Hadoop Spark Conference Japan 2016に参加したので、その聞いた内容をまとめました。
Spark MLlib Now and Beyond
Spark自体はコントリビュータが多いプロダクト
sparkでは、２つのの機械学習ライブラリがある。
- spark.mllib: RDDというデータフレームを利用
- spark.ml: DataFrame, PipelineAPIを利用
spark.mlの利用を推奨
scikit-learnに影響
【データ構造】
- RDD
- DataFrameAPI
【RDD】
numpy.arrayのような配列の形式
【DataFrameAPI】
DataFrameAPI：RDBのように直感的にデータにアクセスできるAPI
pandasに影響を受けて作られている
【PipelineAPI】
処理をつなげられ、再利用もしやすい
tokenizer：単語のトークン化
hashingTF：単語のベクトル化
logisticRegression：ロジスティック回帰
上の３つの操作をpipelineでまとめることができる
pipelineを再利用することで簡単に使い回すことができる
例えば、入力をtrainDataとtestDataにしたり。
pipelineを使うと
クロスバリデーションも簡単にできる
そしてその作ったpipelineをs3やhdfsに永続化することもできる
pythonで分析して、scalaで読み込む
なんてこともできる
【Mllib2.0】
・GLMの改善
・永続化未対応ライブラリがまだある。それの改善。
SparkによるGISデータを題材として時系列データ
GISデータとは、船の航行データ（緯度、輝度、速度とか）
GISデータ、センサーデータ：多変量時系列データ
データの収集・蓄積はできているが、分析がまだまだ。
【要件】
性能、柔軟性、スケーラビリティが必要
【sparkを用いた時系列データ処理】
時間依存の情報
・時刻
・緯度、経度
時間非依存の情報
・移動体ID
やりたいこと
・移動体ごとにデータをソート
・時刻や座標の差分を計算
・numpyの関数をそのまま使えること
時系列データの評価ポイント
- レコード長の違い：長いほうが遅い（普通）
- レコードに偏りをもたせるか：ほぼ変わらない
- RDDかDataFrameか：DataFrameのほうが速い
RDD [“ships”, “0.0.0"]
DataFrame は表形式
ただ、DataFrameはメモリを使うので、そこら辺のチューニングが必要
flinkとかも出てきている。
pythonでできるところは、pythonで。
行、列指向の片方だけで閉じない
なんでpythonから移行したのか？→データ量が増えてきて、今後に対応できないと感じたから
sparkは１台で実行したのか？→並列で実行させている
sparkUIから確認することで、チューニングを行った。
時系列データにSparkを使うのは現実としてあり。
まだまだ、公式には足りない機能が多いので、spark packagesなどのパッケージ関連を検索してみるのも大事。
