如何用大数据开发套件周期调度机器学习算法力量

机器学习能发现数据下隐藏的各种客观规律，对提高产品的智能化程度，提升用户满意度等方面有很大的帮助，这里不再赘言。那么怎么实现一个机器学习系统，并和大数据的开发套件上的调度结合起来实现自动化呢，本文就一些测试数据做一个例子。

场景假设

我这里用着名的鸢尾花数据集作为测试数据。那就假设我是一个植物研究院，希望根据已经有的一些花的数据和分类，判断新收集上来的样本的花的类型（类似的，企业数据里可以判断用户会不会买，会不会投诉甚至流失）。这里用的算法就先简单一些，用朴素贝叶斯。

使用场景是，假设我们的项目里已经有一些历史的花的数据，每天训练可能还会有一些更新。希望针对这些训练数据，做出一个算法模型，预测新采集到的花的类型。

数据准备

我Iris表存放当天的全量训练集。而预测集，用Iris_daily表做每天增量同步。具体每天配置增量同步的方法，可以参考这个例子。比如1月18日凌晨做的计算，会计算1月17日的全量数据。那就把17日的数据放ds=这个分区里。

模型训练

我们先在机器学习产品里搭建一个算法。看一下效果。画布区的配置可以参考下面截图（这里需要说明的是，在机器学习画布区里测试的时候yyyyMMdd测试的时候业务期是今天，但是实际上企业上我们都是今天跑昨天的数据，业务期也是昨天的，可以在画布区把任务先配置成ds=@@{yyyyMMdd-1d},到后面嵌入到大数据开发套件前再改成ds=@@{yyyyMMdd}，）：

朴素贝叶斯的配置如图：

村民足不出户就把棘手问题解决了。 咱们先跑一次这个模型，可以看到预测的结果如图：

Iris Setosa的数据和其他的2个分类的区分度比较大，所以预测都是准的。但是Iris Virginica和Iris Versicolour之间区别不大，甚至有一些交集，就会有一些临界点的数据容易预测不准。下图来自机器学习产品的散点图模块。

训练的结果咱们也看下（这里就截了混淆矩阵和统计信息）：

至此机器学习实验的配置结束。如果觉得这个例子有点简单，还没能理解机器学习的配置方法，可以在创建实验的时候使用模板来创建，里面已经把数据、实验配置都弄好了，更容易理解算法的用法。

定时调度

毕竟我们不能每天去手工跑一次实验，我们可以用大数据开发套件创建一个任务，把数据的前文提到的数据导入、后续的导出等串起来。

我们需要先创建一个工作流，在工作流里配置任务，如图：

对于机器学习组件，我们双击组件，进去选择之前配置的实验即可。后续的任务的测试，发布流程和大数据开发套件里的其他组件的用法是一样的。

其他

可能大家在机器学习的控制台有看到一个预测的功能，这是一个后续会推出的新功能。我们看到现在我们的预测是离线算好的。如果是实时预测不是更Cool嘛。比如前面提到的购买行为、用户投诉行为的预测，都需要较好的时效性。后续通过预测的功能就可以实现这个功能啦~

看到这里，可能你还有一个疑问，为什么我不用更加常见的企业个性化推荐场景做例子呢？自己使用底层产品自己搭建固然可以，但是更好的方法是使用已经有的产品，省的自己重复造轮子，把资源更多地投入到业务上。所以可以参考推荐引擎，或许更加适合你。