在Spark生态圈当中，MLlib组件，作为机器学习库而存在，在大数据分析、数据挖掘等数据处理操作上，提供重要的支持。学习Spark，对于MLlib组件的学习，也可以有相应程度的掌握。今天的大数据开发学习分享，我们就来讲讲Spark MLlib组件学习入门。
其实，Spark MLlib在数据挖掘上，与sklearn工具也是非常行相似的，也是Estimator，Transformer，Pipeline为主，如果有sklearn的基础，那么学习MLlib是会非常轻松的。并且，MLlib本身比sklearn还要简单一些，因为MLlib库中支持的功能相对更少一些，并且MLlib基于DataFrame数据比sklearn基于numpy array会更加直观一些。
一、MLlib基本介绍
MLlib包括以下主要功能——
实用工具：线性代数，统计，数据处理等工具
特征工程：特征提取，特征转换，特征选择
常用算法：分类，回归，聚类，协同过滤，降维
模型优化：模型评估，参数优化
MLlib库包括两个不同的部分——
spark.mllib包含基于rdd的机器学习算法API，目前不再更新，在3.0版本后将会丢弃，不建议使用。
spark.ml包含基于DataFrame的机器学习算法API，可以用来构建机器学习工作流Pipeline，推荐使用。
二、MLlib基本概念
DataFrame:MLlib中数据的存储形式，其列可以存储特征向量，标签，以及原始的文本，图像。
Transformer：转换器。具有transform方法。通过附加一个或多个列将一个DataFrame转换成另外一个DataFrame。
Estimator：估计器。具有fit方法。它接受一个DataFrame数据作为输入后经过训练，产生一个转换器Transformer。
Pipeline：流水线。具有setStages方法。顺序将多个Transformer和1个Estimator串联起来，得到一个流水线模型。
三、导入数据
可以使用spark.read导入csv，image，libsvm，txt等格式数据。
四、特征工程
spark的特征处理功能主要在spark.ml.feature模块中，包括以下一些功能。
特征提取：Tf-idf，Word2Vec，CountVectorizer，FeatureHasher
特征转换：OneHotEncoderEstimator，Normalizer，Imputer(缺失值填充)，StandardScaler，MinMaxScaler，Tokenizer(构建词典)，StopWordsRemover，SQLTransformer，Bucketizer，Interaction(交叉项)，Binarizer(二值化)，n-gram，……
特征选择：VectorSlicer(向量切片)，RFormula，ChiSqSelector(卡方检验)
LSH转换：局部敏感哈希广泛用于海量数据中求最邻近，聚类等算法。
五、分类模型
Mllib支持常见的机器学习分类模型：逻辑回归，SoftMax回归，决策树，随机森林，梯度提升树，线性支持向量机，朴素贝叶斯，One-Vs-Rest，以及多层感知机模型。
六、回归模型
Mllib支持常见的回归模型，如线性回归，广义线性回归，决策树回归，随机森林回归，梯度提升树回归，生存回归，保序回归。
七、聚类模型
Mllib支持的聚类模型较少，主要有K均值聚类，高斯混合模型GMM，以及二分的K均值，隐含狄利克雷分布LDA模型等。
八、降维模型
Mllib中支持的降维模型只有主成分分析PCA算法。这个模型在spark.ml.feature中，通常作为特征预处理的一种技巧使用。
九、模型优化
模型优化一般也称作模型选择(Model selection)或者超参调优(hyperparameter tuning)。
Mllib支持网格搜索方法进行超参调优，相关函数在spark.ml.tunning模块中。
关于大数据开发学习，Spark MLlib组件学习入门，以上就为大家做了大致的介绍了。Spark MLlib作为Spark生态圈的重要组件，提供机器学习和算法方面的支持，总的来说实用度还是比较高的。
