 对于所有类别都是一样的。而对于朴素贝叶斯的分类场景并需要准确得到某种类别的可能性,更多重点在于比较分类结果偏向那种类别的可能性更大。因此从简化度上,还可以对上述表达式进行优化。
简化公式:
这也是朴素贝叶斯得以推广使用一个原因,一方面降低了计算的复杂度,一方面却没有很大程度上影响分类的准确率。
但客观来说,朴素的假设也是这个算法存在缺陷的一个方面,有利有弊。
四、如何动手实现朴素贝叶斯算法
这里面有很多细节,但是为了迎合文章的主题,不考虑业务,只考虑实现。我们假设已经存在了下面几个东西:
- 场景就假设为做性别二分类。
- 假设所有特征向量都考虑完毕,主要有 F1、F2、F3 和 F4 四个特征影响判断用户性别。
- 假设已经拥有训练样本,大约 10000 个,男性和女性样本各占 50%。
- 假设不考虑交叉验证,不考虑模型准确率,只为了实现分类模型。
- 这里优先使用 80% 作为训练样本,20% 作为测试样本。
- 这里不考虑特征的离散化处理
有了上面的前提,接下来的工作就简单多了,大体分为两步,处理训练样本集和计算测试样本数据结果。
第零步:样本数据格式
#ID F1 F2 F3 F4 CF 1 1 0 5 1 男 2 0 1 4 0 女 3 1 1 3 1 男
第一步:处理训练样本集
代码逻辑
def NBmodelformat(rdd:RDD[String],path:String)={ // 定义接口: 输入为读取训练样本的 RDD, 训练样本处理后的输出路径 val allCompute = rdd.map(_.split("\u0009")).map(record => //SEPARATOR0 定义为分隔符, 这里为 "\u0009" { var str = "" val lengthParm = record.length for(i <- 1 until lengthParm) { if(i<lengthParm-1){ //SEPARATOR2 定义为分隔符, 这里为 "_" val standKey = "CF"+i+"_"+record(i)+"_"+record(lengthParm-1) // 对特征与类别的关联值进行计数 str=str.concat(standKey).concat("\u0009") }else{ // 对分类 (男 / 女) 进行计数 val standKey = "CA"+"_"+record(lengthParm-1) str=str.concat(standKey).concat("\u0009") } } // 对样本总数进行计数 str.concat("SUM").trim() } ).flatMap(_.split("\u0009")).map((_,1)).reduceByKey(_+_) // 本地输出一个文件,保存到本地目录 allCompute.repartition(1).saveAsTextFile(path) }
最终得到训练样本结果如下所示:
[lepingwanger@hadoopslave1 model1]$ cat cidmap20161121 |more -3 (CF1_1_ 男,1212)(CF1_0_ 女,205)(CF2_0_ 男,427)
第二步:朴素贝叶斯计算逻辑
模型 demo
def NBmodels(line:String,cidMap:Map[String,Int]):String={ val record = line.split("\u0009") val manNum = cidMap.get("CA_ 男 ").getOrElse(0).toDouble val womanNum = cidMap.get("CA_ 女 ").getOrElse(0).toDouble val sum = cidMap.get("SUM").getOrElse(0).toDouble // 计算先验概率, 这里采取了拉普拉斯平滑处理, 解决冷启动问题 val manRate = (manNum+1)/(sum+2) val womanRate = (womanNum+1)/(sum+2) var manProbability = 1.0 var womanProbability = 1.0 for(i <- 1 until record.length){ // 组合 key 键 val womanKey = "CF"+i+"_"+record(i)+"_"+" 女 " val manKey = "CF"+i+"_"+record(i)+"_"+" 男 " val catWoman = "CA"+"_"+" 女 " val catMan = "CA"+"_"+" 男 " // 确定特征向量空间的种类, 解决冷启动问题 val num = 3 // 获取训练模型得到的结果值 val womanValue = (cidMap.get(womanKey).getOrElse(0)+1)/(cidMap.get(catWoman).getOrElse(0)+num) val manValue = (cidMap.get(manKey).getOrElse(0)+1)/(cidMap.get(catMan).getOrElse(0)+num) manProbability*=manValue womanProbability*=womanValue } val woman=womanProbability*womanRate val man=manProbability*manRate if(woman>man) " 女 " else " 男 " }
第三步:用测试数据集得到分类结果
驱动模块
def main(args:Array[String]):Unit={ val SAMPLEDATA = "file:///E... 本地目录 1" val SAMPLEMODEL = "file:///E... 本地目录 2" val INPUTDATA = "file:///E... 本地目录 3" val RESULTPATH = "file:///E... 本地目录 4" val sc = new SparkContext("local","TestNBModel") // 删除目录文件 DealWays(sc,SAMPLEMODEL) // 读取训练数据 SAMPLEDATA,featureNum 为特征向量个数 // 首先过滤长度不标准的行 val NaiveBayesData = sc.textFile(SAMPLEDATA, 1).map(_.trim).filter(line =>Filter(line,6)) // 调用上一步模型 NBmodelformat(NaiveBayesData,SAMPLEDATA) // 读取测试模型结果,转换为 Map 数据结构 val cidMap = deal(sc,SAMPLEMODEL) DealWays(sc,RESULTPATH) sc.textFile(INPUTDATA).map(_.trim).filter(line =>Filter(line,7)) .map(NBmodels(_,cidMap)).saveAsTextFile(RESULTPATH) sc.stop() }
总结:上面主要介绍了三个步骤去编写一个简单的朴素贝叶斯算法 demo,还有一些值得优化的点,写法也比较偏命令式编程(告诉计算机你想要做什么事?)。但是目的在于给一些童鞋一个印象,理解上也方便些,清楚如何去落地一个简单的算法,这很重要。
后续系列文章主要有这几个方面:
- 实现一些常用的算法模型,一切洞察背后的来龙去脉。
- 结合线上业务场景模型,介绍实际的大数据挖掘流程。
- 介绍大数据挖掘与数据产品的融合对接。
作者介绍
汪榕,3 年场景建模经验,曾累计获得 8 次数学建模一等奖,包括全国大学生国家一等奖,在国内期刊发表过相关学术研究。两年电商数据挖掘实践,负责开发精准营销产品中的用户标签体系。发表过数据挖掘相关的多篇文章。目前在互联网金融行业从事数据挖掘工作,参与开发反欺诈实时监控系统。
感谢杜小芳对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博( @InfoQ , @丁晓昀),微信(微信号: InfoQChina )关注我们。
评论