第1.3节 Alink的功能

1.3.1 丰富的算法库

Alink拥有丰富的批式算法和流式算法，可帮助数据分析和应用开发人员端到端地完成从数据处理、特征工程、模型训练到预测的整个流程工作。Alink开源算法如图1-1所示，在Alink提供的开源算法模块中，每一个模块都包含流式算法和批式算法。比如线性回归，包含批式线性回归训练、流式线性回归预测和批式线性回归预测。

1.3.2 多样的使用体验

Alink使用Java研发，原生提供了整套Java调用接口，可以在单机中编辑、调试、运行Alink任务，也可以将Alink任务编译、发布到Flink集群中运行。此外，Alink也提供了Python版本：PyAlink。可以通过Jupyter等Notebook的方式使用Alink，提升其交互式和可视化体验；PyAlink既支持单机运行，又支持集群提交。PyAlink打通了Operator（Alink组件）和DataFrame的接口，因此，Alink的整个算法流程可无缝融入Python。PyAlink也提供了使用Python函数来调用UDF或者UDTF的方法。PyAlink在Notebook中的使用如下图所示。图中展示了一个模型训练预测，并打印出了预测结果的过程。

1.3.3 与SparkML的对比

在离线学习算法方面，Alink与SparkML的性能基本相当。下图给出的是一些经典算法的性能对比：对于同一算法，采用相同的数据集、同样的迭代次数等参数。其中的加速比指的是，SparkML所用的时间除以Alink所用的时间之比。若加速比的值为1x（1倍），则说明Alink与SparkML的性能相当。加速比的值越大，说明Alink的性能越好。

通过上图可以看出，Alink在大部分算法方面的性能优于SparkML，在个别算法方面的性能比SparkML弱，二者在整体上是一个相当的水平。但是，在功能的完备性方面，Alink更有优势，Alink除了覆盖了SparkML的算法，还包含流式算法、流批混跑、在线学习、中文分词等功能。