原理 Spark是一個極爲優秀的大數據框架，在大數據批處理上基本無人能敵，流處理上也有一席之地，機器學習則是當前正火熱AI人工智能的驅動引擎，在大數據場景下如何發揮AI技術成爲優秀的大數據挖掘工程師必備技能。本文結合機器學習思想與Spark框架代碼結構來實現分佈式機器學習過程，希望與大家一起學習進步～
目錄
本文采用的組件版本爲：Ubuntu 19.10、Jdk 1.8.0_241、Scala 2.11.12、Hadoop 3.2.1、Spark 2.4.5，老規矩先開啓一系列Hadoop、Spark服務與Spark-shell窗口：
降維是減少所考慮變量數量的過程。它可用於從原始和嘈雜的特徵中提取潛在特徵，或者在保持結構的同時壓縮數據。spark.mllib爲RowMatrix類提供降維支持。
1.SVD介紹
奇異值分解（SVD）將矩陣分解爲三個矩陣：U，Σ和V，使得：
這裏U是一個正交矩陣，其列稱爲左奇異向量，Σ是對角矩陣，其中非對角線按降序排列，其對角線稱爲奇異值，V是一個正交矩陣，其列稱爲右奇異向量。
對於大型矩陣，通常不需要完整的因式分解，而僅需要頂部奇異值及其關聯的奇異矢量。這樣可以節省存儲空間，降低噪聲並恢復矩陣的低階結構。如果我們保留前k個奇異值，那麼所得的低秩矩陣的維將爲：
-
U：m*k
-
Σ：k*k
-
V：n*k
我們假設n小於m。奇異值和右奇異向量是從Gramian矩陣ATA的特徵值和特徵向量得出的。如果用戶通過computeU參數請求，則通過矩陣乘法將存儲左奇異矢量Ui的矩陣計算爲U = A（VS-1）。實際使用的方法是根據計算成本自動確定的：
-
如果n小（n <100）或k與n（k> n / 2）相比較大，我們首先計算Gramian矩陣，然後在驅動程序上局部計算其最高特徵值和特徵向量。這需要在每個執行器和驅動程序上進行一次O（n2）存儲操作，並在驅動程序上進行O（n2k）時間處理。
-
否則，我們將以分佈式方式計算（ATA）v並將其發送到ARPACK，以計算驅動程序節點上（ATA）的最高特徵值和特徵向量。這需要O（k）次通過，每個執行程序上的O（n）存儲以及驅動程序上的O（nk）存儲。
2.SVD實例
spark.mllib爲RowMatrix類中提供的面向行的矩陣提供SVD功能。
import org.apache.spark.mllib.linalg.Matrix
import org.apache.spark.mllib.linalg.SingularValueDecomposition
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.linalg.distributed.RowMatrix
// 定義數組
val data = Array(
Vectors.sparse(5, Seq((1, 1.0), (3, 7.0))),
Vectors.dense(2.0, 0.0, 3.0, 4.0, 5.0),
Vectors.dense(4.0, 0.0, 0.0, 6.0, 7.0))
val rows = sc.parallelize(data)
val mat: RowMatrix = new RowMatrix(rows)
// 計算前5個奇異值和相應的奇異向量。
val svd: SingularValueDecomposition[RowMatrix, Matrix] = mat.computeSVD(5, computeU = true)
val U: RowMatrix = svd.U // U因子
val s: Vector = svd.s // 奇異值存儲在一個本地dense向量中
val V: Matrix = svd.V // V因子
3.SVD源碼分析
計算SVD的源碼如下：
def computeSVD(
k: Int,
computeU: Boolean = false,
rCond: Double = 1e-9): SingularValueDecomposition[RowMatrix, Matrix] = {
// 迭代次數
val maxIter = math.max(300, k * 3)
// 閾值
val tol = 1e-10
computeSVD(k, computeU, rCond, maxIter, tol, "auto")
}
computeSVD(k, computeU, rCond, maxIter, tol, "auto")的實現分爲三步。分別是選擇計算模式，特徵值分解，計算V,U,Sigma。下面分別介紹這三步。首先是選擇計算模式：
val computeMode = mode match {
case "auto" =>
if (k > 5000) {
logWarning(s"computing svd with k=$k and n=$n, please check necessity")
}
if (n < 100 || (k > n / 2 && n <= 15000)) {
// 滿足上述條件，首先計算方陣，然後本地計算特徵值，避免數據傳遞
if (k < n / 3) {
SVDMode.LocalARPACK
} else {
SVDMode.LocalLAPACK
}
} else {
// 分佈式實現
SVDMode.DistARPACK
}
case "local-svd" => SVDMode.LocalLAPACK
case "local-eigs" => SVDMode.LocalARPACK
case "dist-eigs" => SVDMode.DistARPACK
}
特徵值分解：
val (sigmaSquares: BDV[Double], u: BDM[Double]) = computeMode match {
case SVDMode.LocalARPACK =>
val G = computeGramianMatrix().toBreeze.asInstanceOf[BDM[Double]]
EigenValueDecomposition.symmetricEigs(v => G * v, n, k, tol, maxIter)
case SVDMode.LocalLAPACK =>
// breeze (v0.10) svd latent constraint, 7 * n * n + 4 * n < Int.MaxValue
val G = computeGramianMatrix().toBreeze.asInstanceOf[BDM[Double]]
val brzSvd.SVD(uFull: BDM[Double], sigmaSquaresFull: BDV[Double], _) = brzSvd(G)
(sigmaSquaresFull, uFull)
case SVDMode.DistARPACK =>
if (rows.getStorageLevel == StorageLevel.NONE) {
logWarning("The input data is not directly cached, which may hurt performance if its"
+ " parent RDDs are also uncached.")
}
EigenValueDecomposition.symmetricEigs(multiplyGramianMatrixBy, n, k, tol, maxIter)
}
計算U,V以及Sigma：
//獲取特徵值向量
val sigmas: BDV[Double] = brzSqrt(sigmaSquares)
val sigma0 = sigmas(0)
val threshold = rCond * sigma0
var i = 0
// sigmas的長度可能會小於k
// 所以使用 i < min(k, sigmas.length) 代替 i < k.
if (sigmas.length < k) {
logWarning(s"Requested $k singular values but only found ${sigmas.length} converged.")
}
while (i < math.min(k, sigmas.length) && sigmas(i) >= threshold) {
i += 1
}
val sk = i
if (sk < k) {
logWarning(s"Requested $k singular values but only found $sk nonzeros.")
}
//計算s，也即sigma
val s = Vectors.dense(Arrays.copyOfRange(sigmas.data, 0, sk))
//計算V
val V = Matrices.dense(n, sk, Arrays.copyOfRange(u.data, 0, n * sk))
//計算U
// N = Vk * Sk^{-1}
val N = new BDM[Double](n, sk, Arrays.copyOfRange(u.data, 0, n * sk))
var i = 0
var j = 0
while (j < sk) {
i = 0
val sigma = sigmas(j)
while (i < n) {
//對角矩陣的逆即爲倒數
N(i, j) /= sigma
i += 1
}
j += 1
}
//U=A * N
val U = this.multiply(Matrices.fromBreeze(N))
4.PCA介紹
主成分分析是最常用的一種降維方法。我們首先考慮一個問題：對於正交矩陣空間中的樣本點，如何用一個超平面對所有樣本進行恰當的表達。容易想到，如果這樣的超平面存在，那麼他大概應該具有下面的性質。 基於最近重構性和最大可分性，能分別得到主成分分析的兩種等價推導。
-
最近重構性：樣本點到超平面的距離都足夠近
-
最大可分性：樣本點在這個超平面上的投影儘可能分開
主成分分析（PCA）是一種統計方法，用於查找旋轉，以使第一個座標具有最大的方差，而每個後續座標又具有最大的方差。旋轉矩陣的列稱爲主成分。PCA被廣泛用於降維。spark.mllib支持將PCA用於以行格式和任何Vector存儲的高而瘦的矩陣。
5.PCA實例
以下代碼演示瞭如何在RowMatrix上計算主成分並將其用於將向量投影到低維空間中。
import org.apache.spark.mllib.linalg.Matrix
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.linalg.distributed.RowMatrix
val data = Array(
Vectors.sparse(5, Seq((1, 1.0), (3, 7.0))),
Vectors.dense(2.0, 0.0, 3.0, 4.0, 5.0),
Vectors.dense(4.0, 0.0, 0.0, 6.0, 7.0))
val rows = sc.parallelize(data)
val mat: RowMatrix = new RowMatrix(rows)
// 計算4個主成分
// 主成分存儲在本地dense矩陣中
val pc: Matrix = mat.computePrincipalComponents(4)
// 將行投影到前4個主要成分所跨越的線性空間
val projected: RowMatrix = mat.multiply(pc)
6.PCA源碼分析
主成分分析的實現代碼在RowMatrix中實現。源碼如下：
def computePrincipalComponents(k: Int): Matrix = {
val n = numCols().toInt
//計算協方差矩陣
val Cov = computeCovariance().toBreeze.asInstanceOf[BDM[Double]]
//特徵值分解
val brzSvd.SVD(u: BDM[Double], _, _) = brzSvd(Cov)
if (k == n) {
Matrices.dense(n, k, u.data)
} else {
Matrices.dense(n, k, Arrays.copyOfRange(u.data, 0, n * k))
}
}
這段代碼首先會計算樣本的協方差矩陣，然後在通過breeze的svd方法進行奇異值分解。這裏由於協方差矩陣是方陣，所以奇異值分解等價於特徵值分解。下面是計算協方差的代碼：
def computeCovariance(): Matrix = {
val n = numCols().toInt
checkNumColumns(n)
val (m, mean) = rows.treeAggregate[(Long, BDV[Double])]((0L, BDV.zeros[Double](n)))(
seqOp = (s: (Long, BDV[Double]), v: Vector) => (s._1 + 1L, s._2 += v.toBreeze),
combOp = (s1: (Long, BDV[Double]), s2: (Long, BDV[Double])) =>
(s1._1 + s2._1, s1._2 += s2._2)
)
updateNumRows(m)
mean :/= m.toDouble
// We use the formula Cov(X, Y) = E[X * Y] - E[X] E[Y], which is not accurate if E[X * Y] is
// large but Cov(X, Y) is small, but it is good for sparse computation.
// TODO: find a fast and stable way for sparse data.
val G = computeGramianMatrix().toBreeze.asInstanceOf[BDM[Double]]
var i = 0
var j = 0
val m1 = m - 1.0
var alpha = 0.0
while (i < n) {
alpha = m / m1 * mean(i)
j = i
while (j < n) {
val Gij = G(i, j) / m1 - alpha * mean(j)
G(i, j) = Gij
G(j, i) = Gij
j += 1
}
i += 1
}
Matrices.fromBreeze(G)
}
Spark 降維算法的內容至此結束，有關Spark的基礎文章可參考前文：
Spark MLlib分佈式機器學習源碼分析：K-means聚類
Spark MLlib分佈式機器學習源碼分析：隱式狄利克雷分佈（LDA）
參考鏈接：
http://spark.apache.org/docs/latest/mllib-clustering.html
https://github.com/endymecy/spark-ml-source-analysis
歷史推薦
數據分析與挖掘
數據結構與算法
機器學習與大數據組件
歡迎關注，感謝“在看”，隨緣稀罕~
一個贊，晚餐加雞腿