MLlib是Spark提供的一个实现了很多常用机器学习算法的工具包。
Mahout比较成熟并且算法丰富，但是运行速度慢。
下面将主要对机器学习中的聚类K-means算法进行介绍。
K-means算法
一种无监督学习算法，是一种经典的聚类算法，它的思想是对大量未知标注的数据集，按数据的内在相似度将数据集划分为多个簇，使得簇内数据相似度大而簇间相似度小，一般通过欧式距离度量数据间的相似度，相似度高的距离近。
应用：广告推荐、用户推荐
现实应用中，数据特点：多维度、大规模、多种数据格式。
1、相似度计算方法
欧式距离（两点之间的直线距离）、余弦距离（两点间的夹角）等
2、优点
简答，快速。
处理大规模数据集具有较高的可伸缩性和高效率。
擅长处理密集数据
3、缺陷
K值的选取以及聚类中心点的选取，大都需要人为选取，依靠经验，对聚类结果有很大的影响。
对噪声和孤立点数据较为敏感
**K-means++**克服了K-means算法的一部分缺陷，按照最大最小距离算法进行聚类中心点的选取，可确定所选取的初始中心点较为分散。
4、MLlib中的K-means算法
1、创建SparkContext
2、加载数据，并将其转换为Vector
3、给定K值和迭代次数，并指定选取初始中心点的模式（通常为随机选取）
4、输出当前的聚类中心以及误差平方和
5、预测测试集的数据的类别
6、关闭SparkContext