Mahout - 聚类

聚类是根据项目之间的相似性将给定集合中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新闻文章进行分组。

聚类的应用

• 聚类广泛应用于许多应用，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客户群中发现不同的群体。 他们还可以根据购买模式来描述其客户群体。

• 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以及深入了解种群固有的结构。

• 聚类有助于在地球观测数据库中识别类似土地使用的区域。

• 聚类还有助于对网络上的文档进行分类以进行信息发现。

• 聚类用于异常值检测应用，例如检测信用卡欺诈。

• 作为数据挖掘功能，聚类分析可作为深入了解数据分布以观察每个聚类特征的工具。

使用 Mahout，我们可以对给定的一组数据进行聚类。所需步骤如下：

• 算法您需要选择合适的聚类算法对聚类元素进行分组。

• 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。创建所需的目录以在 Hadoop 文件系统中存储文件。 （在 canopy 的情况下，为输入文件、序列文件和聚类输出创建目录）。

• 将输入文件从 Unix 文件系统复制到 Hadoop 文件系统。

• 根据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 配合使用，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、序列文件和聚类数据：

$ 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 中的 Hadoop Web 界面验证目录是否已创建 - http://localhost:50070/

它会为您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 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，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。您可以按如下所示获取该实用程序的帮助：

[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

使用以下语法使用该实用程序生成序列文件：

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

示例

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：

• Canopy 聚类
• K 均值聚类

Canopy 聚类

Canopy 聚类是 Mahout 用于聚类的一种简单而快速的技术。对象将被视为平面空间中的点。此技术通常用作其他聚类技术（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。

示例

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

您将在给定的输出目录中获得生成的聚类数据。

K 均值聚类

K 均值聚类是一种重要的聚类算法。K 均值聚类算法中的 k 表示数据要划分成的簇数。例如，为该算法指定的 k 值选择为 3，该算法将把数据划分为 3 个簇。

每个对象将表示为空间中的向量。最初，算法将随机选择 k 个点并将其视为中心，每个最接近每个中心的对象都会被聚类。距离测量有多种算法，用户应选择所需的算法。

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。

• 要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，继续执行 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 均值聚类作业需要输入向量目录、输出聚类目录、距离测量、要执行的最大迭代次数以及表示输入数据要分成的聚类数量的整数值。