Mahout - 聚类 - Gingerdoc 姜知笔记

笔记首页 >> mahout >> Mahout – 聚类

Mahout – 聚类

聚类是根据项目之间的相似性将给定集合的元素或项目组织成组的过程。例如，与在线新闻发布相关的应用程序使用聚类对他们的新闻文章进行分组。

聚类的应用

聚类广泛用于许多应用，例如市场研究、模式识别、数据分析和图像处理。
聚类可以帮助营销人员在他们的客户基础上发现不同的群体。他们可以根据购买模式来描述他们的客户群。
在生物学领域，它可用于推导植物和动物分类法，对具有相似功能的基因进行分类并深入了解种群固有的结构。
聚类有助于识别地球观测数据库中类似土地利用的区域。
聚类还有助于对网络上的文档进行分类以进行信息发现。
聚类用于异常检测应用，例如信用卡欺诈检测。
作为一种数据挖掘功能，聚类分析作为一种工具来深入了解数据的分布以观察每个聚类的特征。

使用 Mahout，我们可以对一组给定的数据进行聚类。所需步骤如下：

算法您需要选择合适的聚类算法来对聚类的元素进行分组。
相似性和不相似性您需要制定规则来验证新遇到的元素与组中的元素之间的相似性。
停止条件需要停止条件来定义不需要聚类的点。

聚类过程

要对给定的数据进行聚类，您需要 –

启动 Hadoop 服务器。创建在 Hadoop 文件系统中存储文件所需的目录。（为输入文件、序列文件和集群输出创建目录，以防万一）。
将输入文件从 Unix 文件系统复制到 Hadoop 文件系统。
从输入数据准备序列文件。
运行任何可用的聚类算法。
获取聚类数据。

启动 Hadoop

Mahout 与 Hadoop 一起工作，因此请确保 Hadoop 服务器已启动并正在运行。

$ cd HADOOP_HOME/bin
$ start-all.sh

准备输入文件目录

使用以下命令在 Hadoop 文件系统中创建目录以存储输入文件、序列文件和集群数据：

$ hadoop fs -p mkdir /mahout_data
$ hadoop fs -p mkdir /clustered_data
$ hadoop fs -p mkdir /mahout_seq

您可以使用以下 URL – http://localhost:50070/ 中的 hadoop Web 界面验证该目录是否创建

它为您提供如下所示的输出：

输入文件目录

将输入文件复制到 HDFS

现在，将输入数据文件从 Linux 文件系统复制到 Hadoop 文件系统中的 mahout_data 目录，如下所示。假设您的输入文件是 mydata.txt，它位于 /home/Hadoop/data/ 目录中。

$ hadoop fs -put /home/Hadoop/data/mydata.txt /mahout_data/

准备序列文件

Mahout 为您提供了一个实用程序，可将给定的输入文件转换为序列文件格式。此实用程序需要两个参数。

下面给出了 mahout seqdirectory实用程序的帮助提示。

步骤 1：浏览到 Mahout 主目录。您可以获得该实用程序的帮助，如下所示：

[Hadoop@localhost bin]$ ./mahout seqdirectory --help
Job-Specific Options:
--input (-i) input Path to job input directory.
--output (-o) output The directory pathname for output.
--overwrite (-ow) If present, overwrite the output directory

使用该实用程序使用以下语法生成序列文件：

mahout seqdirectory -i <input file path> -o <output directory>

例子

mahout seqdirectory
-i hdfs://localhost:9000/mahout_seq/
-o hdfs://localhost:9000/clustered_data/

聚类算法

Mahout 支持两种主要的聚类算法，即：

冠层聚类
K均值聚类

冠层聚类

Canopy 聚类是 Mahout 用于聚类目的的一种简单而快速的技术。对象将被视为普通空间中的点。该技术通常用作其他聚类技术（例如 k 均值聚类）的初始步骤。您可以使用以下语法运行 Canopy 作业：

mahout canopy -i <input vectors directory>
-o <output directory>
-t1 <threshold value 1>
-t2 <threshold value 2>

Canopy 作业需要一个包含序列文件的输入文件目录和一个用于存储聚类数据的输出目录。

例子

mahout canopy -i hdfs://localhost:9000/mahout_seq/mydata.seq
-o hdfs://localhost:9000/clustered_data
-t1 20
-t2 30

您将获得在给定输出目录中生成的聚类数据。

K均值聚类

K-means聚类是一种重要的聚类算法。k-means 聚类算法中的 k 表示数据要划分的簇数。例如，指定给该算法的k值选择为3，该算法将把数据分成3个簇。

每个对象都将表示为空间中的向量。最初，算法会随机选择 k 个点并将其视为中心，将每个离每个中心最近的对象进行聚类。距离测量有多种算法，用户应选择所需的一种。

创建矢量文件

与 Canopy 算法不同，k-means 算法需要矢量文件作为输入，因此您必须创建矢量文件。
为了从序列文件格式生成矢量文件，Mahout 提供了
seq2parse实用程序。

下面给出了seq2parse实用程序的一些选项。使用这些选项创建矢量文件。

$MAHOUT_HOME/bin/mahout seq2sparse
--analyzerName (-a) analyzerName  The class name of the analyzer
--chunkSize (-chunk) chunkSize    The chunkSize in MegaBytes.
--output (-o) output              The directory pathname for o/p
--input (-i) input                Path to job input directory.

创建向量后，继续 k-means 算法。运行 k-means 作业的语法如下：

mahout kmeans -i <input vectors directory>
-c  <input clusters directory>
-o  <output working directory>
-dm <Distance Measure technique>
-x  <maximum number of iterations>
-k  <number of initial clusters>

K-means 聚类作业需要输入向量目录、输出簇目录、距离度量、要执行的最大迭代次数以及表示输入数据要划分的簇数的整数值。