首页 > 代码库 > 用SQL玩转数据挖掘之MADlib(一)——安装

用SQL玩转数据挖掘之MADlib(一)——安装

一、MADlib简介

        MADlib是Pivotal公司与伯克利大学合作的一个开源机器学习库,提供了精确的数据并行实现、统计和机器学习方法对结构化和非结构化数据进行分析,主要目的是扩展数据库的分析能力,可以非常方便的加载到数据库中, 扩展数据库的分析功能,2015年7月MADlib成为Apache软件基金会的孵化项目,其最新版本为MADlib1.11,可以用在Greenplum、PostgreSQL和HAWQ等数据库系统中。官网地址:http://madlib.incubator.apache.org/。

1. 设计思想

        驱动MADlib架构的主要思想与Hadoop是一致的,主要体现在以下方面:

  • 操作数据库内的本地数据,不在多个运行时环境中进行不必要的数据移动。
  • 充分利用数据库引擎的功能,但将机器学习逻辑从特定数据库的实现细节中分离出来。
  • 利用MPP无共享技术提供的并行性和可扩展性,如Greenplum数据库和HAWQ。
  • 执行的维护活动对Apache社区和正在进行的学术研究开放。

        如果只用一句话总结MADlib的特点,就如标题所述,可以用SQL玩转数据分析、数据挖掘和机器学习。

2. 特性

(1)分类
        如果所需的输出实质上是分类的,可以使用分类方法建立模型,预测新数据会属于哪一类。分类的目标是能够将输入记录标记为正确的类别。
        分类的例子:假设有描述人口统计的数据,以及个人申请贷款和贷款违约历史数据,那么我们就能建立一个模型,描述新的人口统计数据集合贷款违约的可能性。此场景下输出的分类为“违约”和“正常”两类。

(2)回归
        如果所需的输出具有连续性,我们使用回归方法建立模型,预测输出值。
        回归的例子:如果有真实的描述房地产属性的数据,我们就可以建立一个模型,预测基于房屋已知特征的售价。因为输出反应了连续的数值而不是分类,所以该场景是一个回归问题。

(3)聚类
        识别数据分组,一组中的数据项比其它组的数据项更相似。
        聚类的例子:在客户细分分析中,目标是识别客户行为相似特征组,以便针对不同特征的客户设计各种营销活动,以达到市场目的。如果提前了解客户细分情况,这将是一个受控的分类任务。当我们让数据识别自身分组时,这就是一个聚类任务。

(4)主题建模
        主题建模与聚类相似,也是确定彼此相似的数据组。但这里的相似通常特指在文本领域中,具有相同主题的文档。

(5)关联规则挖掘
        又叫做购物篮分析或频繁项集挖掘。相对于随机发生,确定哪些事项更经常一起发生,指出事项之间的潜在关系。
        关联规则挖掘的例子:在一个网店应用中,关联规则挖掘可用于确定哪些商品倾向于被一起售出。然后将这些商品输入到客户推荐引擎中,提供促销机会,如著名的啤酒与尿布的故事。

(6)描述性统计
        描述性统计不提供模型,因此不被认为是一种机器学习方法。但描述性统计有助于向分析人员提供信息以了解基础数据,为数据提供有价值的解释,可能影响数据模型的选择。
        描述性统计的例子:计算数据集中每个变量内的数据分布,可以帮助分析式理解哪些变量应被视为分类变量,哪些变量是连续性变量,以及值的分布情况。

(7)模型验证
        如果不了解一个模型的准确性就开始使用它,会导致糟糕的结果。正因如此,理解模型存在的问题,并用测试数据评估模型的精度显得尤为重要。需要将训练数据和测试数据分离,频繁进行数据分析,验证统计模型的有效性,评估模型不过分拟合训练数据。N-fold交叉验证也经常被使用。

3. 功能

        MADlib的功能特色如图1所示。

技术分享
图1


? Data Types and Transformations(数据类型转换)
? Arrays and Matrices(数组与矩阵)
o Array Operations(数组运算)
o Matrix Operations(矩阵运算)
o Matrix Factorization(低矩阵分解)
o Low-rank Matrix Factorization(低阶矩阵分解)
o Singular Value Decomposition(SVD,奇异值分解)
o Norms and Distance functions(规范和距离函数)
o Sparse Vectors(稀疏向量)
? Dimensionality Reduction(降维)
o Principal Component Analysis(PCA主成分分析)
o Principal Component Projection(PCP主成分投影)
? Encoding Categorical Variables(编码分类变量)
? Stemming(切词)
? Model Evaluation(模型评估)
? Cross Validation(交叉验证)
? Statistics(统计)
? Descriptive Statistics(描述性统计)
o Pearson’s Correlation(皮尔斯相关性)
o Summary(摘要汇总)
? Inferential Statistics(推断性统计)
o Hypothesis Tests(假设检验)
? Probability Functions(概率函数)
? Supervised Learning(监督学习算法)
? Conditional Random Field(条件随机场)
? Regression Models(回归模型)
o Clustered Variance(聚类方差)
o Cox-Proportional Hazards Regression(Cox比率风险回归模型)
o Elastic Net Regularization(Elastic Net 回归)
o Generalized Linear Models
o Linear Regression(线性回归)
o Logistic Regression(逻辑回归)
o Marginal Effects(边际效应)
o Multinomial Regression(多项式回归)
o Ordinal Regression(有序回归)
o Robust Variance(鲁棒方差)
? Support Vector Machines(SVM,支持向量机)
? Tree Methods(树模型)
o Decision Tree(决策树)
o Random Forest(随机森林)
? Time Series Analysis(时间序列分析)
? ARIMA(自回归积分滑动平均模型)
? Unsupervised Learning(无监督学习)
? Association Rules(关联规则)
o Apriori Algorithm(Apriori算法)
? Clustering(聚类)
o k-Means Clustering(k-Means)
? Topic Modelling(主题模型)
o Latent Dirichlet Allocation(LDA)
? Utility Functions(效用函数)
? Developer Database Functions(开发者数据库函数)
? Linear Solvers(线性求解器)
o Dense Linear Systems(稠密线性系统)
o Sparse Linear Systems(稀疏线性系统)
? Path Functions(路径函数)
? PMML Export(PMML输出)
? Text Analysis(文本分析)
o Term Frequency(词频,TF)

二、安装

1. 确定安装平台

        MADlib最新发布版本是1.11,可以安装在PostgreSQL、Greenplum和HAWQ中,在不同的数据库中安装过程也不尽相同。我是安装在HAWQ2.1.1.0中。

2. 下载MADlib二进制安装压缩包

        下载地址为:https://network.pivotal.io/products/pivotal-hdb。2.1.1.0版本的HAWQ提供了四个安装文件,如图2所示。经过测试,只有MADlib 1.10.0版本的文件可以正常安装。

技术分享
图2 

3. 安装MADlib

        以下命令需要使用gpadmin用户,在HAWQ的master主机上执行。
(1)解压缩

[plain] view plain copy
  1. tar -zxvf madlib-ossv1.10.0_pv1.9.7_hawq2.1-rhel5-x86_64.tar.gz  

(2)安装MADlib的gppkg文件

[plain] view plain copy
  1. gppkg -i madlib-ossv1.10.0_pv1.9.7_hawq2.1-rhel5-x86_64.gppkg  

        该命令在HAWQ集群的所有节点(master和segment)上创建MADlib的安装目录和文件,缺省目录为/usr/local/hawq_2_1_1_0/madlib。
(3)在指定数据库中部署MADlib

[plain] view plain copy
  1. $GPHOME/madlib/bin/madpack install -c /dm -s madlib -p hawq  

        该命令在HAWQ的dm数据库中建立madlib schema,-p参数指定平台为HAWQ。命令执行后可以查看在madlib schema中创建的数据库对象。

[plain] view plain copy
  1. dm=# set search_path=madlib;  
  2. SET  
  3. dm=# \dt  
  4.                      List of relations  
  5.  Schema |       Name       | Type  |  Owner  |   Storage     
  6. --------+------------------+-------+---------+-------------  
  7.  madlib | migrationhistory | table | gpadmin | append only  
  8. (1 row)  
  9.   
  10. dm=# \ds  
  11.                         List of relations  
  12.  Schema |          Name           |   Type   |  Owner  | Storage   
  13. --------+-------------------------+----------+---------+---------  
  14.  madlib | migrationhistory_id_seq | sequence | gpadmin | heap  
  15. (1 row)  
  16.   
  17. dm=# select type,count(*)   
  18. dm-#   from (select p.proname as name,  
  19. dm(#                case when p.proisagg then ‘agg‘  
  20. dm(#                     when p.prorettype = ‘pg_catalog.trigger‘::pg_catalog.regtype then ‘trigger‘  
  21. dm(#                     else ‘normal‘  
  22. dm(#                 end as type  
  23. dm(#            from pg_catalog.pg_proc p, pg_catalog.pg_namespace n   
  24. dm(#           where n.oid = p.pronamespace and n.nspname=‘madlib‘) t   
  25. dm-#  group by rollup (type);  
  26.   type  | count   
  27. --------+-------  
  28.  agg    |   135  
  29.  normal |  1324  
  30.         |  1459  
  31. (3 rows)  

        可以看到,MADlib部署应用程序madpack首先创建数据库模式madlib,然后在该模式中创建数据库对象,包括 一个表,一个序列,1324个普通函数,135个聚合函数。所有的机器学习和数据挖掘模型、算法、操作和功能都是通过调用这些函数实际执行的。
(4)验证安装

[plain] view plain copy
  1. $GPHOME/madlib/bin/madpack install-check -c /dm -s madlib -p hawq  

        该命令通过执行29个模型的77个案例,验证所有模型都能正常工作。命令输出如下:

[plain] view plain copy
  1. [gpadmin@hdp3 Madlib]$ $GPHOME/madlib/bin/madpack install-check -c /dm -s madlib -p hawq  
  2. madpack.py : INFO : Detected HAWQ version 2.1.  
  3. TEST CASE RESULT|Module: array_ops|array_ops.sql_in|PASS|Time: 1851 milliseconds  
  4. TEST CASE RESULT|Module: bayes|gaussian_naive_bayes.sql_in|PASS|Time: 24222 milliseconds  
  5. TEST CASE RESULT|Module: bayes|bayes.sql_in|PASS|Time: 70634 milliseconds  
  6. TEST CASE RESULT|Module: crf|crf_train_small.sql_in|PASS|Time: 27186 milliseconds  
  7. TEST CASE RESULT|Module: crf|crf_train_large.sql_in|PASS|Time: 32602 milliseconds  
  8. TEST CASE RESULT|Module: crf|crf_test_small.sql_in|PASS|Time: 22410 milliseconds  
  9. TEST CASE RESULT|Module: crf|crf_test_large.sql_in|PASS|Time: 21711 milliseconds  
  10. TEST CASE RESULT|Module: elastic_net|elastic_net_install_check.sql_in|PASS|Time: 931563 milliseconds  
  11. TEST CASE RESULT|Module: graph|sssp.sql_in|PASS|Time: 18174 milliseconds  
  12. TEST CASE RESULT|Module: linalg|svd.sql_in|PASS|Time: 72105 milliseconds  
  13. TEST CASE RESULT|Module: linalg|matrix_ops.sql_in|PASS|Time: 58312 milliseconds  
  14. TEST CASE RESULT|Module: linalg|linalg.sql_in|PASS|Time: 2836 milliseconds  
  15. TEST CASE RESULT|Module: pmml|table_to_pmml.sql_in|PASS|Time: 34508 milliseconds  
  16. TEST CASE RESULT|Module: pmml|pmml_rf.sql_in|PASS|Time: 35993 milliseconds  
  17. TEST CASE RESULT|Module: pmml|pmml_ordinal.sql_in|PASS|Time: 15540 milliseconds  
  18. TEST CASE RESULT|Module: pmml|pmml_multinom.sql_in|PASS|Time: 12546 milliseconds  
  19. TEST CASE RESULT|Module: pmml|pmml_glm_poisson.sql_in|PASS|Time: 7321 milliseconds  
  20. TEST CASE RESULT|Module: pmml|pmml_glm_normal.sql_in|PASS|Time: 8597 milliseconds  
  21. TEST CASE RESULT|Module: pmml|pmml_glm_ig.sql_in|PASS|Time: 8861 milliseconds  
  22. TEST CASE RESULT|Module: pmml|pmml_glm_gamma.sql_in|PASS|Time: 26212 milliseconds  
  23. TEST CASE RESULT|Module: pmml|pmml_glm_binomial.sql_in|PASS|Time: 12977 milliseconds  
  24. TEST CASE RESULT|Module: pmml|pmml_dt.sql_in|PASS|Time: 9401 milliseconds  
  25. TEST CASE RESULT|Module: prob|prob.sql_in|PASS|Time: 1917 milliseconds  
  26. TEST CASE RESULT|Module: sketch|support.sql_in|PASS|Time: 143 milliseconds  
  27. TEST CASE RESULT|Module: sketch|mfv.sql_in|PASS|Time: 720 milliseconds  
  28. TEST CASE RESULT|Module: sketch|fm.sql_in|PASS|Time: 7301 milliseconds  
  29. TEST CASE RESULT|Module: sketch|cm.sql_in|PASS|Time: 19777 milliseconds  
  30. TEST CASE RESULT|Module: svm|svm.sql_in|PASS|Time: 205677 milliseconds  
  31. TEST CASE RESULT|Module: tsa|arima_train.sql_in|PASS|Time: 75680 milliseconds  
  32. TEST CASE RESULT|Module: tsa|arima.sql_in|PASS|Time: 76236 milliseconds  
  33. TEST CASE RESULT|Module: conjugate_gradient|conj_grad.sql_in|PASS|Time: 6757 milliseconds  
  34. TEST CASE RESULT|Module: knn|knn.sql_in|PASS|Time: 9835 milliseconds  
  35. TEST CASE RESULT|Module: lda|lda.sql_in|PASS|Time: 20510 milliseconds  
  36. TEST CASE RESULT|Module: stats|wsr_test.sql_in|PASS|Time: 2766 milliseconds  
  37. TEST CASE RESULT|Module: stats|t_test.sql_in|PASS|Time: 3686 milliseconds  
  38. TEST CASE RESULT|Module: stats|robust_and_clustered_variance_coxph.sql_in|PASS|Time: 17499 milliseconds  
  39. TEST CASE RESULT|Module: stats|pred_metrics.sql_in|PASS|Time: 14032 milliseconds  
  40. TEST CASE RESULT|Module: stats|mw_test.sql_in|PASS|Time: 1852 milliseconds  
  41. TEST CASE RESULT|Module: stats|ks_test.sql_in|PASS|Time: 2465 milliseconds  
  42. TEST CASE RESULT|Module: stats|f_test.sql_in|PASS|Time: 2358 milliseconds  
  43. TEST CASE RESULT|Module: stats|cox_prop_hazards.sql_in|PASS|Time: 39932 milliseconds  
  44. TEST CASE RESULT|Module: stats|correlation.sql_in|PASS|Time: 10520 milliseconds  
  45. TEST CASE RESULT|Module: stats|chi2_test.sql_in|PASS|Time: 3581 milliseconds  
  46. TEST CASE RESULT|Module: stats|anova_test.sql_in|PASS|Time: 1801 milliseconds  
  47. TEST CASE RESULT|Module: svec_util|svec_test.sql_in|PASS|Time: 14043 milliseconds  
  48. TEST CASE RESULT|Module: svec_util|gp_sfv_sort_order.sql_in|PASS|Time: 3399 milliseconds  
  49. TEST CASE RESULT|Module: utilities|text_utilities.sql_in|PASS|Time: 6579 milliseconds  
  50. TEST CASE RESULT|Module: utilities|sessionize.sql_in|PASS|Time: 3901 milliseconds  
  51. TEST CASE RESULT|Module: utilities|pivot.sql_in|PASS|Time: 15634 milliseconds  
  52. TEST CASE RESULT|Module: utilities|path.sql_in|PASS|Time: 9321 milliseconds  
  53. TEST CASE RESULT|Module: utilities|encode_categorical.sql_in|PASS|Time: 7665 milliseconds  
  54. TEST CASE RESULT|Module: utilities|drop_madlib_temp.sql_in|PASS|Time: 153 milliseconds  
  55. TEST CASE RESULT|Module: assoc_rules|assoc_rules.sql_in|PASS|Time: 31975 milliseconds  
  56. TEST CASE RESULT|Module: convex|lmf.sql_in|PASS|Time: 66775 milliseconds  
  57. TEST CASE RESULT|Module: glm|poisson.sql_in|PASS|Time: 19117 milliseconds  
  58. TEST CASE RESULT|Module: glm|ordinal.sql_in|PASS|Time: 23446 milliseconds  
  59. TEST CASE RESULT|Module: glm|multinom.sql_in|PASS|Time: 18780 milliseconds  
  60. TEST CASE RESULT|Module: glm|inverse_gaussian.sql_in|PASS|Time: 20931 milliseconds  
  61. TEST CASE RESULT|Module: glm|gaussian.sql_in|PASS|Time: 23795 milliseconds  
  62. TEST CASE RESULT|Module: glm|gamma.sql_in|PASS|Time: 43365 milliseconds  
  63. TEST CASE RESULT|Module: glm|binomial.sql_in|PASS|Time: 39437 milliseconds  
  64. TEST CASE RESULT|Module: linear_systems|sparse_linear_sytems.sql_in|PASS|Time: 5405 milliseconds  
  65. TEST CASE RESULT|Module: linear_systems|dense_linear_sytems.sql_in|PASS|Time: 3331 milliseconds  
  66. TEST CASE RESULT|Module: recursive_partitioning|random_forest.sql_in|PASS|Time: 294832 milliseconds  
  67. TEST CASE RESULT|Module: recursive_partitioning|decision_tree.sql_in|PASS|Time: 91311 milliseconds  
  68. TEST CASE RESULT|Module: regress|robust.sql_in|PASS|Time: 55325 milliseconds  
  69. TEST CASE RESULT|Module: regress|multilogistic.sql_in|PASS|Time: 25330 milliseconds  
  70. TEST CASE RESULT|Module: regress|marginal.sql_in|PASS|Time: 73750 milliseconds  
  71. TEST CASE RESULT|Module: regress|logistic.sql_in|PASS|Time: 76501 milliseconds  
  72. TEST CASE RESULT|Module: regress|linear.sql_in|PASS|Time: 7517 milliseconds  
  73. TEST CASE RESULT|Module: regress|clustered.sql_in|PASS|Time: 40661 milliseconds  
  74. TEST CASE RESULT|Module: sample|sample.sql_in|PASS|Time: 890 milliseconds  
  75. TEST CASE RESULT|Module: summary|summary.sql_in|PASS|Time: 14644 milliseconds  
  76. TEST CASE RESULT|Module: kmeans|kmeans.sql_in|PASS|Time: 52173 milliseconds  
  77. TEST CASE RESULT|Module: pca|pca_project.sql_in|PASS|Time: 229016 milliseconds  
  78. TEST CASE RESULT|Module: pca|pca.sql_in|PASS|Time: 523230 milliseconds  
  79. TEST CASE RESULT|Module: validation|cross_validation.sql_in|PASS|Time: 33685 milliseconds  
  80. [gpadmin@hdp3 Madlib]$  

        可以看到,所有案例都已经正常执行,说明MADlib安装成功。

三、卸载

        卸载过程基本上是安装的逆过程。

1. 删除madlib模式

        方法1,使用madpack部署应用程序。

[plain] view plain copy
  1. $GPHOME/madlib/bin/madpack uninstall -c /dm -s madlib -p hawq  

        方法2,使用SQL命令手工删除模式。

[sql] view plain copy
  1. drop schema madlib cascade;  


2. 删除其它遗留数据库对象

(1)删除模式
        如果测试中途出错,数据库中可能包含测试的模式,这些模式名称的前缀都是madlib_installcheck_,只能手工执行SQL命令删除这些模式,如:

[plain] view plain copy
  1. drop schema madlib_installcheck_kmeans cascade;  

(2)删除用户
        如果存在遗留的测试用户,则删除它。

[sql] view plain copy
  1. drop user if exists madlib_1100_installcheck;  


3. 删除MADlib rpm包

(1)查询包名

[plain] view plain copy
  1. gppkg -q --all  

        输出如下:

[plain] view plain copy
  1. [gpadmin@hdp3 Madlib]$ gppkg -q --all  
  2. 20170630:16:19:53:076493 gppkg:hdp3:gpadmin-[INFO]:-Starting gppkg with args: -q --all  
  3. madlib-ossv1.10.0_pv1.9.7_hawq2.1  

(2)删除rpm包

[plain] view plain copy
    1. gppkg -r madlib-ossv1.10.0_pv1.9.7_hawq2.1 

用SQL玩转数据挖掘之MADlib(一)——安装