spark机器学习算法研究和源码分析

  本项目对spark ml包中各种算法的原理加以介绍并且对算法的代码实现进行详细分析，旨在加深自己对机器学习算法的理解，熟悉这些算法的分布式实现方式。

本系列文章支持的spark版本

  本系列文章大部分的算法基于spark 1.6.1，少部分基于spark 2.x。

本系列的目录结构

  本系列目录如下：

• 数据类型
• 基本统计
  • summary statistics（概括统计）
  • correlations（相关性系数）
  • tratified sampling（分层取样）
  • hypothesis testing（假设检验）
  • random data generation（随机数生成）
  • Kernel density estimation（核密度估计）
• 协同过滤
  • 交换最小二乘
• 分类和回归
  • 线性模型
    • SVMs(支持向量机)
    • 逻辑回归
    • 线性回归
    • 广义线性回归
  • 朴素贝叶斯
  • 决策树
  • 组合树
    • 随机森林
    • 梯度提升树
  • 生存回归
  • 保序回归
• 聚类
  • k-means||算法
  • GMM（高斯混合模型）
  • PIC（快速迭代聚类）
  • LDA（隐式狄利克雷分布)
  • 二分k-means算法
  • 流式k-means算法
• 最优化算法
  • 梯度下降算法
  • 拟牛顿法
  • NNLS(非负最小二乘)
  • 带权最小二乘
  • 迭代再加权最小二乘
• 降维
  • EVD（特征值分解）
  • SVD（奇异值分解）
  • PCA（主成分分析）
• 特征抽取和转换
  • 特征抽取
    • TF-IDF
    • Word2Vec
    • CountVectorizer
  • 特征转换
    • Tokenizer
    • StopWordsRemover
    • n-gram
    • Binarizer
    • PolynomialExpansion
    • Discrete Cosine Transform (DCT)
    • StringIndexer
    • IndexToString
    • OneHotEncoder
    • VectorIndexer
    • Normalizer(规则化)
    • StandardScaler（特征缩放）
    • MinMaxScaler
    • MaxAbsScaler
    • Bucketizer
    • ElementwiseProduct(元素智能乘积)
    • SQLTransformer
    • VectorAssembler
    • QuantileDiscretizer
  • 特征选择
    • VectorSlicer
    • RFormula
    • ChiSqSelector(卡方选择器)

说明

  本专题的大部分内容来自spark源码、spark官方文档，并不用于商业用途。转载请注明本专题地址。 本专题引用他人的内容均列出了参考文献，如有侵权，请务必邮件通知作者。邮箱地址：[email protected]。

  本专题的部分文章中用到了latex来写数学公式,可以在浏览器中安装MathJax插件用来展示这些公式。

  本人水平有限，分析中难免有错误和误解的地方，请大家不吝指教，万分感激。

License

  本文使用的许可见 LICENSE