Avaliações e Detalhes do Produto MLlib

É útil na implementação de algoritmos de aprendizado de máquina, como classificação, regressão e agrupamento. Funciona bem ao usar técnicas de modelagem estatística. Análise coletada por e hospedada no G2.com.

Tem uma memória cara com a necessidade de otimização manual que pode degradar a experiência do usuário. Dá latência, mas pode ser usado entre as comunidades de R e Python. Análise coletada por e hospedada no G2.com.

implementação de algoritmos de ML como regressão, classificação e técnicas de modelagem pode ser feita usando a ferramenta Análise coletada por e hospedada no G2.com.

MLlib não está pronto para produção, além disso, o Spark não se destaca como um motor útil devido à sua latência. Análise coletada por e hospedada no G2.com.

A interface e a estação de trabalho são de primeira qualidade. Fácil de navegar e experimentar. Análise coletada por e hospedada no G2.com.

Nada mesmo. Todos são perfeitos e eficientes o suficiente. Análise coletada por e hospedada no G2.com.

A computação distribuída ajuda na velocidade e eficiência. Análise coletada por e hospedada no G2.com.

Nada é ruim, tudo sobre Spark é ótimo Análise coletada por e hospedada no G2.com.

O poder de escalabilidade do framework que lida com grandes volumes de dados de forma eficiente e executa algoritmos de aprendizado de máquina a uma taxa mais rápida. Análise coletada por e hospedada no G2.com.

A sintaxe e as mudanças de código para Python R dependem das ferramentas que estamos usando. Não é padrão, o que é difícil para novos usuários se adaptarem. Os pacotes são muito diferentes de ferramenta para ferramenta. Análise coletada por e hospedada no G2.com.

MLLib foi usado como parte do curso na minha faculdade para Big Data. Então, estudamos por que o mllib surgiu e quais eram as inadequações no Framework Map-Reduce do Hadoop e como o Apache Spark as resolveu. A melhor parte é a facilidade de uso do Mllib e também o excelente suporte de documentação tanto do site oficial quanto de fontes externas, como vídeos no YouTube. A grande comunidade facilita o aprendizado e o uso do mllib. Usei o mllib para árvores de decisão e, sendo estudante, consegui implementá-lo com facilidade. Além disso, a implementação em Python é muito fácil de implementar. Análise coletada por e hospedada no G2.com.

Recebemos um sistema pré-instalado para nossos laboratórios e um cluster, mas quando tentei fazer o mesmo para minha máquina, achei bastante complicado de instalar. Além disso, o suporte para aprendizado profundo não está presente, que é um campo de aprendizado de máquina em rápido crescimento. Análise coletada por e hospedada no G2.com.

Até agora, o MLib é a melhor biblioteca de aprendizado de máquina amplamente utilizada e suportada pela comunidade para o Apache Spark. Análise coletada por e hospedada no G2.com.

O MLib é inconsistente com modelos de aprendizado profundo, o que causa problemas ao mover modelos para produção. Análise coletada por e hospedada no G2.com.

Velocidade e facilidade de uso. Forte suporte da comunidade e muitos recursos. Análise coletada por e hospedada no G2.com.

A prototipagem pode consumir muito tempo. Além disso, tem utilidade limitada no caso de conjuntos de dados extremamente grandes. Análise coletada por e hospedada no G2.com.

Adoro como ele inclui a maioria das bibliotecas populares de ML para uso fácil com o Apache Spark e computação paralelizada. O poder é limitado apenas pelo número de núcleos que você possui. Análise coletada por e hospedada no G2.com.

Sinto que algumas outras estruturas de ML têm modelos melhores ou recursos/funcionalidades adicionais usados no desenvolvimento de modelos. O MLlib também é uma parte de código aberto do Spark, então o desenvolvimento da estrutura depende em grande parte do que as pessoas de código aberto contribuem para ela. Análise coletada por e hospedada no G2.com.

É distribuído e permite a execução distribuída do treinamento de modelos, bem como a avaliação de modelos. Ajuda a aproveitar os benefícios do Spark sem usar Scala. Ele oferece Spark ML com Python!

Alto desempenho, pois é um pacote de modelagem de dados baseado em RDD.

Documentação bastante boa. Análise coletada por e hospedada no G2.com.

É rígido com alguns dos algoritmos, especialmente com os mais avançados, como a rede neural. Por exemplo, você é incapaz de mudar as funções de ativação de uma rede neural. Você pode usar Sigmoid para todas as camadas, ou tanh, o que realmente não faz sentido!

As métricas de avaliação não são tão ricas quanto pacotes como o Scikit-Learn.

Nem todas as suas funcionalidades são implementadas em Python. Muitas ainda são baseadas em Scala. Análise coletada por e hospedada no G2.com.