Menggunakan Dataproc, BigQuery, dan Apache Spark ML untuk Machine Learning

---

Konektor BigQuery untuk Apache Spark memungkinkan Data Scientist menggabungkan kecanggihan mesin SQL BigQuery yang skalabel dengan lancar dengan kemampuan Machine Learning Apache Spark. Dalam tutorial ini, kami menunjukkan cara menggunakan Dataproc, BigQuery, dan Apache Spark ML untuk melakukan machine learning pada set data.

Tujuan

Gunakan regresi linear untuk membuat model berat lahir sebagai fungsi dari lima faktor:

• minggu masa gestasi
• usia ibu
• usia ayah
• penambahan berat ibu selama kehamilan
• Skor Apgar

Gunakan alat berikut:

• BigQuery, untuk menyiapkan tabel input regresi linear, yang ditulis ke project Google Cloud Anda
• Python, untuk membuat kueri dan mengelola data di BigQuery
• Apache Spark, untuk mengakses tabel regresi linear yang dihasilkan
• Spark ML, untuk membuat dan mengevaluasi model
• Tugas PySpark Dataproc, untuk memanggil fungsi Spark ML

Biaya

Dalam dokumen ini, Anda menggunakan komponen Google Cloud yang dapat ditagih berikut:

• Compute Engine
• Dataproc
• BigQuery

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga. Pengguna baru Google Cloud mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Sebelum memulai

Cluster Dataproc telah menginstal komponen Spark, termasuk Spark ML. Untuk menyiapkan cluster Dataproc dan menjalankan kode dalam contoh ini, Anda harus melakukan (atau telah melakukan) hal berikut:

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

3. Aktifkan API Dataproc, BigQuery, Compute Engine.

   Mengaktifkan API

4. Install the Google Cloud CLI.

5. To initialize the gcloud CLI, run the following command:

   gcloud init

6. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

7. Aktifkan API Dataproc, BigQuery, Compute Engine.

   Mengaktifkan API

8. Install the Google Cloud CLI.

9. To initialize the gcloud CLI, run the following command:

   gcloud init

10. Buat cluster Dataproc di project Anda. Cluster Anda harus menjalankan versi Dataproc dengan Spark 2.0 atau yang lebih tinggi, (termasuk library machine learning).

Membuat Subkumpulan data natality BigQuery

Di bagian ini, Anda akan membuat set data dalam project, lalu membuat tabel dalam set data tempat Anda menyalin subkumpulan data rasio kelahiran dari set data BigQuery natalitas yang tersedia untuk publik. Selanjutnya dalam tutorial ini, Anda akan menggunakan data subkumpulan dalam tabel ini untuk memprediksi berat lahir sebagai fungsi dari usia ibu, usia ayah, dan minggu masa gestasi.

Anda dapat membuat subset data menggunakan konsol Google Cloud atau menjalankan skrip Python di komputer lokal.

Konsol

1. Buat set data di project Anda.

   1. Buka UI Web BigQuery.
   2. Di panel navigasi sebelah kiri, klik nama project Anda, lalu klik BUAT SET DATA.
   3. Pada dialog Create dataset:
      1. Untuk Dataset ID, masukkan "natality_regression".
      2. Untuk Data location, Anda dapat memilih location untuk set data. Lokasi nilai defaultnya adalah US multi-region. Setelah set data dibuat, lokasinya tidak dapat diubah.
      3. Untuk Default table expiration, pilih salah satu opsi berikut:
         • Never (default): Anda harus menghapus tabel secara manual.
         • Jumlah hari: Tabel akan dihapus setelah jumlah hari yang ditentukan sejak waktu pembuatannya.
      4. Untuk Enkripsi, pilih salah satu opsi berikut:
         • Kunci yang dimiliki dan dikelola Google (default).
         • Kunci yang dikelola pelanggan: Lihat Melindungi data dengan kunci Cloud KMS.
      5. Klik Create dataset.
         Anda tidak dapat menambahkan deskripsi atau label saat membuat set data menggunakan UI Web. Setelah set data dibuat, Anda dapat menambahkan deskripsi, dan menambahkan label.

2. Jalankan kueri terhadap set data kelahiran publik, lalu simpan hasil kueri dalam tabel baru di set data Anda.

   1. Salin dan tempel kueri berikut ke Editor Kueri, lalu klik Run.

      CREATE OR REPLACE TABLE natality_regression.regression_input as
      SELECT
      weight_pounds,
      mother_age,
      father_age,
      gestation_weeks,
      weight_gain_pounds,
      apgar_5min
      FROM
      `bigquery-public-data.samples.natality`
      WHERE
      weight_pounds IS NOT NULL
      AND mother_age IS NOT NULL
      AND father_age IS NOT NULL
      AND gestation_weeks IS NOT NULL
      AND weight_gain_pounds IS NOT NULL
      AND apgar_5min IS NOT NULL
      

   2. Setelah kueri selesai (sekitar satu menit), hasilnya akan disimpan sebagai tabel BigQuery "regression_input" dalam set data natality_regression di project Anda.

      

Python

Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Python di panduan memulai Dataproc menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat dokumentasi referensi API Python Dataproc.

Untuk melakukan autentikasi ke Dataproc, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.

1. Lihat Menyiapkan Lingkungan Pengembangan Python untuk mengetahui petunjuk cara menginstal Python dan Library Klien Google Cloud untuk Python (diperlukan untuk menjalankan kode). Sebaiknya instal dan gunakan virtualenv Python.

2. Salin dan tempel kode natality_tutorial.py, di bawah, ke dalam shell python di komputer lokal Anda. Tekan tombol <return> di shell untuk menjalankan kode guna membuat set data BigQuery "natality_regression" di project Google Cloud default Anda dengan tabel "regression_input" yang diisi dengan subkumpulan data natality publik.

   Menyiapkan untuk menjalankan kode aplikasi secara lokal:

   • Jalankan gcloud config list project untuk melihat nama project default Anda.
   • Jalankan gcloud config set project project-name untuk mengubah project default.
   • Jalankan gcloud auth application-default login untuk menetapkan kredensial aplikasi ke akun pengguna Anda.
   """Create a Google BigQuery linear regression input table.
   
   In the code below, the following actions are taken:
   * A new dataset is created "natality_regression."
   * A query is run against the public dataset,
       bigquery-public-data.samples.natality, selecting only the data of
       interest to the regression, the output of which is stored in a new
       "regression_input" table.
   * The output table is moved over the wire to the user's default project via
       the built-in BigQuery Connector for Spark that bridges BigQuery and
       Cloud Dataproc.
   """
   
   from google.cloud import bigquery
   
   # Create a new Google BigQuery client using Google Cloud Platform project
   # defaults.
   client = bigquery.Client()
   
   # Prepare a reference to a new dataset for storing the query results.
   dataset_id = "natality_regression"
   dataset_id_full = f"{client.project}.{dataset_id}"
   
   dataset = bigquery.Dataset(dataset_id_full)
   
   # Create the new BigQuery dataset.
   dataset = client.create_dataset(dataset)
   
   # Configure the query job.
   job_config = bigquery.QueryJobConfig()
   
   # Set the destination table to where you want to store query results.
   # As of google-cloud-bigquery 1.11.0, a fully qualified table ID can be
   # used in place of a TableReference.
   job_config.destination = f"{dataset_id_full}.regression_input"
   
   # Set up a query in Standard SQL, which is the default for the BigQuery
   # Python client library.
   # The query selects the fields of interest.
   query = """
       SELECT
           weight_pounds, mother_age, father_age, gestation_weeks,
           weight_gain_pounds, apgar_5min
       FROM
           `bigquery-public-data.samples.natality`
       WHERE
           weight_pounds IS NOT NULL
           AND mother_age IS NOT NULL
           AND father_age IS NOT NULL
           AND gestation_weeks IS NOT NULL
           AND weight_gain_pounds IS NOT NULL
           AND apgar_5min IS NOT NULL
   """
   
   # Run the query.
   client.query_and_wait(query, job_config=job_config)  # Waits for the query to finish

3. Konfirmasi pembuatan set data natality_regression dan tabel regression_input.

   

Menjalankan regresi linear

Di bagian ini, Anda akan menjalankan regresi linear PySpark dengan mengirimkan tugas ke layanan Dataproc menggunakan Konsol Google Cloud atau dengan menjalankan perintah gcloud dari terminal lokal.

Konsol

1. Salin dan tempel kode berikut ke dalam file natality_sparkml.py baru di mesin lokal Anda.

   """Run a linear regression using Apache Spark ML.
   
   In the following PySpark (Spark Python API) code, we take the following actions:
   
     * Load a previously created linear regression (BigQuery) input table
       into our Cloud Dataproc Spark cluster as an RDD (Resilient
       Distributed Dataset)
     * Transform the RDD into a Spark Dataframe
     * Vectorize the features on which the model will be trained
     * Compute a linear regression using Spark ML
   
   """
   from pyspark.context import SparkContext
   from pyspark.ml.linalg import Vectors
   from pyspark.ml.regression import LinearRegression
   from pyspark.sql.session import SparkSession
   # The imports, above, allow us to access SparkML features specific to linear
   # regression as well as the Vectors types.
   
   
   # Define a function that collects the features of interest
   # (mother_age, father_age, and gestation_weeks) into a vector.
   # Package the vector in a tuple containing the label (`weight_pounds`) for that
   # row.
   def vector_from_inputs(r):
     return (r["weight_pounds"], Vectors.dense(float(r["mother_age"]),
                                               float(r["father_age"]),
                                               float(r["gestation_weeks"]),
                                               float(r["weight_gain_pounds"]),
                                               float(r["apgar_5min"])))
   
   sc = SparkContext()
   spark = SparkSession(sc)
   
   # Read the data from BigQuery as a Spark Dataframe.
   natality_data = spark.read.format("bigquery").option(
       "table", "natality_regression.regression_input").load()
   # Create a view so that Spark SQL queries can be run against the data.
   natality_data.createOrReplaceTempView("natality")
   
   # As a precaution, run a query in Spark SQL to ensure no NULL values exist.
   sql_query = """
   SELECT *
   from natality
   where weight_pounds is not null
   and mother_age is not null
   and father_age is not null
   and gestation_weeks is not null
   """
   clean_data = spark.sql(sql_query)
   
   # Create an input DataFrame for Spark ML using the above function.
   training_data = clean_data.rdd.map(vector_from_inputs).toDF(["label",
                                                                "features"])
   training_data.cache()
   
   # Construct a new LinearRegression object and fit the training data.
   lr = LinearRegression(maxIter=5, regParam=0.2, solver="normal")
   model = lr.fit(training_data)
   # Print the model summary.
   print("Coefficients:" + str(model.coefficients))
   print("Intercept:" + str(model.intercept))
   print("R^2:" + str(model.summary.r2))
   model.summary.residuals.show()

2. Salin file natality_sparkml.py lokal ke bucket Cloud Storage di project Anda.

   gcloud storage cp natality_sparkml.py gs://bucket-name
   

   Daripada menyalin file ke bucket pengguna dalam project, Anda dapat menyalinnya ke bucket staging yang dibuat Dataproc saat Anda membuat cluster.

3. Jalankan regresi dari halaman Kirim tugas Dataproc.

   1. Di kolom Main python file, masukkan URI gs:// dari bucket Cloud Storage tempat salinan file natality_sparkml.py Anda berada.

   2. Pilih PySpark sebagai Jenis tugas.

   3. Sisipkan gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar di kolom File jar. Hal ini membuat spark-bigquery-connector tersedia untuk aplikasi PySpark saat runtime agar dapat membaca data BigQuery ke dalam DataFrame Spark.

      Jar 2.12 kompatibel dengan cluster Dataproc yang dibuat dengan image 1.5 atau yang lebih baru. Jika cluster Dataproc Anda dibuat dengan image 1.3 atau 1.4, tentukan jar 2.11 (gs://spark-lib/bigquery/spark-bigquery-latest_2.11.jar).

   4. Isi kolom ID Tugas, Wilayah, dan Cluster.

   5. Klik Kirim untuk menjalankan tugas di cluster Anda.

Setelah tugas selesai, ringkasan model output regresi linear akan muncul di jendela detail Tugas Dataproc.

Terminologi Ringkasan Model:

• R^2: ukuran untuk jumlah "sinyal" yang ditangkap model.
• Residu: perbedaan antara prediksi model dan nilai sebenarnya untuk setiap titik yang digunakan untuk menyesuaikan model.

gcloud

1. Salin dan tempel kode berikut ke dalam file natality_sparkml.py baru di mesin lokal Anda.

   """Run a linear regression using Apache Spark ML.
   
   In the following PySpark (Spark Python API) code, we take the following actions:
   
     * Load a previously created linear regression (BigQuery) input table
       into our Cloud Dataproc Spark cluster as an RDD (Resilient
       Distributed Dataset)
     * Transform the RDD into a Spark Dataframe
     * Vectorize the features on which the model will be trained
     * Compute a linear regression using Spark ML
   
   """
   from pyspark.context import SparkContext
   from pyspark.ml.linalg import Vectors
   from pyspark.ml.regression import LinearRegression
   from pyspark.sql.session import SparkSession
   # The imports, above, allow us to access SparkML features specific to linear
   # regression as well as the Vectors types.
   
   
   # Define a function that collects the features of interest
   # (mother_age, father_age, and gestation_weeks) into a vector.
   # Package the vector in a tuple containing the label (`weight_pounds`) for that
   # row.
   def vector_from_inputs(r):
     return (r["weight_pounds"], Vectors.dense(float(r["mother_age"]),
                                               float(r["father_age"]),
                                               float(r["gestation_weeks"]),
                                               float(r["weight_gain_pounds"]),
                                               float(r["apgar_5min"])))
   
   sc = SparkContext()
   spark = SparkSession(sc)
   
   # Read the data from BigQuery as a Spark Dataframe.
   natality_data = spark.read.format("bigquery").option(
       "table", "natality_regression.regression_input").load()
   # Create a view so that Spark SQL queries can be run against the data.
   natality_data.createOrReplaceTempView("natality")
   
   # As a precaution, run a query in Spark SQL to ensure no NULL values exist.
   sql_query = """
   SELECT *
   from natality
   where weight_pounds is not null
   and mother_age is not null
   and father_age is not null
   and gestation_weeks is not null
   """
   clean_data = spark.sql(sql_query)
   
   # Create an input DataFrame for Spark ML using the above function.
   training_data = clean_data.rdd.map(vector_from_inputs).toDF(["label",
                                                                "features"])
   training_data.cache()
   
   # Construct a new LinearRegression object and fit the training data.
   lr = LinearRegression(maxIter=5, regParam=0.2, solver="normal")
   model = lr.fit(training_data)
   # Print the model summary.
   print("Coefficients:" + str(model.coefficients))
   print("Intercept:" + str(model.intercept))
   print("R^2:" + str(model.summary.r2))
   model.summary.residuals.show()

2. Salin file natality_sparkml.py lokal ke bucket Cloud Storage di project Anda.

   gcloud storage cp natality_sparkml.py gs://bucket-name
   

   Daripada menyalin file ke bucket pengguna dalam project, Anda dapat menyalinnya ke bucket staging yang dibuat Dataproc saat Anda membuat cluster.

3. Kirim tugas Pyspark ke layanan Dataproc dengan menjalankan perintah gcloud, yang ditampilkan di bawah, dari jendela terminal di komputer lokal Anda.

   1. Nilai flag --jars membuat spark-bigquery-connector tersedia untuk jobv PySpark saat runtime agar dapat membaca data BigQuery ke dalam DataFrame Spark.

      gcloud dataproc jobs submit pyspark \
          gs://your-bucket/natality_sparkml.py \
          --cluster=cluster-name \
          --region=region \
          --jars=gs://spark-lib/bigquery/spark-bigquery-with-dependencies_SCALA_VERSION-CONNECTOR_VERSION.jar
      

      Jar 2.12 kompatibel dengan cluster Dataproc yang dibuat dengan image 1.5 atau yang lebih baru. Jika cluster Dataproc Anda dibuat dengan image 1.3 atau 1.4, tentukan jar 2.11. Lihat Menyediakan konektor untuk aplikasi Anda untuk mengetahui informasi selengkapnya.

Output regresi linear (ringkasan model) muncul di jendela terminal saat tugas selesai.

Terminologi Ringkasan Model:

• R^2: ukuran untuk jumlah "sinyal" yang ditangkap model.
• Residu: perbedaan antara prediksi model dan nilai sebenarnya untuk setiap titik yang digunakan untuk menyesuaikan model.

<<< # Cetak ringkasan model.
... print "Coefficients:" + str(model.coefficients)
Coefficients:[0.0166657454602,-0.00296751984046,0.235714392936,0.00213002070133,-0.00048577251587]
<<< print "Intercept:" + str(model.intercept)
Intercept:-2.26130330748
<<< print "R^2:" + str(model.summary.r2)
R^2:0.295200579035
<<< model.summary.residuals.show()
+--------------------+
|           residuals|
+--------------------+
| -0.7234737533344147|
|  -0.985466980630501|
| -0.6669710598385468|
|  1.4162434829714794|
|-0.09373154375186754|
|-0.15461747949235072|
| 0.32659061654192545|
|  1.5053877697929803|
|  -0.640142797263989|
|   1.229530260294963|
|-0.03776160295256...|
| -0.5160734239126814|
| -1.5165972740062887|
|  1.3269085258245008|
|  1.7604670124710626|
|  1.2348130901905972|
|   2.318660276655887|
|  1.0936947030883175|
|  1.0169768511417363|
| -1.7744915698181583|
+--------------------+
hanya menampilkan 20 baris teratas.

  

Pembersihan

Setelah menyelesaikan tutorial, Anda dapat membersihkan resource yang dibuat agar resource tersebut berhenti menggunakan kuota dan dikenai biaya. Bagian berikut menjelaskan cara menghapus atau menonaktifkan resource ini.

Menghapus project

Cara termudah untuk menghilangkan penagihan adalah dengan menghapus project yang Anda buat untuk tutorial.

Untuk menghapus project:

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari berbagai arsitektur, tutorial, atau panduan memulai, menggunakan kembali project dapat membantu agar Anda tidak melampaui batas kuota project.

1. Di konsol Google Cloud, buka halaman Manage resource.

   Buka Manage resource

2. Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
3. Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

Menghapus cluster Dataproc

Lihat Menghapus cluster.

Langkah selanjutnya

• Lihat Tips penyesuaian tugas Spark