SVD分为RowMatrix SVD API和IndexedRowMatrix SVD API两大类模型接口。

模型接口类别	函数接口
MLlib RowMatrix API	def computeSVD( k: Int, computeU: Boolean = false, rCond: Double = 1e-9): SingularValueDecomposition[RowMatrix,Matrix]
MLlib IndexedRowMatrix API	def computeSVD( k: Int, computeU: Boolean = false, rCond: Double = 1e-9):SingularValueDecomposition[IndexedRowMatrix, Matrix]

模型接口类别

函数接口

MLlib RowMatrix API

def computeSVD(

k: Int,

computeU: Boolean = false, rCond: Double = 1e-9):

SingularValueDecomposition[RowMatrix,Matrix]

MLlib

IndexedRowMatrix

API

def computeSVD(

k: Int,

computeU: Boolean = false, rCond: Double =

1e-9):SingularValueDecomposition[IndexedRowMatrix, Matrix]

MLlib RowMatrix API

功能描述
 输入RDD[Vector]形式的矩阵，输出它的奇异值分解结果。

输入输出

包名：package org.apache.spark.mllib.linalg.distributed
类名：RowMatrix
方法名：computeSVD

输入：RowMatrix，输入矩阵。

Param name	Type(s)	Description
rows	RDD[Vector]	矩阵，以行为单位进行存储
nRows	Long	行数
nCols	Int	列数

算法参数

Param name	Type(s)	Default	Description
k	Int	-	要求的奇异值个数，取值范围[1,n]
computeU	Boolean	false	是否计算左奇异矩阵
rCond	Double	1e-9	矩阵条件数倒数，超过rCond*s[0]的值被当做0

参数及RowMatrix代码接口示例：

val matrix = new RowMatrix(trainingData, params.numRows, params.numCols) //行矩阵实例

// 调用行矩阵的computeSVD接口
val svd = matrix.computeSVD(params.k, computeU = true)

输出：SVD的分解结果SingularValueDecomposition[RowMatrix, Matrix]， SingularValueDecomposition是一个case class，包含三个变量U、s、V：

Param name	Type(s)	Description
U	RowMatrix	左奇异矩阵，矩阵大小是m×k
s	Vector	奇异值向量，向量长度为k
V	Matrix	右奇异矩阵，矩阵大小是n×k

使用样例

import org.apache.spark.mllib.linalg.Matrix
import org.apache.spark.mllib.linalg.SingularValueDecomposition
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.linalg.distributed.RowMatrix

val data = Array(
Vectors.sparse(5, Seq((1, 1.0), (3, 7.0))),
Vectors.dense(2.0, 0.0, 3.0, 4.0, 5.0),
Vectors.dense(4.0, 0.0, 0.0, 6.0, 7.0))
val rows = sc.parallelize(data)

val mat: RowMatrix = new RowMatrix(rows)

// Compute the top 5 singular values and corresponding singular vectors.
val svd: SingularValueDecomposition[RowMatrix, Matrix] = mat.computeSVD(5, computeU = true)
val U: RowMatrix = svd.U  // The U factor is a RowMatrix.
val s: Vector = svd.s     // The singular values are stored in a local dense vector.
val V: Matrix = svd.V     // The V factor is a local dense matrix.

MLlib IndexedRowMatrix API

功能描述
 输入RDD[Vector]形式的矩阵，输出它的奇异值分解结果。

输入输出

包名：package org.apache.spark.mllib.linalg.distributed
类名：IndexedRowMatrix
方法名：computeSVD

输入：RowMatrix，输入矩阵。

Param name	Type(s)	Description
rows	RDD[IndexedRow]	矩阵，以行为单位进行存储; IndexedRow(index:Long, vector: Vector)
nRows	Long	行数
nCols	Int	列数

Param name

Type(s)

Description

rows

RDD[IndexedRow]

矩阵，以行为单位进行存储;

IndexedRow(index:Long, vector: Vector)

nRows

Long

行数

nCols

Int

列数

算法参数

Param name	Type(s)	Default	Description
k	Int	-	要求的奇异值个数，取值范围[1,n]
computeU	Boolean	false	是否计算左奇异矩阵
rCond	Double	1e-9	矩阵条件数倒数，超过rCond*s[0]的值被当做0

参数及IndexedRowMatrix代码接口示例：

val indexedMatrix = new IndexedRowMatrix(trainingData, params.numRows, params.numCols) //索引行矩阵实例

// 调用索引行矩阵的computeSVD接口
val svd = indexedMatrix.computeSVD(params.k, computeU = true)

输出：SVD的分解结果SingularValueDecomposition[IndexedRowMatrix, Matrix]：

Param name	Type(s)	Description
U	IndexedRowMatrix	左奇异矩阵，矩阵大小是m×k
s	Vector	奇异值向量，向量长度为k
V	Matrix	右奇异矩阵，矩阵大小是n×k

使用样例
```
val svdRes = distMatrix.computeSVD(k)
```