在这个链接 - LINK中，提到已经离线构建的机器学习模型可用于对流数据进行测试。
摘自Apache Spark Streaming MLlib链接：
＆＃34; 您还可以轻松使用MLlib提供的机器学习算法。首先，存在流媒体机器学习算法（例如，流媒体线性回归，流媒体KMeans等），其可以同时从流数据中学习以及将模型应用于流数据。 除此之外，对于更大类的机器学习算法，您可以离线学习学习模型（即使用历史数据），然后在线应用流数据模型。有关详细信息，请参阅MLlib指南 ＆＃34;
这是否意味着可以使用像Spark中构建的Random Forest模型这样的复杂学习模型来测试Spark Streaming程序中的流数据？是否像参考＆＃34;模型＆＃34;一样简单;已建成并调用＆＃34; predictOnValues（）＆＃34;在Spark Streaming程序中使用它？
在这种情况下，现有的火花流机器学习算法（AND）之间的主要区别是这种方法是流式算法会随着时间的推移而发展，离线（反对）在线流方法仍然是使用之前学到的知识，而没有任何在线学习的可能性？
我说得对吗？如果我对上述两点的理解是正确的，请告诉我。
答案 0 :(得分：3)
这是否意味着可以使用像Spark中构建的Random Forest模型这样的复杂学习模型来测试Spark Streaming程序中的流数据？
是的，您可以在批处理模式下训练像随机森林这样的模型，并在以后存储模型以进行预测。如果你想将它与流量应用程序集成，其中值连续进行预测，你只需要在内存中加载模型（实际上读取特征向量及其权重）并进行预测直到结束。
是否像引用已构建的“模型”一样简单，并在Spark Streaming程序中调用“predictOnValues（）”？
是
在这种情况下，现有的火花流机器学习算法（AND）之间的主要区别是这种方法是流式算法会随着时间的推移而发展，离线（对抗）在线流方法仍然是使用之前学到的知识，而没有任何在线学习的可能性？
训练模型只不过是更新要素的权重向量。您仍然必须选择alpha（学习率）和lambda（正则化参数）。因此，当您使用StreamingLinearRegression（或其他流媒体等价物）时，您将有两个dStream用于训练，另一个用于预测，用于显而易见的目的。