考虑一个products
拥有1000万个产品的MySQL 数据库,用于电子商务网站.
我正在尝试设置分类模块来对产品进行分类.我正在使用Apache Sqoop将数据从MySQL导入Hadoop.
我想使用Mahout作为机器学习框架来使用其中一种分类算法,然后我遇到了随MLlib提供的Spark
那么两个框架之间的区别是什么?
主要是,每个的优点,缺点和局限是什么?
David Gruzma.. 44
主要区别将来自底层框架.在Mahout的情况下,它是Hadoop MapReduce,在MLib的情况下,它是Spark.更具体一点 - 从每个作业开销的差异
如果您的ML算法映射到单个MR作业 - 主要差异将只是启动开销,这对于Hadoop MR来说是几十秒,而对于Spark来说就是1秒.因此,在模型培训的情况下,它并不重要.
如果您的算法映射到许多作业,情况会有所不同.在这种情况下,我们将在每次迭代的开销上具有相同的差异,并且它可以是游戏改变者.
让我们假设我们需要100次迭代,每次需要5秒的集群CPU.
在Spark:它需要100*5 + 100*1秒= 600秒.
在Hadoop:MR(Mahout)它需要100*5 + 100*30 = 3500秒.
同时Hadoop MR是比Spark更成熟的框架,如果你有很多数据,稳定性是最重要的 - 我会认为Mahout是一个严肃的选择.