• 第15章 大数据与MapReduce
    • 大数据 概述
    • 大数据 场景
    • MapRedece
      • Hadoop 概述
      • MapRedece 原理
      • Hadoop 流(Python 调用)
      • MapReduce 机器学习
        • Mahout in Action
      • 使用 mrjob 库将 MapReduce 自动化
      • 项目案例：分布式 SVM 的 Pegasos 算法
        • Pegasos 工作原理
        • 开发流程

    第15章 大数据与MapReduce

    大数据与MapReduce首页

    大数据 概述

    大数据: 收集到的数据已经远远超出了我们的处理能力。

    大数据 场景

    1. 假如你为一家网络购物商店工作，很多用户访问该网站，其中有些人会购买商品，有些人则随意浏览后就离开。
    2. 对于你来说，可能很想识别那些有购物意愿的用户。
    3. 那么问题就来了，数据集可能会非常大，在单机上训练要运行好几天。
    4. 接下来：我们讲讲 MapRedece 如何来解决这样的问题

    MapRedece

    Hadoop 概述

    1. Hadoop 是 MapRedece 框架的一个免费开源实现。
    2. MapReduce: 分布式的计算框架，可以将单个计算作业分配给多台计算机执行。

    MapRedece 原理

    MapRedece 工作原理

    • 主节点控制 MapReduce 的作业流程
    • MapReduce 的作业可以分成map任务和reduce任务
    • map 任务之间不做数据交流，reduce 任务也一样
    • 在 map 和 reduce 阶段中间，有一个 sort 和 combine 阶段
    • 数据被重复存放在不同的机器上，以防止某个机器失效
    • mapper 和 reducer 传输的数据形式为 key/value对

    MapReduce框架的示意图

    MapRedece 特点

    1. 优点: 使程序以并行的方式执行，可在短时间内完成大量工作。
    2. 缺点: 算法必须经过重写，需要对系统工程有一定的理解。
    3. 适用数据类型: 数值型和标称型数据。

    Hadoop 流(Python 调用)

    理论简介

    例如: Hadoop流可以像Linux命令一样执行

    1. cat inputFile.txt | python mapper.py | sort | python reducer.py > outputFile.txt

    类似的Hadoop流就可以在多台机器上分布式执行，用户可以通过Linux命令来测试Python语言编写的MapReduce脚本。

    实战脚本

    1. # 测试 Mapper
    2. # Linux
    3. cat input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanMapper.py
    4. # Window
    5. # python src/python/15.BigData_MapReduce/mrMeanMapper.py < input/15.BigData_MapReduce/inputFile.txt
    7. # 测试 Reducer
    8. # Linux
    9. cat input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanMapper.py | python src/python/15.BigData_MapReduce/mrMeanReducer.py
    10. # Window
    11. # python src/python/15.BigData_MapReduce/mrMeanMapper.py < input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanReducer.py

    MapReduce 机器学习

    Mahout in Action

    1. 简单贝叶斯：它属于为数不多的可以很自然的使用MapReduce的算法。通过统计在某个类别下某特征的概率。
    2. k-近邻算法：高维数据下（如文本、图像和视频）流行的近邻查找方法是局部敏感哈希算法。
    3. 支持向量机(SVM)：使用随机梯度下降算法求解，如Pegasos算法。
    4. 奇异值分解：Lanczos算法是一个有效的求解近似特征值的算法。
    5. k-均值聚类：canopy算法初始化k个簇，然后再运行K-均值求解结果。

    使用 mrjob 库将 MapReduce 自动化

    理论简介

    • MapReduce 作业流自动化的框架：Cascading 和 Oozie.
    • mrjob 是一个不错的学习工具，与2010年底实现了开源，来之于 Yelp(一个餐厅点评网站).
    1. python src/python/15.BigData_MapReduce/mrMean.py < input/15.BigData_MapReduce/inputFile.txt > input/15.BigData_MapReduce/myOut.txt

    实战脚本

    1. # 测试 mrjob的案例
    2. # 先测试一下mapper方法
    3. # python src/python/15.BigData_MapReduce/mrMean.py --mapper < input/15.BigData_MapReduce/inputFile.txt
    4. # 运行整个程序，移除 --mapper 就行
    5. python src/python/15.BigData_MapReduce/mrMean.py < input/15.BigData_MapReduce/inputFile.txt

    项目案例：分布式 SVM 的 Pegasos 算法

    Pegasos是指原始估计梯度求解器(Peimal Estimated sub-GrAdient Solver)

    Pegasos 工作原理

    1. 从训练集中随机挑选一些样本点添加到待处理列表中
    2. 按序判断每个样本点是否被正确分类
      • 如果是则忽略
      • 如果不是则将其加入到待更新集合。
    3. 批处理完毕后，权重向量按照这些错分的样本进行更新。

    上述算法伪代码如下：

    1. 将 回归系数w 初始化为0
    2. 对每次批处理
    3.     随机选择 k 个样本点(向量)
    4.     对每个向量
    5.         如果该向量被错分：
    6.             更新权重向量 w
    7.     累加对 w 的更新

    开发流程

    1. 收集数据：数据按文本格式存放。
    2. 准备数据：输入数据已经是可用的格式，所以不需任何准备工作。如果你需要解析一个大规模的数据集，建议使用 map 作业来完成，从而达到并行处理的目的。
    3. 分析数据：无。
    4. 训练算法：与普通的 SVM 一样，在分类器训练上仍需花费大量的时间。
    5. 测试算法：在二维空间上可视化之后，观察超平面，判断算法是否有效。
    6. 使用算法：本例不会展示一个完整的应用，但会展示如何在大数据集上训练SVM。该算法其中一个应用场景就是本文分类，通常在文本分类里可能有大量的文档和成千上万的特征。

    收集数据

    文本文件数据格式如下：

    1. 0.365032        2.465645        -1
    2. -2.494175       -0.292380       -1
    3. -3.039364       -0.123108       -1
    4. 1.348150        0.255696        1
    5. 2.768494        1.234954        1
    6. 1.232328        -0.601198       1

    准备数据

    1. def loadDataSet(fileName):
    2.     dataMat = []
    3.     labelMat = []
    4.     fr = open(fileName)
    5.     for line in fr.readlines():
    6.         lineArr = line.strip().split('\t')
    7.         # dataMat.append([float(lineArr[0]), float(lineArr[1]), float(lineArr[2])])
    8.         dataMat.append([float(lineArr[0]), float(lineArr[1])])
    9.         labelMat.append(float(lineArr[2]))
    10.     return dataMat, labelMat

    分析数据: 无

    训练算法

    1. def batchPegasos(dataSet, labels, lam, T, k):
    2.     """batchPegasos()
    4.     Args:
    5.         dataMat    特征集合
    6.         labels     分类结果集合
    7.         lam        固定值
    8.         T          迭代次数
    9.         k          待处理列表大小
    10.     Returns:
    11.         w          回归系数
    12.     """
    13.     m, n = shape(dataSet)
    14.     w = zeros(n)  # 回归系数
    15.     dataIndex = range(m)
    16.     for t in range(1, T+1):
    17.         wDelta = mat(zeros(n))  # 重置 wDelta
    19.         # 它是学习率，代表了权重调整幅度的大小。（也可以理解为随机梯度的步长，使它不断减小，便于拟合）
    20.         # 输入T和K分别设定了迭代次数和待处理列表的大小。在T次迭代过程中，每次需要重新计算eta
    21.         eta = 1.0/(lam*t)
    22.         random.shuffle(dataIndex)
    23.         for j in range(k):      # 全部的训练集  内循环中执行批处理，将分类错误的值全部做累加后更新权重向量
    24.             i = dataIndex[j]
    25.             p = predict(w, dataSet[i, :])              # mapper 代码
    27.             # 如果预测正确，并且预测结果的绝对值>=1，因为最大间隔为1, 认为没问题。
    28.             # 否则算是预测错误, 通过预测错误的结果，来累计更新w.
    29.             if labels[i]*p < 1:                        # mapper 代码
    30.                 wDelta += labels[i]*dataSet[i, :].A    # 累积变化
    31.         # w通过不断的随机梯度的方式来优化
    32.         w = (1.0 - 1/t)*w + (eta/k)*wDelta             # 在每个 T上应用更改
    33.         # print '-----', w
    34.     # print '++++++', w
    35.     return w

    完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/pegasos.py

    运行方式：python /opt/git/MachineLearning/src/python/15.BigData_MapReduce/mrSVM.py < input/15.BigData_MapReduce/inputFile.txt
    MR版本的代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/mrSVM.py

    • 作者：片刻 小瑶
    • GitHub地址: https://github.com/apachecn/MachineLearning
    • 版权声明：欢迎转载学习 => 请标注信息来源于 ApacheCN