Flink on Zeppelin (4) - 机器学习篇

 关注
发布于: 2020 年 06 月 18 日
       今天我来讲下如何在Zeppelin里做机器学习。机器学习的重要性我就不多说了，我们直奔主题。
﻿
       Flink在机器学习这个领域发力较晚，社区版没有一个完整的机器学习算法库可以用，Alink[1]是目前Flink生态圈相对比较完整的机器学习算法库，Alink也在往Flink社区贡献的路上。今天我主要讲的就是如何在Zeppelin里使用Alink。
﻿
为什么在Zeppelin平台使用Alink
﻿
     Zeppelin已经很好的集成了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SQL （Batch SQL， Streaming SQL)
支持可视化
各种各种模式的Flink Job部署方式（local，standalone，yarn）
﻿
有关Flink on Zeppelin的具体特性支持可以参考下面的文章和钉钉直播视频
Flink on Zeppelin 文章系列
Flink on Zeppelin （1） 入门篇
Flink on Zeppelin （2） Batch篇  
Flink on Zeppelin    (3) . Streaming篇
﻿
Flink on Zeppelin: 极致体验(1) 入门 + Batch https://www.bilibili.com/video/av91740063
Flink on Zeppelin: 精致体验(2) Streaming + 高级应用 https://www.bilibili.com/video/av93631574
﻿
准备工作﻿
安装Zeppelin 和 Flink，请参考 Flink on Zeppelin 入门篇
运行下面的命令安装pyalink
pip install pyalink
安装alink jar包
安装完pyalink之后，你可以在python目录里找到alink的jar包，然后把这些jar包copy到Flink的lib目录下，这是我的机器上的jar包位置
﻿
    现在你可以就可以在Zeppelin里运行Alink了，有关Alink的具体用法我就不再详述，大家可以参考[1][2]。首先我们来运行下面的代码来验证下前面的准备工作是否正确完成，是否能在Zeppelin里运行Alink。
﻿
﻿
如果你看到了下面的输出，那么说明Alink已经正确安装。
﻿
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码是这行：
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为Flink创建的变量（代表ExecutionEnvironment，BatchTableEnvironment, StreamExecutionEnvironment, StreamTableExecutionEnvironment). 这里的bt_env_2和st_env_2代表支持Flink Planner的TableEnvironment，因为Alink目前是基于DataSet的，只支持Flink Planner，所以这里需要用bt_env_2, st_env_2. （具体可参考Batch篇）
Logistic Regression﻿
       接下来我会以Alink的Logstic Regression算法来演示如何在Zeppelin中使用Alink。在这个demo中，我会选用bank数据（https://archive.ics.uci.edu/ml/datasets/bank+marketing），这也是我在Batch篇中使用的数据。机器学习的模型训练往往只是整个机器学习任务的一小步，在做机器学习之前往往需要清理数据，数据分析等等。这里的Bank数据就是我的Batch篇中用Flink引擎清理过的数据。
Step 1. 定义训练数据+测试数据﻿
﻿
Step 2. 定义训练特征和目标﻿
运行Step 1和Step 2都会非常快，因为没有触发Flink Job，Step 3会触发Flink Job，开始真正的机器学习训练，右上角你会看到Flink的Job Link。
﻿
Step 3. 构建Pipeline﻿
﻿
Step 4. 查看Model Metrics﻿
﻿
训练模型结束之后只是整个机器学习任务的一小步，之后你往往需要反复修改代码来改进模型，查看模型的Metrics就是其中很重要的一步，从模型的Metrics之中你往往可以看出一些端倪，给改进模型寻找方向。
Step 5. 错误数据诊断﻿
﻿
如果有碰到任何问题，请加入下面这个钉钉群讨论。
﻿
﻿
Apache Zeppelin 公众号
﻿