[原]MapReduce实现线性回归
fansy1990发表于 2016-10-29 11:34:02
1. 软件版本：
Hadoop2.6.0（IDEA中源码编译使用CDH5.7.3，对应Hadoop2.6.0），集群使用原生Hadoop2.6.4，JDK1.8，Intellij IDEA 14 。源码可以在https://github.com/fansy1990/linear_regression 下载。
2. 实现思路：
本博客实现的是一元一次线性方程，等于是最简单的线性方程了，采用的是Couresa里面的机器学习中的大数据线性方程的方法来更新参数值的（即随机梯度下降方法，当然也可以使用批量梯度下降方法来实现，只是在LinearRegressionJob中实现的不一样而已），如果对随机梯度下降或者批量梯度下降不了解的话，需要先去看看。下面是实现思路：
2.1 Shuffle Data（打乱数据）：
如果要采用随机梯度下降的话，那么需要保持原始数据随机，所以这里的第一步就是随机打乱原始数据。采用的思路是：在Mapper端输出随机值作为key，输出当前记录作为value，在Reducer端直接遍历每个key的所有values，直接输出value以及NullWritable.get即可。
在这里添加一个额外的参数randN，这个参数表示在Mapper端随机值时，多少个原始数据使用同一个随机值，如果randN为1，那么每个原始数据都会使用一个随机值作为key，如果randN为2，那么每两个原始数据使用一个随机值，如果randN为0或小于0，那么所有数据都使用同一个随机值（注意，这个时候其实在Reducer端的values其实也是乱序的，请读者思考为什么？）。
其Mapper中map核心实现如下所示
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
if(randN <= 0) { // 如果randN 比0小，那么不再次打乱数据
context.write(randFloatKey,value);
return ;
}
if(++countI >= randN){// 如果randN等于1，那么每次随机的值都是不一样的
randFloatKey.set(random.nextFloat());
countI =0;
}
context.write(randFloatKey,value);
}2.2 Linear Regression（线性回归）：
线性回归采用随机梯度下降的方法来更新theta0和theta1 （只实现了一元一次，所以只有两个参数），每个Mapper都会使用同样的初始化参数（theta0=1和theta1=0），在每个Mapper中使用自己的数据来更新theta0和theta1，更新的公式为：
theta0 = theta0 -alpha*(h(x)-y)x theta1 = theta1 -alpha*(h(x)-y)x其中，h(x)= theta0 + theta1 * x ；同时，需要注意这里的更新是同步更新，其核心代码如下所示：
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
float[] xy = Utils.str2float(value.toString().split(splitter));
float x = xy[0];
float y = xy[1];
// 同步更新 theta0 and theta1
lastTheta0 = theta0;
theta0 -= alpha *(theta0+theta1* x - y) * x; // 保持theta0 和theta1 不变
theta1 -= alpha *(lastTheta0 + theta1 * x -y) * x;// 保持theta0 和theta1 不变
}然后在每个Mapper的cleanup函数中直接输出theta的参数值即可
protected void cleanup(Context context) throws IOException, InterruptedException {
theta0_1.set(theta0 + splitter + theta1);
context.write(theta0_1,NullWritable.get());
}由于在每个mapper中已经更新了theta的各个参数值，所以不需要使用reducer即可；同时，由于测试数据比较小，所以设置mapreduce.input.fileinputformat.split.maxsize的大小，读者需要根据自己实际数据的大小来设置，其Driver类核心代码如下所示：
conf.setLong("mapreduce.input.fileinputformat.split.maxsize",700L);// 获取多个mapper；
job.setNumReduceTasks(0);2.3 Combine Theta （合并参数值）：
在2.2步中已经算得了各个theta值，那么应该如何来合并这些求得得各个theta值呢？可以直接用平均值么？对于一元一次线性回归是可以直接使用平均值来作为最终合并后的theta值的，但是针对其他的线性回归（特指有多个局部最小值的线性回归，这样求得的多个theta值合并就会有问题了）。
如果只是使用平均值的话，那么在2.2步其实加一个Reducer就可以完成了，这里提出了一种另外的方式来合并theta值，即采用各个theta值的全局误差作为参数来进行加权。所以，在Mapper的setup中会读取2.2中的多个输出theta值，在map函数中针对各个原始数据求其误差，输出到reducer的数据为theta值和其误差；其核心代码如下所示：
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
float[] xy = Utils.str2float(value.toString().split(splitter));
for(int i =0;i<thetas.size() ;i++){
// error = (theta0 + theta1 * x - y) ^2
thetaErrors[i] += (thetas.get(i)[0]+ thetas.get(i)[1] * xy[0] -xy[1]) *
(thetas.get(i)[0]+ thetas.get(i)[1] * xy[0] -xy[1]) ;
thetaNumbers[i]+= 1;
}
}protected void cleanup(Context context) throws IOException, InterruptedException {
for(int i =0;i<thetas.size() ;i++){
theta.set(thetas.get(i));
floatAndLong.set(thetaErrors[i],thetaNumbers[i]);
context.write(theta,floatAndLong);
}
}在Reducer端，直接针对每个键（也就是theta值）把各个误差加起来，在cleanup函数中采用加权来合并theta值，其核心代码如下所示：
protected void reduce(FloatAndFloat key, Iterable<FloatAndLong> values, Context context) throws IOException, InterruptedException {
float sumF = 0.0f;
long sumL = 0L ;
for(FloatAndLong value:values){
sumF +=value.getSumFloat();
sumL += value.getSumLong();
}
theta_error.add(new float[]{key.getTheta0(),key.getTheta1(), (float)Math.sqrt((double)sumF / sumL)});
logger.info("theta:{}, error:{}", new Object[]{key.toString(),Math.sqrt(sumF/sumL)});
}protected void cleanup(Context context) throws IOException, InterruptedException {
// 如何加权？
// 方式1：如果误差越小，那么说明权重应该越大；
// 方式2：直接平均值
float [] theta_all = new float[2];
if("average".equals(method)){
// theta_all = theta_error.get(0);
for(int i=0;i< theta_error.size();i++){
theta_all[0] += theta_error.get(i)[0];
theta_all[1] += theta_error.get(i)[1];
}
theta_all[0] /= theta_error.size();
theta_all[1] /= theta_error.size();
} else {
float sumErrors = 0.0f;
for(float[] d:theta_error){
sumErrors += 1/d[2];
}
for(float[] d: theta_error){
theta_all[0] += d[0] * 1/d[2] /sumErrors;
theta_all[1] += d[1] * 1/d[2] /sumErrors;
}
}
context.write(new FloatAndFloat(theta_all),NullWritable.get());
}2.4 验证
这里的验证指的是使用2.3步求的得合并后的theta值求全局误差，由于在2.3步也求得了各个theta值的全局误差，所以这里可以对比看下哪个theta值最优；其Mapper可以直接使用2.3步骤的mapper，而reducer也类似2.3步骤中的reducer，只是最终输出就不需要cleanup中的合并了。
3. 运行结果：
3.1 shuffle Job
测试类：
public static void main(String[] args) throws Exception {
args = new String[]{
"hdfs://master:8020/user/fanzhe/linear_regression.txt",
"hdfs://master:8020/user/fanzhe/shuffle_out",
"1"
} ;
ToolRunner.run(Utils.getConf(),new ShuffleDataJob(),args);
}原始数据：（可以在源码中的resource目录中下载 linear_regression.txt）
6.1101,17.592 5.5277,9.1302 8.5186,13.662 。。。Shuffle输出：
每次输出应该都是不一样的（使用了随机数），可以看到数据确实被随机化了。
3.2 Linear Regression
测试类：
public static void main(String[] args) throws Exception {
// <input> <output> <theta0;theta1;alpha> <splitter> // 注意第三个参数使用分号分割
args = new String[]{
"hdfs://master:8020/user/fanzhe/shuffle_out",
"hdfs://master:8020/user/fanzhe/linear_regression",
"1;0;0.01",
","
} ;
ToolRunner.run(Utils.getConf(),new LinearRegressionJob(),args);
}查看输出结果：
从输出结果可以看出，两个结果相差还是很大的，这个主要是因为测试数据比较少的原因，如果数据比较大，并且被很好的shuffle的话，那么这两个值应该是相差不大的；
3.3 Combine Theta
测试类：
public static void main(String[] args) throws Exception {
// <input> <output> <theta_path> <splitter> <average|weight>
args = new String[]{
"hdfs://master:8020/user/fanzhe/shuffle_out",
"hdfs://master:8020/user/fanzhe/single_linear_regression_error",
"hdfs://master:8020/user/fanzhe/linear_regression",
",",
"weight"
} ;
ToolRunner.run(Utils.getConf(),new SingleLinearRegressionError(),args);
}这里设置的合并theta值的方式使用加权，读者可以设置为average，从而使用平均值；结果：
根据日志可以看出theta参数值选取下面的一个，其误差会比较小，合并后的参数值为：
看到其结果是在两个theta参数值之间。
如果是平均值，那么其输出结果为：
3.4 验证
验证测试类：
public static void main(String[] args) throws Exception {
// <input> <output> <theta_path> <splitter>
args = new String[]{
"hdfs://master:8020/user/fanzhe/shuffle_out",
"hdfs://master:8020/user/fanzhe/last_linear_regression_error",
"hdfs://master:8020/user/fanzhe/single_linear_regression_error",
",",
} ;
ToolRunner.run(Utils.getConf(),new LastLinearRegressionError(),args);
}输出结果为：
从结果中可以看出，合并后的结果并没有原来其中的一个Theta参数组值的效果好，不过这个也可能和数据量有关，根据输出结果，也可以把合并后的theta值以及合并前的对比，然后使用最优的theta来作为最后的输出。
如果是平均值，那么其输出结果为：
从上面的结果可以看到加权的组合比平均值的组合效果好点；
4. 总结
1. 改算法只针对有一个局部最优解（也就是全局最优解）的情况，否则，在合并阶段会有问题；
2. 通过小量数据验证，使用合并后的效果并没有使用合并前的最优解的效果好，这个可能是数据问题，待验证；
3. 通过很直观的想象，一般情况下使用加权组合要比平均组好效果好；
分享，成长，快乐
转载请注明blog地址：http://blog.csdn.net/fansy1990