如何通过 Spark MLlib 并行训练和预测？

Question

我必须解决不同限制的回归问题。他们有一堆标准和规则，我必须建立模型并为每个做出预测，合并所有并保存。所以，现在我的解决方案看起来像：

criteria2Rules: List[(String, Set[String])]

var result: RDD[(Id, Double)] = sc.parallelize(Array[(Id, Double)]())
criteria2Rules.foreach {
  case (criterion, rules) =>
    val trainDataSet: RDD[LabeledPoint] = prepareTrainSet(criterion, data)
    val model: GradientBoostedTreesModel = buildModel(trainDataSet)
    val predictionDataSet = preparePredictionDataSet(criterion, data)
    val predictedScores = predictScores(predictionDataSet, model, criterion, rules)
    result = result.union(predictedScores)
}

它几乎可以正常工作，但是太慢因为 GradientBoostedTreesModel 训练不是那么快，特别是在有大量特征、样本以及相当大的使用条件列表的情况下. 我想如果 Spark 能够并行训练模型和进行预测，它会工作得更好。

我尝试过使用关系型数据操作方式：

val criteria2RulesRdd: RDD[(String, Set[String])]

val cartesianCriteriaRules2DataRdd = criteria2RulesRdd.cartesian(dataRdd)
cartesianCriteriaRules2DataRdd
  .aggregateByKey(List[Data]())(
    { case (lst, tuple) => lst :+ tuple }, { case (lstL, lstR) => lstL ::: lstR}
  )
  .map {
    case (criteria, rulesSet, scorePredictionDataList) =>
      val trainSet = ???
      val model = ???
      val predictionSet = ???
      val predictedScores = ???
  }
  ...

但是当一个 RDD 在另一个 RDD 中产生时不可避免地会出现这种情况（GradientBoostedTreesModel 在 RDD[LabeledPoint] 上训练）和据我所知这是一个糟糕的场景。

有什么方法可以并行使用 Spark MLlib 吗？

Answer 1

我在 Spark 用户邮件列表中问了同样的问题，得到了答案：

"如果你有一个大集群，你可以在驱动程序的不同线程中触发训练作业。将 RDD 放在一个 RDD 中是行不通的。简单示例：

(0 until 10).par.foreach { i =>
  val n = sc.parallelize(0 until 1000000).count()
  println(s"$i: $n")
}

如何通过 Spark MLlib 并行训练和预测？

How to train and predict in parallel via Spark MLlib?

scala

apache-spark

apache-spark-mllib