开发程序

提供1个开发应用程序案例，基于机器学习算法加速库中的GBDT算法。

将工程中“src/main”和“src/test”目录下的“java”文件夹重命名为“scala”，“java”目录上右击，依次选择“Refactor”、“Rename”，然后输入“scala”。

在根目录下pom文件中添加依赖，将以下内容复制替换到pom.xml中。

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchemainstance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <groupId>com.bigdata</groupId>
    <artifactId>kal_examples_2.11</artifactId>
    <version>0.1</version>
    <name>${project.artifactId}</name>
    <inceptionYear>2020</inceptionYear>
    <packaging>jar</packaging>

    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <encoding>UTF-8</encoding>
        <scala.version>2.11.8</scala.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_2.11</artifactId>
            <version>2.3.2</version>
        </dependency>
        <dependency>
            <groupId>it.unimi.dsi</groupId>
            <artifactId>fastutil</artifactId>
            <version>8.3.1</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.0</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                        </goals>
                        <configuration>
                            <args>
                                <arg>-dependencyfile</arg>
                                <arg>${project.build.directory}/.scala_dependencies</arg> 
                            </args>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

在新建工程中的新建工程中，在“src/main/scala/”目录下，新建package“com.bigdata.examples”，右键单击“scala > New > Package ”。

输入“com.bigdata.examples”，单击“OK”。

在“com.bigdata.examples”package中新建GBDTRunner.scala文件，右键单击“com.bigdata.examples”选择“New > File”。

点击放大

输入“GBDTRunner.scala”，单击“OK”。

点击放大

将以下代码复制到GBDTRunner.scala文件中：

package com.bigdata.examples
import org.apache.spark.SparkConf import org.apache.spark.sql.SparkSession import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.classification.{GBTClassificationModel, GBTClassifier} import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator import org.apache.spark.ml.feature.{IndexToString, StringIndexer, VectorIndexer}
object GBDTRunner {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName(s"gbdtEvaML")  //定义任务名称
val spark = SparkSession.builder.config(conf).getOrCreate() //创建任务session
val trainingData = spark.read.format("libsvm").load("hdfs:// /tmp/data/epsilon/epsilon_normalized") //读取训练集
.repartition(228)  //对数据进行分区
val testData = spark.read.format("libsvm").load("hdfs:// /tmp/data/epsilon/epsilon_normalized.t") //读取测试集
.repartition(228)  //对数据进行分区
val labelIndexer = new StringIndexer() //对标签进行索引
.setInputCol("label") //设置输入标签列
.setOutputCol("indexedLabel") //设置输出标签列
.fit(trainingData) //将以上操作应用到训练集
val labelIndexer = new StringIndexer() //对标签进行索引
.setInputCol("label") //设置输入标签列
.setOutputCol("indexedLabel") //设置输出标签列
.fit(testData) //将以上操作应用到测试集
val featureIndexer = new VectorIndexer() .setInputCol("features") //设置输入特征列名称
.setOutputCol("indexedFeatures") //设置输出特征列名称
.setMaxCategories(4) //设置大的索引编码数量，超过就不进行索引
.fit(trainingData) //将以上操作应用到训练集
val featureIndexer = new VectorIndexer() .setInputCol("features") //设置输入特征列名称
.setOutputCol("indexedFeatures") //设置输出特征列名称
.setMaxCategories(4) //设置大的索引编码数量，超过就不进行索引
.fit(testData) //将以上操作应用到测试集
val gbt = new GBTClassifier() //定义GBT分类模型
.setLabelCol("indexedLabel") //设置模型输入标签列
.setFeaturesCol("indexedFeatures") //设置模型输入特征列
.setMaxIter(100) //设置GBT最大迭代次数
.setMaxDepth(5) //设置每棵子树最大树深
.setMaxBins(20) //设置最大分桶数
.setStepSize(0.1) //设置学习率
val labelConverter = new IndexToString() //将索引标签转化成原始标签
.setInputCol("prediction") //设置输入标签列
.setOutputCol("predictedLabel") //设置输出预测标签列
.setLabels(labelIndexer.labels) //设置加载标签
val pipeline = new Pipeline() //定义pipeline任务流
.setStages(Array(labelIndexer, featureIndexer, gbt, labelConverter)) //定义pipeline任务流每个阶段任务
val model = pipeline.fit(trainingData) //调用fit接口，进行训练，执行pipeline
val predictions = model.transform(testData) //对testData进行预测
val evaluator = new MulticlassClassificationEvaluator() //定义评价指标
.setLabelCol("indexedLabel") //设置预期的正确结果（真值）输入列
.setPredictionCol("prediction") //设置模型预测结果（预测值）输入列
.setMetricName("accuracy") //对真值和预测值使用精度比较
val accuracy = evaluator.evaluate(predictions)  //执行评价指标，返回精度
println("Test Error = " + (1.0 - accuracy)) //打印测试分类误差
val gbtModel = model.stages(2).asInstanceOf[GBTClassificationModel]
println("Learned classification GBT model:\n" + gbtModel.toDebugString) //打印模型参数
} }

对于维度高且样本量少的数据集，标签索引和特征索引起到的性能优化作用比较有限，有可能使整体耗时变长。

文件目录结构如图1所示。

图1 目录结构图

单击右侧边框“Maven > > M”，输入“package”，按回车，进行项目打包，在“target\”目录中生成kal_examples_2.11-0.1.jar。

KNN算法为机器学习算法加速库纯自研算法，使用KNN API时，需要将编译代码获得的sophon-ml-kernel-client_2.11-1.2.0.jar安装到Maven的本地仓库，具体主要分为以下4个步骤：

修改上文机器学习2中的pom文件，在“<dependencies>...</dependencies>”中增加sophon-ml-kernel-client_2.11-1.2.0.jar的相关依赖。
```
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>sophon-ml-kernel-client_2.11</artifactId>
<version>1.2.0</version>
</dependency>
```
在根目录下新建lib文件夹，右键单击“kal_examples > New > Directory”。
将编译代码获得的sophon-ml-kernel-client_2.11-1.2.0.jar放入新建的lib文件中。
单击右侧边框“Maven > M”，输入“install:install-file -DgroupId=org.apache.spark DartifactId=sophon-ml-kernel-client_2.11 -Dversion=1.2.0 -Dfile=lib/sophon-ml-kernelclient_2.11-1.2.0.jar -Dpackaging=jar”，按“Enter”完成安装。

父主题： 样例工程