MLlib Bewertungen & Produktdetails

Es ist nützlich bei der Implementierung von maschinellen Lernalgorithmen wie Klassifikation, Regression und Clustering. Es funktioniert gut bei der Verwendung statistischer Modellierungstechniken. Bewertung gesammelt von und auf G2.com gehostet.

Es hat einen teuren Speicher mit der Notwendigkeit manueller Optimierung, die das Benutzererlebnis beeinträchtigen könnte. Es bietet Latenz, kann aber in R- und Python-Communities verwendet werden. Bewertung gesammelt von und auf G2.com gehostet.

Die Implementierung von ML-Algorithmen wie Regression, Klassifikation und Modellierungstechniken kann mit dem Tool durchgeführt werden. Bewertung gesammelt von und auf G2.com gehostet.

MLlib ist nicht produktionsreif, außerdem erweist sich Spark aufgrund seiner Latenz nicht als nützlicher Motor. Bewertung gesammelt von und auf G2.com gehostet.

Die Benutzeroberfläche und die Arbeitsstation sind erstklassig. Einfach zu navigieren und zu experimentieren. Bewertung gesammelt von und auf G2.com gehostet.

Nichts überhaupt. Alle sind perfekt und effizient genug. Bewertung gesammelt von und auf G2.com gehostet.

Verteiltes Rechnen hilft bei Geschwindigkeit und Effizienz. Bewertung gesammelt von und auf G2.com gehostet.

Nichts ist schlecht, alles an Spark ist großartig. Bewertung gesammelt von und auf G2.com gehostet.

Die Skalierbarkeit des Frameworks, das große Datenmengen effizient verarbeitet und maschinelle Lernalgorithmen schneller ausführt. Bewertung gesammelt von und auf G2.com gehostet.

Die Syntax und Codeänderungen für Python R hängen von den verwendeten Tools ab. Es ist nicht standardisiert, was es neuen Benutzern schwer macht, sich anzupassen. Die Pakete unterscheiden sich stark von Tool zu Tool. Bewertung gesammelt von und auf G2.com gehostet.

MLLib wurde im Rahmen eines Kurses an meinem College für Big Data verwendet. So haben wir gelernt, warum MLLib tatsächlich entstanden ist und welche Unzulänglichkeiten im Map-Reduce-Framework von Hadoop vorhanden waren und wie Apache Spark diese gelöst hat. Der beste Teil ist die Benutzerfreundlichkeit von MLLib und auch die hervorragende Dokumentationsunterstützung sowohl von der offiziellen Website als auch von externen Quellen wie YouTube-Videos. Die große Community macht es einfach, MLLib zu lernen und zu verwenden. Ich habe MLLib für Entscheidungsbäume verwendet und konnte als Student erfolgreich dasselbe mit Leichtigkeit implementieren. Außerdem ist die Python-Implementierung sehr einfach zu implementieren. Bewertung gesammelt von und auf G2.com gehostet.

Wir bekamen ein vorinstalliertes System für unsere Labore und einen Cluster, aber als ich versuchte, dasselbe für meine Maschine zu tun, fand ich es ziemlich knifflig zu installieren. Außerdem fehlt die Unterstützung für Deep Learning, das ein sehr schnell wachsendes Feld des maschinellen Lernens ist. Bewertung gesammelt von und auf G2.com gehostet.

MLib ist bisher die beste von der Community unterstützte und weit verbreitete Machine-Learning-Bibliothek für Apache Spark. Bewertung gesammelt von und auf G2.com gehostet.

MLib ist inkonsistent mit Deep-Learning-Modellen, was Probleme beim Übergang der Modelle in die Produktion verursacht. Bewertung gesammelt von und auf G2.com gehostet.

Geschwindigkeit und Benutzerfreundlichkeit. Starke Gemeinschaftsunterstützung und viele Ressourcen. Bewertung gesammelt von und auf G2.com gehostet.

Prototyping kann zeitaufwändig sein. Außerdem ist der Nutzen bei extrem großen Datensätzen begrenzt. Bewertung gesammelt von und auf G2.com gehostet.

Ich liebe es, wie es die meisten der beliebten ML-Bibliotheken für die einfache Nutzung mit Apache Spark und parallelisiertem Rechnen umfasst. Die Leistung ist nur durch die Anzahl der verfügbaren Kerne begrenzt. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe das Gefühl, dass einige andere ML-Frameworks bessere Modelle oder zusätzliche Funktionen/Funktionalitäten haben, die bei der Entwicklung von Modellen verwendet werden. MLlib ist auch ein Open-Source-Teil von Spark, daher hängt die Entwicklung des Frameworks weitgehend davon ab, was die Open-Source-Community dazu beiträgt. Bewertung gesammelt von und auf G2.com gehostet.

Es ist verteilt und ermöglicht die verteilte Ausführung von Modelltraining sowie Modellbewertung. Es hilft, die Vorteile von Spark ohne die Verwendung von Scala zu nutzen. Es liefert Spark ML mit Python!

Hohe Leistung, da es sich um ein RDD-basiertes Datenmodellierungspaket handelt.

Ziemlich gute Dokumentation. Bewertung gesammelt von und auf G2.com gehostet.

Es ist starr mit einigen der Algorithmen, insbesondere mit fortgeschrittenen wie dem neuronalen Netzwerk. Zum Beispiel können Sie die Aktivierungsfunktionen eines neuronalen Netzwerks nicht ändern. Sie können entweder Sigmoid für alle Schichten verwenden oder tanh, was nicht wirklich sinnvoll ist!

Evaluationsmetriken sind nicht so reichhaltig wie Pakete wie Scikit-Learn.

Nicht alle seine Funktionalitäten sind in Python implementiert. Viele basieren noch auf Scala. Bewertung gesammelt von und auf G2.com gehostet.