比Hadoop+Python還強：Spark MLlib機器學習實作

大數據時代是一個充滿著機會和挑戰的時代，僅需要有一個得心應手的
工具--MLlib就是這個工具。
本書的主要目的是介紹如何使用MLlib進行資料採擷。MLlib是Spark中
最核心的部分，它是Spark機器學習函數庫，可以執行在分散式叢集上
的資料採擷工具。吸引了大量程式設計和開發人員進行相關內容的學習
與開發。
本書理論內容由淺而深，採取實例和理論相結合的方式，內容全面而詳
盡，適合Spark MLlib初學者、大數據採擷、大數據分析的工作人員。

前言
Spark 在英文中是火花的意思，創作者希望它能夠像火花一樣點燃大數據
時代的序幕。它，做到了。
大數據時代是一個充滿著機會和挑戰的時代。就像一座未經開發的金山，
任何人都有資格去獲得其中寶藏，僅需要的就是有一個得心應手的工
具——MLlib 就是這個工具。
本書目的
本書的主要目的是介紹如何使用MLlib 進行資料採擷。MLlib 是Spark 中
最核心的部分，它是Spark 機器學習函數庫，經過無數創造者卓越的工
作，MLlib 已經成為一個優雅的、可以執行在分散式叢集上的資料採擷工
具。
MLlib 充分利用了現有資料採擷的技術與方法，將隱藏在資料中不為人
知，但又包含價值的資訊從中分析出來，並透過對應的電腦程式，無須人
工操作自動地在系統中進行計算，以發現其中的規律。
通常來說，資料採擷的困難和重點於在於兩個方面：分別是演算法的學習
和程式的設計。還有的是需要使用者有些對應的背景知識，例如統計學、
人工智慧、網路技術等。本書在寫作上以工程實作為主，重點介紹其與資
料採擷密切相關的演算法與概念，並且使用淺顯容易的語言將其中有關的
演算法進行綜合性描述，可以幫助使用者更進一步地採擷了解和掌握資料
採擷的原理。
作者在寫作本書的時候有一個基本原則，這本書應該表現工程實作與理
論之間的平衡。資料採擷的目的是為了解決現實中的問題，並提供一個
結果，而非去理論比較哪個演算法更高深，看起來更能唬人。本書對演算法的基本理論和演算法也做了描述，如果讀者閱讀起來覺得困難，建議
找出對應的教材深入複習一下，相信大多數的讀者都能瞭解相關的內容。
本書內容
本書主要介紹MLlib 資料採擷演算法，撰寫的內容可以分成三部分：第一
部分是MLlib 最基本的介紹以及RDD 的用法，包含第1~4 章；第二部
分是MLlib 演算法的應用介紹，包含第5~12 章；第三部分透過一個經典
的實例向讀者示範了如何使用MLlib 去進行資料採擷工作，即第13 章。
各章節內容如下：
■第1 章主要介紹了大數據時代帶給社會與個人的影響，並由此產生的各
種意義。介紹了大數據如何深入到每個人的生活之中。MLlib 是大數據
分析的利器，能夠幫助使用者更進一步地完成資料分析。
■第2 章介紹Spark 設定的單機版安裝方法和開發環境設定。MLlib 是
Spark 資料處理架構的主要元件，因此其執行必須要有Spark 的支援。
■第3 章是對彈性資料集（RDD）進行了說明，包含彈性資料集的基本組
成原理和使用，以及彈性資料集在資料處理時產生的相互相依關係，並
對主要方法逐一進行範例示範。
■第4 章介紹了MLlib 在資料處理時所用到的基本資料型態。MLlib 對資
料進行處理時，需要將資料轉變成對應的資料類型。
■第5 章介紹了MLlib 中協作過濾演算法的基本原理和應用，並據此介紹
了相似度計算和最小平方法的原理和應用。
■ 第6~12 章每章是一個MLlib 分支部分，其將MLlib 各個資料採擷演
算法分別做了應用描述，介紹了其基本原理和學科背景，示範了使用方
法和範例，對每個資料做了詳細的分析。並且在一些較為重要的程式碼
上，作者深入MLlib 原始程式，研究了其建置方法和參數設計，進一步
幫助讀者更深入地瞭解MLlib，也為將來讀者撰寫自有的MLlib 程式奠
定了基礎。
■ 第13 章是本文的最後一章，透過經典的鳶尾花資料集向讀者示範了一
個資料採擷的詳細步驟。從資料的前置處理開始，去除有相關性的重複
資料，採用多種演算法對資料進行分析計算，對資料進行分類回歸，最
後獲得隱藏在資料中的結果，並為讀者示範了資料採擷的基本步驟與方
法。
本書特點
■ 本書儘量避免純粹的理論知識介紹和高深技術研討，完全從應用實作出發，用最簡單的、典型的範例引伸出核心知識，最後還指出了通往「高
精尖」進一步深入學習的道路；
■ 本書全面介紹了MLlib 有關的資料採擷的基本結構和上層程式設計，藉此能夠系統地看到MLlib 的全貌，讓讀者在學習的過程中不至於迷失方
向；
■ 本書在寫作上淺顯容易，沒有深奧的數學知識，採用了較為簡潔的形式描述了應用的理論知識，讓讀者透過輕鬆愉悅地閱讀掌握相關內容；
■ 本書旨在引導讀者進行更多技術上的創新，每章都會用範例描述的形式幫助讀者更進一步地學習內容；
■ 本書程式遵循重構原理，避免程式污染，引導讀者寫出優秀的、簡潔
的、可維護的程式。
讀者與作者
■ 準備從事或已從事大數據採擷、大數據分析的工作人員。
■ Spark MLlib 初學者。
■ 大專院校和補教單位資料分析和處理相關專業的師生。
本書由王曉華主編，其他參與創作的作者還有李陽、張學軍、陳士領、陳
麗、殷龍、張鑫、趙海波、張興瑜、毛聰、王琳、陳宇、生暉、張喆、王
健，排名不分先後。

前言
Chapter 01 星星之火
1.1 大數據時代
1.2 大數據分析時代
1.3 簡單、優雅、有效-- 這就是Spark
1.4 核心-- MLlib
1.5 星星之火，可以燎原
1.6 小結
Chapter 02 Spark 安裝和開發環境設定
2.1 Windows 單機模式Spark 安裝和設定
2.2 經典的WordCount
2.3 小結
Chapter 03 RDD 詳解
3.1 RDD 是什麼
3.2 RDD 工作原理
3.3 RDD 應用API 詳解
3.4 小結 .
Chapter 04 MLlib 基本概念
4.1 MLlib 基本資料型態
4.2 MLlib 數理統計基本概念
4.3 小結
Chapter 05 協作過濾演算法
5.1 協作過濾
5.2 相似度度量
5.3 MLlib 中的交替最小平方法（ALS 演算法）
5.4 小結
Chapter 06 MLlib 線性回歸理論與實戰
6.1 隨機梯度下降演算法詳解
6.2 MLlib 回歸的過擬合
6.3 MLlib 線性回歸實戰
6.4 小結
Chapter 07 MLlib 分類實戰
7.1 邏輯回歸詳解
7.2 支援向量機詳解
7.3 單純貝氏詳解
7.4 小結
Chapter 08決策樹與保序回歸
8.1 決策樹詳解
8.2 保序回歸詳解
8.3 小結
Chapter 09 MLlib 中分群詳解
9.1 分群與分類
9.2 MLlib 中的Kmeans 演算法
9.3 高斯混合分群
9.4 快速反覆運算分群
9.5 小結
Chapter 10 MLlib 中連結規則
10.1 Apriori 頻繁項集演算法
10.2 FP-growth 演算法
10.3 小結
Chapter 11資料降維
11.1 奇異值分解（SVD）
11.2 主成分分析（PCA）
11.3 小結
Chapter 12特徵分析和轉換
12.1 TF-IDF
12.2 詞向量化工具
12.3 以卡方檢定為基礎的特徵選擇
12.4 小結
Chapter 13 MLlib 實戰演練-- 鳶尾花分析
13.1 建模說明
13.2 資料前置處理和分析
13.3 長與寬之間的關係-- 資料集的回歸分析
13.4 使用分類和分群對鳶尾花資料集進行處理
13.5 最後的判斷-- 決策樹測試
13.6 小結