Question

我想使用Flink-HBase插件来读出数据，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。

您是否有代码段或想法如何操作？

Answer 1

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向量及其关联标签。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>

其中<feature>是特征向量中后续value的索引。 MLUtils.readLibSVM可以使用此格式读取文件并转换LabeledVector实例中的每一行。因此，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无法读取写入的文件。如果您转换数据，那么您也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周期。

如果您从HBase获得DataSet[String]，其中每个字符串都具有libSVM格式（请参阅上面的规范），那么您可以对HBase map应用DataSet操作使用以下地图功能。

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。

用于机器学习算法的Flink HBase输入

1 个答案: