Flink on Zeppelin (4) - 机器学习篇

2022-05-20 15:42:57

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：

支持丰富的执行模式：Local/Remote/Yarn
支持对接 Hive
支持 UDF （Scala，Python）
支持 SQL （Batch SQL， Streaming SQL)
支持可视化

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 直播系列：

Flink on Zeppelin: 极致体验(1) 入门 + Batch
https://ververica.cn/developers/flink-training-course3/
Flink on Zeppelin: 精致体验(2) Streaming + 高级应用
https://ververica.cn/developers/flink-training-course3/

准备工作

首先你需要安装 Zeppelin + Flink + Alink：

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：

验证 Alink

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。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）

Logsitic 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，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。

bank 数据：
https://archive.ics.uci.edu/ml/datasets/bank+marketing

Step 1. 定义训练数据+测试数据

Step 2. 定义训练特征和目标

Step 3. 构建 Pipeline

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 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

除了查看 Model Metrics，你还可以看看那些没有被正确分类的数据，从这些数据中寻找线索。

这个就是如何在 Zeppelin 中使用 Alink 来做机器学习，正如之前所述，模型训练只是机器学习的一小步，机器学习之前你往往需要做数据清理，数据探索等等，这时候你就可以利用 Zeppelin 中集成的 Flink 能力来做这些事情，总之你可以在 Zeppelin 这个平台完成整个端到端的数据处理，数据分析，机器学习整条链路。

如果有碰到任何问题，请加入下面这个钉钉群讨论。

码农公寓