今天我來講下如何在 Zeppelin 裡做機器學習。機器學習的重要性我就不多說了,我們直奔主題。
Flink 在機器學習這個領域發力較晚,社區版沒有一個完整的機器學習算法庫可以用,Alink[1]是目前 Flink 生態圈相對比較完整的機器學習算法庫,Alink 也在往 Flink 社區貢獻的路上。今天我主要講的就是如何在 Zeppelin 裡使用 Alink。
為什麼在 Zeppelin 平臺使用 Alink
Zeppelin 已經很好的集成了 Flink,在 Zeppelin 中使用 Alink 可以充分利用 Zeppelin 集成 Flink 所提供的特性,包括:
- 支持豐富的執行模式:Local/Remote/Yarn
- 支持對接 Hive
- 支持 UDF (Scala,Python)
- 支持 SQL (Batch SQL, Streaming SQL)
- 支持可視化
有關 Flink on Zeppelin 的具體特性支持可以參考下面的文章和釘釘直播視頻。
Flink on Zeppelin 文章系列:
- Flink on Zeppelin(1)入門篇
- Flink on Zeppelin(2)Batch 篇
- Flink on Zeppelin(3)Streaming 篇
Flink on Zeppelin 直播系列:
- Flink on Zeppelin: 極致體驗(1) 入門 + Batch
https://ververica.cn/developers/flink-training-course3/ - Flink on Zeppelin: 精緻體驗(2) Streaming + 高級應用
https://ververica.cn/developers/flink-training-course3/
準備工作
首先你需要安裝 Zeppelin + Flink + Alink:
- 安裝 Zeppelin 和 Flink,請參考 Flink on Zeppelin 入門篇
- 運行下面的命令安裝 pyalink
pip install pyalink
-
安裝 Alink jar 包
- 安裝完 pyalink 之後,你可以在 python 目錄裡找到 Alink 的 jar 包,然後把這些 jar 包 copy 到 Flink 的 lib 目錄下,這是我的機器上的 jar 包位置:
驗證 Alink
現在你可以就可以在 Zeppelin 裡運行 Alink 了,有關 Alink 的具體用法我就不再詳述,大家可以參考1。首先我們來運行下面的代碼來驗證下前面的準備工作是否正確完成,是否能在 Zeppelin 裡運行 Alink。
如果你看到了下面的輸出,那麼說明 Alink 已經正確安裝。
Warning: useCustomEnv will do nothing, since useCustomEnv is used to initialize MLEnv.
a b
0 1 2
1 2 5
2 3 1
上面最重要的一行代碼是這行:
mlenv = useCustomEnv(gateway,
b_env,bt_env_2, s_env, st_env_2)
mlenv 是 Alink 的入口,b_env, bt_env_2, s_env, st_env_2 是 Zeppelin 為 Flink 創建的變量(代表 ExecutionEnvironment,BatchTableEnvironment, StreamExecutionEnvironment, StreamTableExecutionEnvironment)。這裡的 bt_env_2 和 st_env_2 代表支持 Flink Planner 的 TableEnvironment,因為 Alink 目前是基於 DataSet 的,只支持 Flink Planner,所以這裡需要用 bt_env_2, st_env_2。(具體可參考Batch篇)
Logsitic Regression
接下來我會以 Alink 的 Logstic Regression 算法來演示如何在 Zeppelin 中使用 Alink。在這個 demo 中,我會選用 bank 數據,這也是我在 Batch 篇中使用的數據。機器學習的模型訓練往往只是整個機器學習任務的一小步,在做機器學習之前往往需要清理數據,數據分析等等。這裡的 Bank 數據就是我的 Batch 篇中用 Flink 引擎清理過的數據。
bank 數據:
https://archive.ics.uci.edu/ml/datasets/bank+marketing
Step 1. 定義訓練數據+測試數據
Step 2. 定義訓練特徵和目標
Step 3. 構建 Pipeline
運行 Step 1 和 Step 2 都會非常快,因為沒有觸發 Flink Job,Step 3 會觸發 Flink Job,開始真正的機器學習訓練,右上角你會看到 Flink 的 Job Link。
Step 4. 查看 Model Metrics
訓練模型結束之後只是整個機器學習任務的一小步,之後你往往需要反覆修改代碼來改進模型,查看模型的 Metrics 就是其中很重要的一步,從模型的 Metrics 之中你往往可以看出一些端倪,給改進模型尋找方向。
■ Step 5. 錯誤數據診斷
除了查看 Model Metrics,你還可以看看那些沒有被正確分類的數據,從這些數據中尋找線索。
這個就是如何在 Zeppelin 中使用 Alink 來做機器學習,正如之前所述,模型訓練只是機器學習的一小步,機器學習之前你往往需要做數據清理,數據探索等等,這時候你就可以利用 Zeppelin 中集成的 Flink 能力來做這些事情,總之你可以在 Zeppelin 這個平臺完成整個端到端的數據處理,數據分析,機器學習整條鏈路。
如果有碰到任何問題,請加入下面這個釘釘群討論。