Spark機器學習

第1 章 Spark 的環(huán)境搭建與運行 1 1．1 Spark 的本地安裝與配置 2 1．2 Spark 集群 3 1．3 Spark 編程模型 4 1．3．1 SparkContext類與SparkConf類 4 1．3．2 Spark shell 5 1．3．3 彈性分布式數(shù)據(jù)集 6 1．3．4 廣播變量和累加器 10 1．4 Spark Scala 編程入門 11 1．5 Spark Java 編程入門 14 1．6 Spark Python 編程入門 17 1．7 在Amazon EC2 上運行Spark 18 1．8 小結(jié) 23 第2 章 設計機器學習系統(tǒng) 24 2．1 MovieStream 介紹 24 2．2 機器學習系統(tǒng)商業(yè)用例 25 2．2．1 個性化 26 2．2．2 目標營銷和客戶細分 26 2．2．3 預測建模與分析 26 2．3 機器學習模型的種類 27 2．4 數(shù)據(jù)驅(qū)動的機器學習系統(tǒng)的組成 27 2．4．1 數(shù)據(jù)獲取與存儲 28 2．4．2 數(shù)據(jù)清理與轉(zhuǎn)換 28 2．4．3 模型訓練與測試回路 29 2．4．4 模型部署與整合 30 2．4．5 模型監(jiān)控與反饋 30 2．4．6 批處理或?qū)崟r方案的選擇 31 2．5 機器學習系統(tǒng)架構 31 2．6 小結(jié) 33 第3 章 Spark 上數(shù)據(jù)的獲取、處理與準備 34 3．1 獲取公開數(shù)據(jù)集 35 3．2 探索與可視化數(shù)據(jù) 37 3．2．1 探索用戶數(shù)據(jù) 38 3．2．2 探索電影數(shù)據(jù) 41 3．2．3 探索評級數(shù)據(jù) 43 3．3 處理與轉(zhuǎn)換數(shù)據(jù) 46 3．4 從數(shù)據(jù)中提取有用特征 48 3．4．1 數(shù)值特征 48 3．4．2 類別特征 49 3．4．3 派生特征 50 3．4．4 文本特征 51 3．4．5 正則化特征 55 3．4．6 用軟件包提取特征 56 3．5 小結(jié) 57 第4 章 構建基于Spark 的推薦引擎 58 4．1 推薦模型的分類 59 4．1．1 基于內(nèi)容的過濾 59 4．1．2 協(xié)同過濾 59 4．1．3 矩陣分解 60 4．2 提取有效特征 64 4．3 訓練推薦模型67 4．3．1 使用MovieLens 100k 數(shù)據(jù)集訓練模型 67 4．3．2 使用隱式反饋數(shù)據(jù)訓練模型 68 4．4 使用推薦模型 69 4．4．1 用戶推薦 69 4．4．2 物品推薦 72 4．5 推薦模型效果的評估 75 4．5．1 均方差 75 4．5．2 K 值平均準確率 77 4．5．3 使用MLlib 內(nèi)置的評估函數(shù) 81 4．6 小結(jié) 82 第5 章 Spark 構建分類模型 83 5．1 分類模型的種類 85 5．1．1 線性模型 85 5．1．2 樸素貝葉斯模型 89 5．1．3 決策樹 90 5．2 從數(shù)據(jù)中抽取合適的特征 91 5．3 訓練分類模型 93 5．4 使用分類模型 95 5．5 評估分類模型的性能 96 5．5．1 預測的正確率和錯誤率 96 5．5．2 準確率和召回率 97 5．5．3 ROC 曲線和AUC 99 5．6 改進模型性能以及參數(shù)調(diào)優(yōu) 101 5．6．1 特征標準化 101 5．6．2 其他特征 104 5．6．3 使用正確的數(shù)據(jù)格式 106 5．6．4 模型參數(shù)調(diào)優(yōu) 107 5．7 小結(jié) 115 第6 章 Spark 構建回歸模型 116 6．1 回歸模型的種類 116 6．1．1 最小二乘回歸 117 6．1．2 決策樹回歸 117 6．2 從數(shù)據(jù)中抽取合適的特征 118 6．3 回歸模型的訓練和應用 123 6．4 評估回歸模型的性能 125 6．4．1 均方誤差和均方根誤差 125 6．4．2 平均絕對誤差 126 6．4．3 均方根對數(shù)誤差 126 6．4．4 R-平方系數(shù) 126 6．4．5 計算不同度量下的性能 126 6．5 改進模型性能和參數(shù)調(diào)優(yōu) 127 6．5．1 變換目標變量 128 6．5．2 模型參數(shù)調(diào)優(yōu) 132 6．6 小結(jié) 140 第7 章 Spark 構建聚類模型 141 7．1 聚類模型的類型 142 7．1．1 K-均值聚類 142 7．1．2 混合模型 146 7．1．3 層次聚類 146 7．2 從數(shù)據(jù)中提取正確的特征 146 7．3 訓練聚類模型 150 7．4 使用聚類模型進行預測 151 7．5 評估聚類模型的性能 155 7．5．1 內(nèi)部評價指標 155 7．5．2 外部評價指標 156 7．5．3 在MovieLens 數(shù)據(jù)集計算性能 156 7．6 聚類模型參數(shù)調(diào)優(yōu) 156 7．7 小結(jié) 158 第8 章 Spark 應用于數(shù)據(jù)降維 159 8．1 降維方法的種類 160 8．1．1 主成分分析 160 8．1．2 奇異值分解 160 8．1．3 和矩陣分解的關系 161 8．1．4 聚類作為降維的方法 161 8．2 從數(shù)據(jù)中抽取合適的特征 162 8．3 訓練降維模型 169 8．4 使用降維模型 172 8．4．1 在LFW數(shù)據(jù)集上使用PCA投影數(shù)據(jù) 172 8．4．2 PCA 和SVD 模型的關系 173 8．5 評價降維模型 174 8．6 小結(jié) 176 第9 章 Spark 高級文本處理技術 177 9．1 處理文本數(shù)據(jù)有什么特別之處 177 9．2 從數(shù)據(jù)中抽取合適的特征 177 9．2．1 短語加權表示 178 9．2．2 特征哈希 179 9．2．3 從20 新聞組數(shù)據(jù)集中提取TF-IDF 特征 180 9．3 使用TF-IDF 模型 192 9．3．1 20 Newsgroups 數(shù)據(jù)集的文本相似度和TF-IDF 特征 192 9．3．2 基于20 Newsgroups 數(shù)據(jù)集使用TF-IDF 訓練文本分類器 194 9．4 評估文本處理技術的作用 196 9．5 Word2Vec 模型 197 9．6 小結(jié) 200 第10 章 Spark Streaming 在實時機器學習上的應用 201 10．1 在線學習 201 10．2 流處理 202 10．2．1 Spark Streaming 介紹 202 10．2．2 使用Spark Streaming 緩存和容錯 205 10．3 創(chuàng)建Spark Streaming 應用 206 10．3．1 消息生成端 207 10．3．2 創(chuàng)建簡單的流處理程序 209 10．3．3 流式分析 211 10．3．4 有狀態(tài)的流計算213 10．4 使用Spark Streaming 進行在線學習 215 10．4．1 流回歸 215 10．4．2 一個簡單的流回歸程序 216 10．4．3 流K-均值 220 10．5 在線模型評估 221 10．6 小結(jié) 224