Recensioni e Dettagli del Prodotto MLlib

È utile nell'implementazione di algoritmi di apprendimento automatico come classificazione, regressione e clustering. Funziona bene quando si utilizzano tecniche di modellazione statistica. Recensione raccolta e ospitata su G2.com.

Ha una memoria costosa con la necessità di ottimizzazione manuale che potrebbe degradare l'esperienza dell'utente. Fornisce latenza ma può essere utilizzato tra le comunità R e Python. Recensione raccolta e ospitata su G2.com.

l'implementazione di algoritmi di ML come la regressione, la classificazione e le tecniche di modellazione può essere effettuata utilizzando lo strumento Recensione raccolta e ospitata su G2.com.

MLlib non è pronto per la produzione, inoltre Spark non si presenta come un motore utile a causa della sua latenza. Recensione raccolta e ospitata su G2.com.

L'interfaccia e la postazione di lavoro sono di prim'ordine. Facile da navigare e sperimentare. Recensione raccolta e ospitata su G2.com.

Niente affatto. Tutti sono perfetti e abbastanza efficienti. Recensione raccolta e ospitata su G2.com.

L'informatica distribuita aiuta nella velocità e nell'efficienza Recensione raccolta e ospitata su G2.com.

Niente è male, tutto riguardo a Spark è fantastico Recensione raccolta e ospitata su G2.com.

La potenza di scalabilità del framework che gestisce grandi quantità di dati in modo efficiente ed esegue algoritmi di apprendimento automatico a una velocità maggiore. Recensione raccolta e ospitata su G2.com.

La sintassi e le modifiche del codice per Python R dipendono dagli strumenti che stiamo utilizzando. Non è standard, il che è difficile da adattare per i nuovi utenti. I pacchetti sono molto diversi a seconda degli strumenti. Recensione raccolta e ospitata su G2.com.

MLLib è stato utilizzato come parte del corso nel mio college per Big Data. Quindi abbiamo studiato perché effettivamente mllib è stato creato e quali erano le inadeguatezze nel framework Map-Reduce di Hadoop e come Apache Spark le ha risolte. La parte migliore è la facilità d'uso di Mllib e anche l'eccellente supporto alla documentazione sia dal sito ufficiale che da fonti esterne come i video su YouTube. La grande comunità rende facile apprendere e utilizzare mllib. Ho usato mllib per gli alberi decisionali e, essendo uno studente, sono riuscito a implementarlo con successo con facilità. Inoltre, l'implementazione in Python è molto facile da realizzare. Recensione raccolta e ospitata su G2.com.

Ci è stato fornito un sistema preinstallato per i nostri laboratori e un cluster, ma quando ho provato a fare lo stesso per la mia macchina, ho trovato piuttosto complicato installarlo. Inoltre, il supporto per il deep learning non è presente, il che è un campo dell'apprendimento automatico in rapida crescita. Recensione raccolta e ospitata su G2.com.

Finora MLib è la migliore libreria di machine learning supportata dalla comunità e ampiamente utilizzata per Apache Spark. Recensione raccolta e ospitata su G2.com.

MLib è incoerente con i modelli di deep learning, questo causa problemi durante il passaggio dei modelli alla produzione. Recensione raccolta e ospitata su G2.com.

Velocità e facilità d'uso. Forte supporto della comunità e molte risorse. Recensione raccolta e ospitata su G2.com.

La prototipazione può richiedere molto tempo. Inoltre, ha un'utilità limitata nel caso di set di dati estremamente grandi. Recensione raccolta e ospitata su G2.com.

Amo come include la maggior parte delle librerie ML popolari per un facile utilizzo con Apache Spark e il calcolo parallelizzato. La potenza è limitata solo dal numero di core che hai. Recensione raccolta e ospitata su G2.com.

Sento che alcuni altri framework di ML hanno modelli migliori o funzionalità aggiunte utilizzate nello sviluppo dei modelli. MLlib è anche una parte open source di Spark, quindi lo sviluppo del framework dipende in gran parte da ciò che i contributori Open Source apportano ad esso. Recensione raccolta e ospitata su G2.com.

È distribuito e consente l'esecuzione distribuita dell'addestramento del modello e anche della valutazione del modello. Aiuta a sfruttare i benefici di Spark senza usare Scala. Offre Spark ML con Python!

Alte prestazioni poiché è un pacchetto di modellazione dei dati basato su RDD.

Documentazione abbastanza buona. Recensione raccolta e ospitata su G2.com.

È rigido con alcuni degli algoritmi, specialmente con quelli avanzati come le reti neurali. Ad esempio, non è possibile cambiare le funzioni di attivazione di una rete neurale. Si può usare o Sigmoid per tutti i livelli, o tanh, il che non ha molto senso!

Le metriche di valutazione non sono ricche come i pacchetti come Scikit-Learn.

Non tutte le sue funzionalità sono implementate in Python. Molte sono ancora basate su Scala. Recensione raccolta e ospitata su G2.com.