spark训练模型

 

训练模型

 

一、前述

经过之前的训练数据的构建可以得到所有特征值为1的模型文件，本文将继续构建训练数据特征并构建模型。

二、详细流程

将处理完成后的训练数据导出用做线下训练的源数据（可以用Spark_Sql对数据进行处理）
insert overwrite local directory '/opt/data/traindata' row format delimited fields terminated by '\t' select * from dw_rcm_hitop_prepare2train_dm;
注：这里是将数据导出到本地，方便后面再本地模式跑数据，导出模型数据。这里是方便演示真正的生产环境是直接用脚本提交spark任务，从hdfs取数据结果仍然在hdfs，再用ETL工具将训练的模型结果文件输出到web项目的文件目录下，用来做新的模型，web项目设置了定时更新模型文件，每天按时读取新模型文件

三、代码详解

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114

package com.bjsxt.data   import java.io.PrintWriter   import org.apache.log4j.{ Level, Logger } import org.apache.spark.mllib.classification.{ LogisticRegressionWithLBFGS, LogisticRegressionModel, LogisticRegressionWithSGD } import org.apache.spark.mllib.linalg.SparseVector import org.apache.spark.mllib.optimization.SquaredL2Updater import org.apache.spark.mllib.regression.LabeledPoint import org.apache.spark.mllib.util.MLUtils import org.apache.spark.rdd.RDD import org.apache.spark.{ SparkContext, SparkConf }   import scala.collection.Map   /**  * Created by root on 2016/5/12 0012.  */ class Recommonder {   }   object Recommonder {   def main(args: Array[String]) {     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)     val conf = new SparkConf().setAppName("recom").setMaster("local[*]")     val sc = new SparkContext(conf)     //加载数据，用\t分隔开     val data: RDD[Array[String]] = sc.textFile("d:/result").map(_.split("\t"))       println("data.getNumPartitions:" + data.getNumPartitions) //如果文件在本地的话，默认是32M的分片   //    -1    Item.id,hitop_id85:1,Item.screen,screen2:1 一行数据格式     //得到第一列的值，也就是label     val label: RDD[String] = data.map(_(0))     println(label)     //sample这个RDD中保存的是每一条记录的特征名     val sample: RDD[Array[String]] = data.map(_(1)).map(x => {       val arr: Array[String] = x.split(";").map(_.split(":")(0))       arr     })     println(sample) //    //将所有元素压平，得到的是所有分特征，然后去重，最后索引化，也就是加上下标，最后转成map是为了后面查询用     val dict: Map[String, Long] = sample.flatMap(x =>x).distinct().zipWithIndex().collectAsMap()     //得到稀疏向量     val sam: RDD[SparseVector] = sample.map(sampleFeatures => {       //index中保存的是，未来在构建训练集时，下面填1的索引号集合       val index: Array[Int] = sampleFeatures.map(feature => {         //get出来的元素程序认定可能为空，做一个类型匹配         val rs: Long = dict.get(feature) match {           case Some(x) => x         }         //非零元素下标，转int符合SparseVector的构造函数         rs.toInt       })       //SparseVector创建一个向量       new SparseVector(dict.size, index, Array.fill(index.length)(1.0)) //通过这行代码，将哪些地方填1，哪些地方填0     })     //mllib中的逻辑回归只认1.0和0.0，这里进行一个匹配转换     val la: RDD[LabeledPoint] = label.map(x => {       x match {         case "-1" => 0.0         case "1"  => 1.0       }       //标签组合向量得到labelPoint     }).zip(sam).map(x => new LabeledPoint(x._1, x._2))   //    val splited = la.randomSplit(Array(0.1, 0.9), 10) // //    la.sample(true, 0.002).saveAsTextFile("trainSet") //    la.sample(true, 0.001).saveAsTextFile("testSet") //    println("done")         //逻辑回归训练，两个参数，迭代次数和步长，生产常用调整参数      val lr = new LogisticRegressionWithSGD()     // 设置W0截距     lr.setIntercept(true) //    // 设置正则化 //    lr.optimizer.setUpdater(new SquaredL2Updater) //    // 看中W模型推广能力的权重 //    lr.optimizer.setRegParam(0.4)     // 最大迭代次数     lr.optimizer.setNumIterations(10)     // 设置梯度下降的步长,学习率     lr.optimizer.setStepSize(0.1)       val model: LogisticRegressionModel = lr.run(la)       //模型结果权重     val weights: Array[Double] = model.weights.toArray     //将map反转，weights相应下标的权重对应map里面相应下标的特征名     val map: Map[Long, String] = dict.map(_.swap)     //模型保存     //    LogisticRegressionModel.load()     //    model.save()     //输出     val pw = new PrintWriter("model");     //遍历     for(i<- 0 until weights.length){       //通过map得到每个下标相应的特征名       val featureName = map.get(i)match {         case Some(x) => x         case None => ""       }       //特征名对应相应的权重       val str = featureName+"\t" + weights(i)       pw.write(str)       pw.println()     }     pw.flush()     pw.close()   } }

 model文件截图如下：

各个特征下面对应的权重：

将模型文件和用户历史数据，和商品表数据加载到redis中去。

 代码如下：

# -*- coding=utf-8 -*-
import redis

pool = redis.ConnectionPool(host='node05', port='6379',db=2)
r = redis.Redis(connection_pool=pool)
f1 = open('../data/ModelFile.txt')
f2 = open('../data/UserItemsHistory.txt')
f3 = open('../data/ItemList.txt')
for i in list:
    lines = i.readlines(100)
    if not lines:
        break
    for line in lines:
        kv = line.split('\t')
        if i==f1:
          r.hset("rcmd_features_score", kv[0], kv[1])
        if i == f2:
          r.hset('rcmd_user_history', kv[0], kv[1])
        if i==f3:
          r.hset('rcmd_item_list', kv[0], line[:-2])
f1.close()

 最终redis文件中截图如下：