Spark Streaming - 离线模型可以用于数据流吗
Spark Streaming - Can an offline model be used against a data stream
在这个link-LINK中提到了离线构建的机器学习模型可以针对流式数据进行测试。
摘自 Apache Spark Streaming MLlib link：
" 你也可以很方便的使用MLlib提供的机器学习算法。首先，有流式机器学习算法（如Streaming Linear Regression, Streaming KMeans等）可以同时学习流数据以及在流数据上应用模型。除此之外，对于更大的 class 机器学习算法，您可以离线学习学习模型（即使用历史数据）和然后将模型在线应用于流数据。有关详细信息，请参阅 MLlib 指南。
“
这是否意味着可以使用Spark内置的随机森林模型等复杂的学习模型来测试Spark Streaming程序中的流数据？在Spark Streaming程序中引用已经构建好的"Model"并调用"predictOnValues()"这么简单吗？
在这种情况下，现有的 Spark 流机器学习算法 (AND) 这种方法之间的主要区别在于流算法会随着时间的推移而进化，而离线（反对）在线流方法仍然会使用它之前学到的见解，而没有任何在线学习的可能性？
我做对了吗？请让我知道我对上述两点的理解是否正确。
这是否意味着可以使用复杂的学习模型，如 Spark 内置的随机森林模型来测试 Spark Streaming 程序中的流数据？
是的，您可以在批处理模式下训练像随机森林这样的模型，然后存储模型以供以后进行预测。如果您想将其与流式应用程序集成，其中值不断出现以进行预测，您只需将模型（实际上读取特征向量及其权重）加载到内存中并进行预测直到结束。
在Spark Streaming程序中引用构建好的"Model"调用"predictOnValues()"这么简单吗？
是的。
在这种情况下，现有的 Spark 流机器学习算法 (AND) 这种方法之间的主要区别是流算法会随着时间的推移而进化，而离线（反对）在线流方法仍然会使用它之前学到的见解，而没有任何在线学习的可能性？
训练模型只不过是更新特征的权重向量。您仍然必须选择 alpha（学习率）和 lambda（正则化参数）。因此，当您将使用 StreamingLinearRegression（或其他等效流媒体）时，您将有两个 dStreams，一个用于训练，另一个用于出于明显目的进行预测。
在这个link-LINK中提到了离线构建的机器学习模型可以针对流式数据进行测试。
摘自 Apache Spark Streaming MLlib link：
" 你也可以很方便的使用MLlib提供的机器学习算法。首先，有流式机器学习算法（如Streaming Linear Regression, Streaming KMeans等）可以同时学习流数据以及在流数据上应用模型。除此之外，对于更大的 class 机器学习算法，您可以离线学习学习模型（即使用历史数据）和然后将模型在线应用于流数据。有关详细信息，请参阅 MLlib 指南。 “
这是否意味着可以使用Spark内置的随机森林模型等复杂的学习模型来测试Spark Streaming程序中的流数据？在Spark Streaming程序中引用已经构建好的"Model"并调用"predictOnValues()"这么简单吗？
在这种情况下，现有的 Spark 流机器学习算法 (AND) 这种方法之间的主要区别在于流算法会随着时间的推移而进化，而离线（反对）在线流方法仍然会使用它之前学到的见解，而没有任何在线学习的可能性？
我做对了吗？请让我知道我对上述两点的理解是否正确。
这是否意味着可以使用复杂的学习模型，如 Spark 内置的随机森林模型来测试 Spark Streaming 程序中的流数据？
是的，您可以在批处理模式下训练像随机森林这样的模型，然后存储模型以供以后进行预测。如果您想将其与流式应用程序集成，其中值不断出现以进行预测，您只需将模型（实际上读取特征向量及其权重）加载到内存中并进行预测直到结束。
在Spark Streaming程序中引用构建好的"Model"调用"predictOnValues()"这么简单吗？
是的。
在这种情况下，现有的 Spark 流机器学习算法 (AND) 这种方法之间的主要区别是流算法会随着时间的推移而进化，而离线（反对）在线流方法仍然会使用它之前学到的见解，而没有任何在线学习的可能性？
训练模型只不过是更新特征的权重向量。您仍然必须选择 alpha（学习率）和 lambda（正则化参数）。因此，当您将使用 StreamingLinearRegression（或其他等效流媒体）时，您将有两个 dStreams，一个用于训练，另一个用于出于明显目的进行预测。