我想用Flink-HBase插件读出数据,然后将其作为Flink机器学习算法(分别为SVM和MLR)的输入。现在我首先将提取的数据写入临时文件,然后通过libSVM方法读取它,但我想应该有更复杂的方法。用于机器学习算法的Flink HBase输入
你有代码片段或想法如何做?
我想用Flink-HBase插件读出数据,然后将其作为Flink机器学习算法(分别为SVM和MLR)的输入。现在我首先将提取的数据写入临时文件,然后通过libSVM方法读取它,但我想应该有更复杂的方法。用于机器学习算法的Flink HBase输入
你有代码片段或想法如何做?
无需将数据写入磁盘,然后使用MLUtils.readLibSVM
进行读取。原因如下。
MLUtils.readLibSVM
需要一个文本文件,其中每一行都是稀疏特征矢量及其相关标签。它使用以下格式表示标签特征向量对:
<line> .=. <label> <feature>:<value> <feature>:<value> ... <feature>:<value> # <info>
凡<feature>
是后续value
的在特征向量的索引。 MLUtils.readLibSVM
可以读取具有此格式的文件并转换LabeledVector
实例中的每一行。因此,您在读取libSVM文件后获得DataSet[LabeledVector]
。这正是SVM
和MultipleLinearRegression
预测器所需的输入格式。
但是,根据您从HBase获得的数据格式,首先必须将数据转换为libSVM
格式。否则,MLUtils.readLibSVM
将无法读取写入的文件。如果您转换数据,那么您还可以直接将数据转换为DataSet[LabeledVector]
,并将其用作Flink ML算法的输入。这可以避免不必要的磁盘循环。
如果从HBase的一个DataSet[String]
其中每个字符串具有libSVM
格式(参见上面的说明书中)获得,然后可以在HBase的DataSet
施加map
操作用下面的映射函数。
val hbaseInput: DataSet[String] = ...
val labelCOODS = hbaseInput.flatMap {
line =>
// remove all comments which start with a '#'
val commentFreeLine = line.takeWhile(_ != '#').trim
if(commentFreeLine.nonEmpty) {
val splits = commentFreeLine.split(' ')
val label = splits.head.toDouble
val sparseFeatures = splits.tail
val coos = sparseFeatures.map {
str =>
val pair = str.split(':')
require(
pair.length == 2,
"Each feature entry has to have the form <feature>:<value>")
// libSVM index is 1-based, but we expect it to be 0-based
val index = pair(0).toInt - 1
val value = pair(1).toDouble
(index, value)
}
Some((label, coos))
} else {
None
}
// Calculate maximum dimension of vectors
val dimensionDS = labelCOODS.map {
labelCOO =>
labelCOO._2.map(_._1 + 1).max
}.reduce(scala.math.max(_, _))
val labeledVectors: DataSet[LabeledVector] =
labelCOODS.map{ new RichMapFunction[(Double, Array[(Int, Double)]), LabeledVector] {
var dimension = 0
override def open(configuration: Configuration): Unit = {
dimension = getRuntimeContext.getBroadcastVariable(DIMENSION).get(0)
}
override def map(value: (Double, Array[(Int, Double)])): LabeledVector = {
new LabeledVector(value._1, SparseVector.fromCOO(dimension, value._2))
}
}}.withBroadcastSet(dimensionDS, DIMENSION)
这会将您的libSVM格式数据转换为LabeledVectors
的数据集。
谢谢!你的回答非常有帮助! 不幸的是,HBase中的数据集必须在Java类中获得,现在我得到的错误是我的DataSet与Scala类中的方法不兼容: 错误:(102,29)java:incompatible types: 'org.apache.flink.api.java.DataSet
你应该也可以使用Scala API从HBase读取。然后你获得一个'org.apache.flink.api.scala.Dataset [String]'。 –
Flink是比较新的项目。我想,你可能会在flink邮件列表上得到更好的帮助。 –