為何有些公司在機器學習業(yè)務(wù)方面傾向使用 R + Hadoop方案？

---

因為他們在不懂R和Hadoop的特征應(yīng)用場景的情況下，恰好抓到了一根免費，開源的稻草。

R：

R的應(yīng)用場景不在于無與倫比的統(tǒng)計學習能力，而在于結(jié)構(gòu)化數(shù)據(jù)下無與倫比的單位代碼產(chǎn)出量。神經(jīng)網(wǎng)絡(luò)，決策樹等基于結(jié)構(gòu)化數(shù)據(jù)的算法一行代碼搞定，預測又只是一行代碼。這樣，商業(yè)數(shù)據(jù)庫（如包括Oracle，Netezza，Teradata，SAP HANA等）提供了R接口供統(tǒng)計分析人員進行高效實施。 同樣的，SAS和IBM SPSS也做到了一部分高效實施能力，他們沒有的是R獨有的龐大cran packages群。但相似的一點是，R的package群也把它的用戶慣壞了，慣壞到這些人只是覺得這是一個SAS或者SPSS的免費版，而不是去通過代碼學習如何做機器學習哪怕一點點核心原理。你要做的，就是高效的最新結(jié)構(gòu)化數(shù)據(jù)算法的實施。

最重要的是，從Hadoop上的數(shù)據(jù)加載到這些庫，不僅保證了數(shù)據(jù)本身的正確性和結(jié)構(gòu)化，也已經(jīng)保證了數(shù)據(jù)模型的第二、第三范式化（CAErwin的第一課），想做任何一個分析，你手邊的數(shù)據(jù)庫簡單的join就形成了你需要的分析寬表。想想SQL里sum over的設(shè)計含義：為什么它要制造數(shù)據(jù)的冗余？那一定是為了BI或者分析存在的。

Hadoop：

Hadoop的應(yīng)用場景不在于給統(tǒng)計分析軟件提供強力的支持，而只是提供了一個分布式數(shù)據(jù)的泛用免費框架，基于鍵值對（key value pair）高效的對原始非結(jié)構(gòu)化數(shù)據(jù)進行存儲。

結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)庫結(jié)合的R+Hadoop看起來很美，實則困難重重。我的看法是，任何一家在數(shù)據(jù)分析領(lǐng)域（Text Mining暫時除外，見后）決定以一個穩(wěn)健的態(tài)度涉足的企業(yè)，都無一例外的基于數(shù)據(jù)強一致性的考慮，選擇傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)庫作為后續(xù)結(jié)構(gòu)化分析的依托—— 哪怕他們是收費的。如果習慣代碼開發(fā)，Hadoop+python自己做初步的數(shù)據(jù)處理，而后使用基于java的Mahout是一個很自然的選擇。

R+Hadoop的幻覺：

不管什么和Hadoop結(jié)合，都喜歡以word count這種典型的鍵值對開始。事實上R可以做這件事，但是覺得R做的無與倫比，就有點進入誤區(qū)。還是那句R的美在于結(jié)構(gòu)化數(shù)據(jù)下無與倫比的單位代碼產(chǎn)出量。一旦你發(fā)現(xiàn)你作為專注于數(shù)據(jù)的分析師，同時也是一個并不骨灰的代碼開發(fā)者，開始用R操作列表和數(shù)據(jù)結(jié)構(gòu)，開始用R重寫Mapper和Reducer，你就會產(chǎn)生一個疑問：

為嘛不學Java、Python？這種分析“不傳統(tǒng)”，就算你不想學吧，為嘛不找懂它們的人來干？

Python基于鍵值對存儲，也具有相當高的單位代碼產(chǎn)出量，也有很多科學計算包。從這個意義上你可以做出一個白箱，單機縮水版的mahout，而且適合處理有增量算法的大數(shù)據(jù)學習（看看NumPy,SciPy,）。一樣免費。

數(shù)據(jù)挖掘的幻覺：

數(shù)據(jù)挖掘是什么，很難嗎？

廣義的數(shù)據(jù)挖掘，包括數(shù)據(jù)分析和機器學習，只說最核心的數(shù)學概念的話，估計就幾句話；恰好R的簡潔性也是能用幾句話做完這幾句話的：

0 數(shù)據(jù)清洗，標準化。和1-4，理解真實世界是相輔相成的
1 最先學的數(shù)學技巧是空間分解：LL'，PCA，SVD，回歸以及L2/L0懲罰變種
2 再學最優(yōu)化算法：L1懲罰回歸，SVM（使用的Newton-Raphson/Gauss-Newton/Levenberg-Marquadt（還是1的內(nèi)容?。?；MonteCarlo Markov Chain
3 數(shù)據(jù)結(jié)構(gòu)：決策樹（列表類），詞頻統(tǒng)計（鍵值對或者字典類），F(xiàn)P-growth（一個樹的加強版）。學到這，所謂“貝葉斯”根本就不能叫算法，只能叫一個指導思想。
4 模型集成：Adaboost，神經(jīng)網(wǎng)絡(luò)，bootstrap。對方法，對模型參數(shù)都能集成（大雜燴?。?/p>

任何一個聽起來很裝逼的算法，逃不過被解析成這4類方法組合的命運。

可以看到，大數(shù)據(jù)分析的瓶頸在哪？

第0步，和曾經(jīng)的大Boss討論過，傳統(tǒng)行業(yè)數(shù)據(jù)倉庫實施起碼還能打10年，而"實體-關(guān)系"概念和"鍵-值"概念這兩種抽象起碼還能打30年，數(shù)據(jù)的組織，過濾，元數(shù)據(jù)維護都是數(shù)據(jù)產(chǎn)生價值的必經(jīng)之路，這方面的工作很枯燥但是很基礎(chǔ)，大數(shù)據(jù)和傳統(tǒng)數(shù)據(jù)都需要；

第1步是最基本最重要的分析手段，也最容易在大數(shù)據(jù)語境下導致單機無法分析的億階稀疏大矩陣產(chǎn)生：例1，用戶User對商品SKU的購買記錄，；例2，在特定的經(jīng)緯度，特定的時間，特定的用戶發(fā)生了動作；這兩個例子是典型的“匯總還不如不匯總”的情況，必須要有分布式稀疏矩陣處理技術(shù)；

第2步，序貫MCMC的串行性可以通過并行集成方法模擬，但是收斂性還仍然較低，需要暴力并行堆FLOPS；對應(yīng)的，因為SVM/Lasso都有增量算法、分布式算法方案，核心思想在于“世界的真實，模型的本質(zhì)，都是稀疏的”，鎖少量資源，分布式地更新模型系數(shù)或者是梯度，這些算法在理論上得到突破后，往往依賴分析型數(shù)據(jù)庫或者大數(shù)據(jù)平臺靈活的并發(fā)調(diào)度，靈活的行列混合存儲模式，這一點是單機、小集群、傳統(tǒng)數(shù)據(jù)庫難以企及的；

第3、4步，這里雖然舉了很簡單的例子，但這些是在數(shù)學模型和數(shù)據(jù)模型上是最沒有開發(fā)壓力的，需要關(guān)心的只是資深程序員的功底了。舉例說明，文本挖掘（NLP）統(tǒng)計完詞頻你還是得會空間里做PCA（或者其他形式的大矩陣加工）；如果不然，只引入HMM模型和基礎(chǔ)字典樹的話，學習成本就只有學習貝葉斯理論了，并且仍然可以高效并行的解決NLP問題，有興趣的可以參考Viterbi算法和CRF算法。

大數(shù)據(jù)的幻覺：存儲和計算的沖突

大數(shù)據(jù)處理，多大算大？像我說的，在3,4步出來的數(shù)據(jù)，原始數(shù)據(jù)很大，加工匯總完了很小，或者處理起來是高度獨立的。分布式存儲不影響分析，說是大數(shù)據(jù)，其實和小數(shù)據(jù)處理沒差別。

需要隨時交換資源的聚類，回歸，SVD，PCA，QR，LU等關(guān)系到矩陣分解的計算甚至是高效訪問，這才是大數(shù)據(jù)真正的挑戰(zhàn)。

那些有監(jiān)督的分類樹，把數(shù)據(jù)集切成1000份并且有冗余的給500臺機器每臺3-5份數(shù)據(jù)最后得到集成的分類結(jié)果，我很難稱其為“大數(shù)據(jù)計算技術(shù)”，它的本質(zhì)和挖礦機每秒能做無數(shù)個高度同質(zhì)化的hash計算一樣，不需要資源交換，不需要大量通信，它只是小數(shù)據(jù)的范圍內(nèi)打轉(zhuǎn)。
內(nèi)存內(nèi)的分析和數(shù)據(jù)探索，展現(xiàn)（單節(jié)點）：

百萬級，R的上限；千萬級-億級，SAS的上限；億級，Python的上限。我的使用經(jīng)驗是，400M數(shù)據(jù)，Python加載內(nèi)存500M，R加載占內(nèi)存2G，SAS加載600M，經(jīng)過表級壓縮150M。而后續(xù)的原始處理（尤其是字符串操作這種數(shù)據(jù)清洗），R幾乎不能做。這就需要你輸入到R的數(shù)據(jù)幾乎就能直接開始跑分析了。若不信邪，我推薦你用readLines加上strsplit來操作讀入R的文件，看看他數(shù)據(jù)清洗的效率和read.delim，和SAS proc import 以及 Python的with as語法相差多少。

同時另一方面，只要數(shù)據(jù)量低于剛才提到的限度，R又提供了最好的展現(xiàn)方案，因為“展現(xiàn)方案是專用而非泛用”的。最著名的ggplot2，基于百度echarts產(chǎn)品的recharts（by taiyun on Github），還有Yihui Xie的作品knitr（markdown語法動態(tài)將數(shù)據(jù)挖掘結(jié)果，圖片，視頻生成html），要比Python現(xiàn)有的可視化包（甚至是GUI包）更友好，易于操作，更適合小數(shù)據(jù)集快速展現(xiàn)。如果你恰好是SAS用戶，還是不要說自己懂數(shù)據(jù)展現(xiàn)會比較好。

我的理解是，R的產(chǎn)出類似html+js+CSS一樣，適合輕量分析，輕量展現(xiàn)，更適合個人用戶。

非結(jié)構(gòu)化大數(shù)據(jù)處理：

你的算法已經(jīng)走到了“萬事俱備，只差跑全量” 這樣一個對手中的數(shù)據(jù)很了解的地步了。Wiki 對Revolution Analytics的介紹講：R didn't natively handle datasets larger than main memory。非結(jié)構(gòu)化大數(shù)據(jù)應(yīng)用的場景只能是：

-你很懂數(shù)據(jù)分布的細節(jié)（也許你花了很久在其他項目或者本項目的樣本數(shù)據(jù)上研究過也在大數(shù)據(jù)集上稍微驗證了一下）
-什么算法適合你了然于胸，已知增量算法是存在的，或者你覺得暴力并行沒問題
-你覺得把類似Mahout計算的步驟經(jīng)過代碼包裝交付給R來做沒問題
-你完全不care交互式探索

這是你需要的R應(yīng)用場景么？或者換一種說法，這種應(yīng)用場景R有什么優(yōu)勢？要知道算法效率排名上R<java<C++。算法月內(nèi)要上線，自己看著辦。

說下鄙team（一個不是專業(yè)做數(shù)據(jù)挖掘的數(shù)據(jù)部門）的經(jīng)驗：

講了半天R+Hadoop，不上Mahout，隨便搞搞RSnow，準備買SAS。

因為我會SAS（少量用Macro，沒用過矩陣，因為沒必要）和R（沒有學習成本），Python的并行包pp使用中，考慮mahout。

更新：當大數(shù)據(jù)平臺用戶不滿足于存儲，簡單加工以及成型算法實施，也開始關(guān)注最小查詢、交互式探索效率了，諸如Spark的內(nèi)存解決方案將會更合適。

結(jié)束語：

順便也給數(shù)據(jù)分析師，以及他們的領(lǐng)導們提醒一句：如果A有B沒有的代碼開發(fā)能力，R又完全替B把數(shù)學的事情做完了，形成了依賴，那B存在的意義是什么？國人強調(diào)數(shù)學理論這么一點點優(yōu)勢也都不復存在了。機器學習算法在不同的階段適合使用不同的工具，研究和使用接不上也就算了，千萬別連工具適合的環(huán)境都不懂，作為互聯(lián)網(wǎng)從業(yè)人員，這就太難堪了。

在米國，精英的研究者是自己做開發(fā)的——這話也可以這么說，精英的開發(fā)者們自己做研究。每一個模型都不完美，現(xiàn)有的模型很可能不滿足你的分析需要。所以才要以開放的心態(tài)接納新技術(shù)，發(fā)展深入數(shù)據(jù)挖掘研究，從代碼優(yōu)化改造（山寨）走向技術(shù)原創(chuàng)。 

參考內(nèi)容：

• Revolution Analytics
• Apache Mahout: Scalable machine learning and data mining

作者： 王Frank (知乎)