1 概念
2 安装
3 RDD
RDD包含两种基本的类型：Transformation和Action。RDD的执行是延迟执行，只有Action算子才会触发任务的执行。
宽依赖和窄依赖用于切分任务，如果都是窄依赖，那么就可以最大化的利用并行。
常用操作：
- cache 缓存
- cartesian 笛卡尔积
- coalesce 重分区
- countByValue 分组统计
- distinct 去除重复
- filter 过滤
- flatMap
- map
- groupBy 分组
- keyBy 增加key
- reduce 拼接
- sortBy 排序
- zip 合并压缩
4 基本概念
基本的数据结构
MLlib中提供几种向量和矩阵的数据结构：
- Local vector，本地向量
- Labeld point，带标签的向量
- Local Matrix，本地矩阵
- Distributed matrix，分布式矩阵
一般向量或者矩阵都有两个方法，dense表示密集版，sparse表示稀疏版，稀疏版是可以指定下标的。
基本的统计方法
- colStats 以列统计基本数据，count个数、max最大值、mean最小值、normL1欧几里德距离、normL2曼哈顿距离、numNonzeros不为0的个数、variance标准差
- chiSqTest 皮尔逊距离计算，
Statistics.corr(rddx,rddy,"spearman") - corr 数据集相关系数计算，
Statistics.corr(rddx,rddy) - 分层抽样
data.sampleByKey(withReplacement=false,fractions,0) - 假设检验
自由度、统计量、P值、卡方检验 - 随机数
RandomRDDs.normalRDD(sc,100)
5 协同过滤
协同过滤可以基于人也可以基于物品，不足之处在于：
- 基于人会对热点物品不够精确
- 基于物品，但是没有什么多样性
相似度度量
- 基于欧几里德距离的计算
- 基于夹角余弦的相似度计算
他们的区别：
- 欧几里德注重空间上的差异
- 夹角余弦注重趋势
最小二乘法
最小二乘，就是基于均方误差寻找最佳匹配函数的过程。在矩阵中就是把大矩阵拆分成连个小矩阵的计算。
实践
new ALS()
rank 隐藏的因子数
iterations 迭代次数
lambda 正则项参数
implicitPref 显示反馈还是隐式反馈
alpha 拟合修正的幅度6 线性回归
梯度下降
道士下山的例子，以及随机梯度下降中 θ=θ-α*J'(θ)公式的原理。
正则项
避免过拟合，可以使用正则项——lasso回归（L1）和岭回归（L2）。关于岭回归可以参考下面两篇：
- http://baike.baidu.com/link?url=Z51DHIIFnkdsYyx13q7qk24hB_-XUqW3e7IdHsz4gZbjbNx718tzMxVfWibdZOG7Y0Aa4HOZdqhsHDA1rEbW9z-8iNYAb4ykjU6kyhNakSoHQ9Yjk7EyAJnidhE3B_Gx
- http://www.ics.uci.edu/~welling/teaching/KernelsICS273B/Kernel-Ridge.pdf
7 分类
分类算法，包括 逻辑回归、支持向量机SVM、贝叶斯等。
逻辑回归
跟线性回归差不多，多了一个sigmoid函数，输出的内容也稍有变化。
另外，对于损失函数的推导也不同了，这里需要最大似然估计的知识！
基本的流程就是，确定1或者0的概率，然后推导出极大似然公式，然后取对数，求导...最终基于梯度下降，优化参数。
由于忘记最大似然估计，所以这里真是理解不上去.
支持向量机
求解的是划分边界的最优解，他的名字听起来像一种很高级的机器人，其实跟逻辑回归差不多，就是选取一条最优的线把数据分作两类。
这里有疑问的可以参考——逻辑回归和SVM的区别是什么？各适合解决什么问题？
https://www.zhihu.com/question/24904422?sort=created
暂时不知道它的损失函数是怎么算出来的...慢慢研究吧
朴素贝叶斯
明明就是计算概率，非叫这么高大上的名字。
本文转自博客园xingoo的博客，原文链接：《Spark MLlib 机器学习实战》1——读后总结，如需转载请自行联系原博主。