基于Spark训练线性回归模型的实战入门是怎样的

这篇文章给大家介绍基于Spark训练线性回归模型的实战入门是怎样的，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。

最开始接触分布式计算框架的是Hadoop中的MapReduce,虽然开发起来很复杂（Map与Reduce都要有相应的实现类）但是我也成功的启动了第一个“Hello word”（word count）。

由于MapReduce每个步骤都要将中间结果存到磁盘中，而且会将job jar 包分发到每个相关的Datanode上，虽然我的Txt文件不到1M, 但是启动计算加上返回结果的时间大概也有40秒左右，还能忍，毕竟是怀揣着我将要处理TB级别数据的梦想。

Spark作为分布式计算框架，采用的是一种基于内存的计算，减少了反复读取磁盘的数次，另外还提供了除了map与reduce更多的操作。这无疑是提供了最好的MapReduce替代品。然而最吸引我的不是spark的mapreduce有多么的快，而是spark集成了Machine Learning packages。

下面提供了一种接近实际生产环境，在Spark集群环境中，训练机器学习模型的完整方法

此项目教程主要特点：

• 文档齐全，代码简洁，教程操作性强，带有一步一步讲解

• spark体验线性回归模型，属于最好的入门实战例子教程，初学者入门的不二之选

• 共分解为10个步骤，通俗易懂，操作性强：
  

• 导入需要的包

• 造数据，y=2x+biases

• 合并矩阵

• 数据格式

• 指定集群地址

• 转换数据并查看数据

• 将df转换为spark模型训练数据格式，实际上也就是将feature改为数组

• 划分数据集0.9与0.1，并打印coefficients与intercept

• 绘制图像，查看拟合效果

• 输入 http://localhost:4040查看job运行状况

关于基于Spark训练线性回归模型的实战入门是怎样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。