本系列共6篇文章，會通過一些代碼示例，講解如何在Ignite中使用機器學習庫，本文是本系列的第一篇。

從Ignite的2.4版本開始，機器學習就可以用于生產環境了。在這個版本中，進行了大量的開發和改進，其中包括對分區化數據集和遺傳算法的支持，Ignite提供的很多機器學習示例也可以獨立運行，這樣就使入門變得很簡單。并且在本系列的后面，還會使用Ignite支持的一些算法，對一些免費的數據集進行分析，進一步方便開發者學習。

介紹

本文中，先大概看一下機器學習網格，如圖１所示： Ignite提供的機器學習能力，從設計上來說要求實用化，并且要求能夠直接在Ignite中建立預測模型，這就使得用戶在不需要進行昂貴的ETL或者數據轉換的前提下，獲得擴展性和性能的提升，下面稍微討論下細節。

首先，在這之前，機器學習模型需要在不同的系統間進行訓練和部署，比如，數據需要移出Ignite，然后使用其他的工具進行訓練，最后再將模型重新部署進生產系統，這個方式有如下幾個缺點：

• 昂貴的ETL處理過程，尤其對于大規模數據集，數據集的大小，可能是GB級甚至是TB級；
• 如果要進行ETL，實際上使用的是數據的一個快照，在ETL之后，線上的生產系統數據，可能已經改變，從而使訓練系統使用的是過時的訓練數據；

其次，現在許多系統可能需要處理大量數據，這些數據通常超過單個服務器的容量。雖然分布式計算提供了一種解決方案，但是有些平臺不是為存儲和操作數據而設計的，可能只適合于訓練目的。因此，開發人員可能需要考慮在生產環境中部署更復雜的解決方案。

Ignite的機器學習能力有助于解決所有的這些問題，甚至更多：

• Ignite可以直接處理線上的生產數據，避免在不同系統間進行昂貴的ETL；
• 在數據的存儲和維護上，Ignite可以提供分布式的計算能力；
• Ignite實現的機器學習算法，針對分布式計算進行了優化，因此可以利用Ignite并置處理的優勢；
• Ignite可以作為流式數據的接收器，因此可以實時地進行機器學習；
• 機器學習通常是迭代式的處理，并且算法在執行過程中上下文可能發生變化，因此為了避免延遲以及丟失，Ignite支持容錯的分區化的數據集。

分區化的數據集

Ignite目前支持分區化的數據集，這是一個介于機器學習算法和底層的存儲和計算之間的抽象層，它為計算和緩存的備份使用了類似MapReduce的操作以支持容錯。

在Ignite中，一個哈希算法會被應用于鍵值對（K-V）中的鍵部分，來確定值部分在集群中的存儲位置。值部分實際是存儲于分區中的，分區是原子化的。在圖2中，可以看到兩個節點的集群，有兩個分區（P1和P2）： 機器學習算法通常是迭代式的，并且需要上下文和數據，在圖2中，如每個分區中對應的C和D所示。

如果一個節點故障，Ignite會恢復分區和上下文，如圖3所示。比如，P1在節點2有一個備份（灰色所示），如果節點1故障，就可以從節點2恢復P1，數據可能從集群或者本地ETL（標記為D*）中恢復。

算法和適用領域

下面會看下Ignite支持的機器學習算法，下表會做個總結：

	分類	回歸	聚類	預處理
描述	根據一組訓練數據確定新的標的屬于哪一類	對因變量y和一個或多個自變量x之間的關系進行建模	對對象集進行分組，使得同一組內的對象和其他組中的每個對象相比具有更高的相似度	特征提取和規范化
適用領域	垃圾郵件檢測、圖像識別、信用評分、疾病識別	藥物反應，股票價格，超市收入	客戶細分、實驗結果分組、購物項目分組	對比如文本這樣的輸入數據進行轉換，以便用于機器學習算法，然后提取需要擬合的特征，對數據進行規范化
算法	支持向量機（SVM）、最近鄰、決策樹分類和神經網絡	線性回歸、決策樹回歸、最近鄰和神經網絡	K均值	基于分區的數據集自定義預處理

機器學習庫還帶來了一組遺傳算法，其在這里有詳細描述。

總結

Ignite的最新版本提供了許多重要的特性和能力。分區化的數據集通過保存上下文，在節點故障時可以繼續處理機器學習算法。機器學習算法支持廣泛的使用案例，遺傳算法的加入也為復雜數據的處理提供了新的機會。