scala - 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。它们有很多标准和规则，我必须构建模型并对每个标准和规则进行预测，将所有标准和规则组合起来并保存。 所以，现在我的解决方案如下所示:

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)
}

它的效果几乎很好，但是太慢了，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标准列表的情况下。 我认为，如果 Spark 能够并行训练模型并进行预测，效果会更好。

我尝试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 = ???
  }
  ...

但它不可避免地会导致一个RDD在另一个RDD内部生成的情况(GradientBoostedTreesModel是在RDD[LabeledPoint]上训练的)，据我所知这是一个糟糕的情况场景。

有没有办法并行使用Spark MLlib？

Answer 1

我在 Spark 用户邮件列表中提出了同样的问题，并得到了答案:

“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 放入 RDD 中是行不通的。简单的示例:

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

"