保存ML模型以备将来使用

Question

我正在将一些机器学习算法（如线性回归，Logistic回归和朴素贝叶斯）应用于某些数据，但我试图避免使用RDD并开始使用DataFrame，因为RDDs are slower比pyspark下的Dataframes（见图1）。

我使用DataFrames的另一个原因是因为ml库有一个非常有用的类来调整模型，这是CrossValidator这个类在适合它之后返回一个模型，显然这个方法必须测试几个场景，然后返回一个fitted model（带参数的最佳组合）。

我使用的集群不是那么大，数据相当大，有些适合需要几个小时，所以我想保存这些模型以便以后重用它们，但我还没有意识到，有什么我忽略的东西？

笔记：

• mllib的模型类有一个保存方法（即NaiveBayes），但mllib没有CrossValidator并使用RDD，所以我有预谋地避免它。
• 目前的版本是spark 1.5.1。

Answer 1

Spark 2.0.0+

乍一看，所有Transformers和Estimators都使用以下界面实现MLWritable：

def write: MLWriter
def save(path: String): Unit 

和MLReadable具有以下界面

def read: MLReader[T]
def load(path: String): T

这意味着您可以使用save方法将模型写入磁盘

import org.apache.spark.ml.PipelineModel

val model: PipelineModel
model.save("/path/to/model")

并稍后阅读：

val reloadedModel: PipelineModel = PipelineModel.load("/path/to/model")

PySpark中也分别使用MLWritable / JavaMLWritable和MLReadable / JavaMLReadable实现了等效方法：

from pyspark.ml import Pipeline, PipelineModel

model = Pipeline(...).fit(df)
model.save("/path/to/model")

reloaded_model = PipelineModel.load("/path/to/model")

SparkR提供write.ml / read.ml函数，但截至今天，这些函数与其他支持的语言不兼容 - SPARK-15572。

请注意，loader类必须匹配存储的PipelineStage的类。例如，如果你保存LogisticRegressionModel，你应该使用LogisticRegressionModel.load而不是LogisticRegression.load。

如果您使用Spark <= 1.6.0并遇到模型保存的一些问题，我建议您切换版本。

除Spark特定方法外，还有越来越多的库设计用于使用Spark独立方法保存和加载Spark ML模型。例如，参见How to serve a Spark MLlib model?。

Spark >= 1.6

从Spark 1.6开始，可以使用save方法保存模型。因为几乎每个model都实现了MLWritable界面。例如，LinearRegressionModel拥有它，因此可以使用它将模型保存到所需的路径。

Spark < 1.6

我相信你在这里做出了错误的假设。

DataFrames上的一些操作可以进行优化，与普通的RDDs相比，它可以转化为性能提升。 DataFrames提供了高效的缓存，而且比RDD API更容易理解SQLish API。

ML Pipelines非常有用，并且交叉验证器或不同评估器等工具在任何机器管道中都是必须的，即使上述任何一个都没有特别难以在低级MLlib API上实现，最好还是准备好使用，通用和相对良好测试的解决方案。

到目前为止一直很好，但有一些问题：

• 据我所知，DataFrames或select等withColumn上的简单操作显示出类似于map等RDD等价物的性能，
• 在某些情况下，与调整好的低级转换相比，增加典型管道中的列数实际上会降低性能。您当然可以在正确的方式上添加drop-column-transformer，
• 许多ML算法，包括围绕其ml.classification.NaiveBayes API的are simply wrappers mllib，
• PySpark ML / MLlib算法将实际处理委托给Scala对应物，
• 最后但并非最不重要的是RDD仍然在那里，即使隐藏在DataFrame API背后

我相信在一天结束时，使用ML而不是MLLib可以获得相当优雅的高级API。您可以做的一件事是将两者结合起来创建一个自定义的多步骤管道：

• 使用ML加载，清理和转换数据，
• 提取所需数据（参见例如extractLabeledPoints方法）并传递给MLLib算法，
• 添加自定义交叉验证/评估
• 使用您选择的方法保存MLLib模型（Spark模型或PMML）

它不是最佳解决方案，但鉴于当前的API，它是我能想到的最佳解决方案。

Answer 2

似乎保存模型的API功能现在还没有实现（参见Spark issue tracker SPARK-6725）。

发布了一个替代方案（How to save models from ML Pipeline to S3 or HDFS?），它简单地序列化了模型，但它是一种Java方法。我希望在PySpark中你可以做类似的事情，即腌制模型写入磁盘。