Mahout 聚类

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

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中发现不同的群体。 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，可用于推导动植物分类学， 对具有相似功能的基因进行分类，并深入了解群体中固有的结构。

• 聚类有助于识别地球上类似土地利用的区域 观察数据库。

• 聚类还有助于对 Web 上的文档进行分类以获取信息 发现。

• 聚类用于异常值检测应用，例如信用检测 卡欺诈。

• 作为一种数据挖掘功能，聚类分析是一种深入了解 数据分布以观察每个集群的特征。

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 你需要选择一个合适的聚类算法来分组 集群的元素。

• 相似与不同 你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 需要一个停止条件来定义不需要聚类的点。

聚类过程

要对给定数据进行聚类，你需要 -

• 启动 Hadoop 服务器。在 Hadoop 文件系统中创建存储文件所需的目录。 (在树冠的情况下为输入文件、序列文件和集群输出创建目录)。

• 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 一起使用，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

可以使用hadoop web界面验证目录是否创建 以下网址 - http://localhost:50070/

它为你提供如下所示的输出：

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 mahout_data 目录 Hadoop文件系统如下图所示。假设你的输入文件是 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 为你提供了一个实用程序，用于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。

• 原始数据所在的输入文件目录。
• 要存储集群数据的输出文件目录。

下面给出mahout的帮助提示 seq目录 utility.

步骤 1: 浏览到 Mahout 主目录。你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

使用以下语法使用实用程序生成序列文件：

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

例子

mahout seqdirectory
-i hdfs:// 本地主机：9000/mahout_seq/
-o hdfs:// 本地主机：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-means 聚类

冠层聚类

Canopy 聚类是 Mahout 用于聚类目的的一种简单快速的技术。对象将被视为普通空间中的点。这种技术经常 用作其他聚类技术(例如 k-means 聚类)的初始步骤。你 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输出 存储集群数据的目录。

例子

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

你将获得在给定输出目录中生成的集群数据。

K-means 聚类

K-means聚类是一种重要的聚类算法。 k-means 聚类中的 k 算法表示数据要划分的簇数。为了 例如，指定给该算法的 k 值选择为 3，该算法正在运行 将数据分成3个集群。

每个对象将在空间中表示为向量。最初 k 个点将被算法随机选择并作为中心，每个对象最接近每个中心 是聚集的。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 算法需要向量文件作为输入， 因此你必须创建矢量文件。

• 为了从序列文件格式生成矢量文件，Mahout 提供了 seq2parse utility.

下面给出了一些选项 seq2parse 效用。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，继续使用 k-means 算法。运行 k-means 的语法 工作如下：

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，输出聚类目录， 距离度量，要执行的最大迭代次数，以及一个整数值，表示输入数据要划分的簇数。