实战Mahout聚类算法Canopy+K-means

转载: 实战Mahout聚类算法Canopy+K-means

原文来自:http://my.oschina.net/BreathL/blog/58104

     Mahout是Apache的顶级开源项目,它由Lucene衍生而来,且基于Hadoop的,对处理大规模数据的机器学习的经典算法提供了高效的实现。其中,对经典的聚类算法即提供了单机实现,同时也提供了基于hadoop分布式的实现,都是非常好的学习资料。

聚类分析

     聚类(Clustering)可以简单的理解为将数据对象分为多个簇(Cluster),每个簇里的所有数据对象具有一定的相似性,这样一个簇可以看多一个整体对待,以此可以提高计算质量或减少计算量。而数据对象间相似性的衡量有不少经典算法可以用,但它们所需的数据结构基本一致,那就是向量;常见的有欧几里得距离算法、余弦距离算法、皮尔逊相关系数算法等,Mahout对此都提供了实现,并且你可以在实现自己的聚类时,通过接口切换不同的距离算法。

数据模型

     在Mahout的聚类分析的计算过程中,数据对象会转化成向量(Vector)参与运算,在Mahout中的接口是org.apache.mahout.math.Vector  它里面每个域用一个浮点数(double)表示,你可以通过继承Mahout里的基类如:AbstractVector来实现自己的向量模型,也可以直接使用一些它提供的已有实现如下:

    1. DenseVector,它的实现就是一个浮点数数组,对向量里所有域都进行存储,适合用于存储密集向量。

    2. RandomAccessSparseVector 基于浮点数的 HashMap 实现的,key 是整形 (int) 类型,value 是浮点数(double) 类型,它只存储向量中不为空的值,并提供随机访问。

    3. SequentialAccessVector 实现为整形 (int) 类型和浮点数 (double) 类型的并行数组,它也只存储向量中不 为空的值,但只提供顺序访问。

聚类算法K-means与Canopy

       首先介绍先K-means算法:所有做聚类分析的数据对象,会被描述成n为空间中的一个点,用向量(Vector)表示;算法开始会随机选择K个点,作为一个簇的中心,然后其余的点会根据它与每个簇心的距离,被分配到最近簇中去;接着以迭代的方式,先重新计算每个簇的中心(通过其包含的所有向量的平均值),计算完成后对所有点属于哪个簇进行重新划分;一直如此迭代直到过程收敛;可证明迭代次数是有限的。

       虽然K-means简单且高效,但它存在一定问题,首先K值(即簇的数量)是人为确定的,在对数据不了解的情况下,很难给出合理的K值;其次初始簇心的选择是随机的,若选择到了较孤立的点,会对聚类的效果产生非常大的影响。因此通常会用Canopy算法配合,进行初始化,确定簇数以及初始簇心。

       Canopy算法首先会要求输入两个阀值 T1和T2,T1>T2;算法有一个集群这里叫Canopy的集合(Set),当然一开始它是空的;然后会将读取到的第一个点作为集合中的一个Canopy,接着读取下一个点,若该点与集合中的每个Canopy计算距离,若这个距离小于T1,则这个点会分配给这个Canopy(一个点可以分配给多个Canopy),而当这个距离小于T2时这个点不能作为一个新的Canopy而放到集合中。也就是说当一个点只要与集合中任意一个Canopy的距离小于T2了,即表示它里那个Canopy太近不能作为新的Canopy。若都没有则生成一个新的Canopy放入集合中。以此循环,直到没有点了。

       所以这里用到的聚类分析算法的思路是:首先通过Canopy算法进行聚类,以确定簇数以及初始簇心的,接着通过K-means算法进行迭代运算,收敛出最后的聚类结果。接下来我们看看实现。

实战

       首先需要Java的环境不用多说,我这用的JDK1.6;同时还需要搭建Hadoop分布式系统,网上有很多帖子,这里也不细讲,我的版本是2.0.2。

       接着是安装Mahout,你可以通过svn获取 http://svn.apache.org/repos/asf/mahout/trunk 但需要有maven的支持,你也可以直接下载源码 http://www.apache.org/dyn/closer.cgi/mahout/ 。推荐使用svn的方式;我这里通过svn获取源码后,通过Maven进行编译,生成如下项目:

实战Mahout聚类算法Canopy+K-means_第1张图片

       简单说明下:  mahout-core:核心程序模块;mahout-math:在核心程序中使用的一些数据通用计算模块;mahout-utils:在核心程序中使用的一些通用的工具性模块;最后 mahout-examples 是Mahout提供的一些实现的例子,可作为使用Mahout进行编程的非常好的参考,我们的例子也从这里来。

      在 mahout-examples 中的 org.apache.mahout.clustering.syntheticcontrol.kmeans.Job类,对上述算法提供了较完整的实现,它是一个Hadoop的job,我们从源代码入手,看如何将实际的数据跑起来。下面是该类的核心逻辑代码:

 
01 public static void run(Configuration conf, Path input, Path output,
02                        DistanceMeasure measure, double t1, double t2, double convergenceDelta,
03                        int maxIterations)
04         throws Exception{
05   Path directoryContainingConvertedInput = new Path(output,
06       DIRECTORY_CONTAINING_CONVERTED_INPUT);
07   log.info("Preparing Input");
08   InputDriver.runJob(input, directoryContainingConvertedInput,
09       "org.apache.mahout.math.RandomAccessSparseVector");
10   log.info("Running Canopy to get initial clusters");
11   CanopyDriver.run(conf, directoryContainingConvertedInput, output, measure,
12       t1, t2, false, false);
13   log.info("Running KMeans");
14   KMeansDriver.run(conf, directoryContainingConvertedInput, new Path(output,
15       Cluster.INITIAL_CLUSTERS_DIR), output, measure, convergenceDelta,
16       maxIterations, true, false);
17   // run ClusterDumper
18   ClusterDumper clusterDumper = new ClusterDumper(finalClusterPath(conf,
19       output, maxIterations), new Path(output, "clusteredPoints"));
20   clusterDumper.printClusters(null);
21 }

       这个例子中调用了3个Map/Reduce 任务以及一个转换,它们如下:

       1. 第8行: InputDriver.runJob ( ) ,它用于将原始数据文件转换成 Mahout进行计算所需格式的文件 SequenceFile,它是Hadoop API提供的一种二进制文件支持。这种二进制文件直接将对序列化到文件中。

       2. 第11行:CanopyDriver.run( ) ,即用Canopy算法确定初始簇的个数和簇的中心。

       3.  第14行:KMeansDriver.run( ) ,这显然是K-means算法进行聚类。

       4. 第18~20行,ClusterDumper类将聚类的结果装换并写出来,若你了解了源代码,你也可以自己实现这个类的功能,因为聚类后的数据存储格式,往往跟自身业务有关。 

         这里细讲下第一个Map/Reduce: InputDriver.runJob ( )因为我们需要了解,初始数据的格式,其他的任务CanopyDriver.run( )和KMeansDriver.run( )任务就不细讲了,主要就是Canopy和K-means算法,原理已经介绍了,实现也不难,需要你了解hadoop编程。

      InputDriver.runJob( )实现也非常简单,它只有Map,其代码如下:

 
01 @Override
02 protected void map(LongWritable key, Text values, Context context) throws IOException, InterruptedException {
03  
04   String[] numbers = SPACE.split(values.toString());
05   // sometimes there are multiple separator spaces
06   Collection doubles = Lists.newArrayList();
07   for (String value : numbers) {
08     if (!value.isEmpty()) {
09       doubles.add(Double.valueOf(value));
10     }
11   }
12   // ignore empty lines in data file
13   if (!doubles.isEmpty()) {
14     try {
15       Vector result = (Vector) constructor.newInstance(doubles.size());
16       int index = 0;
17       for (Double d : doubles) {
18         result.set(index++, d);
19       }
20       VectorWritable vectorWritable = new VectorWritable(result);
21       context.write(new Text(String.valueOf(index)), vectorWritable);
22  
23     } catch (InstantiationException e) {
24       throw new IllegalStateException(e);
25     } catch (IllegalAccessException e) {
26       throw new IllegalStateException(e);
27     } catch (InvocationTargetException e) {
28       throw new IllegalStateException(e);
29     }
30   }
31 }

      由代码可以看出,它将你初始数据文件的每一行用空格切开成个 String[] numbers ,然后再将 numbers中的每个String转换成Double类型,并以此生成一个向量 Vector ,然后通过 SequenceFileOutputFormat的方式输出成SequenceFile,以作下一步计算的输入。由此我们可以了解到我们的初始数据的格式需要以一行为一个单位,用空格分隔,每一列为一个Double数即可(当然你也可以反过来修改例子中的实现)。

       如此准备好初始数据后,我们将mahout-examples 编译并打成jar ,若你有用maven的话,它会自动帮你加载其所依赖的jar,若没用,请确保不少jar,然后将该jar包放到搭建了hadoop环境的服务器上(Linux操作系统),我没改名字,jar包叫mahout-examples-0.7-SNAPSHOT-job.jar。

      好了,一切准备就绪,我们可以在服务器上运行如下命令,来运行聚类任务:

 
1 hadoop jar ../mahout-examples-0.7-SNAPSHOT-job.jar org.apache.mahout.clustering.syntheticcontrol.kmeans.Job
2     -i <数据输入路径>
3     -o <数据输出路径>
4     -k
5     -cl <是否先使用Canopy 算法初始化 true or false>
6     -t1
7     -t2
8     -xm <执行方式: sequential(单机运行) or mapreduce(分布式)>

       在运行完成之后,数据由于是SequenceFile存储还无法查看,需要使用 Mahout 的 ClusterDump 程序转储聚类质心(和相关的点)。最终结果将存储在 kmeans 目录下名称以 clusters- 开头、以 -final 结尾的子目录中。具体的值将取决于运行任务使用了多少次迭代,例如 clusters-2-final 是第三次迭代的输出结果。可执行下面命令进行转换。

 
1 hadoop jar /soft/mahout/mahout/examples/target/mahout-examples-0.7-SNAPSHOT-job.jar org.apache.mahout.utils.clustering.ClusterDumper -i ..(上一步的输出路径)/clusters-2-final/ --pointsDir ..(上一步输出路径)/clusteredPoints  -o <要保持的文件名>

       最后你就可以在你指定的文件中查看聚类分析结果了。

参考资料:

https://cwiki.apache.org/confluence/display/MAHOUT/K-Means+Clustering

https://cwiki.apache.org/confluence/display/MAHOUT/Canopy+Clustering

http://www.ibm.com/developerworks/cn/java/j-mahout-scaling/

http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy3/

《Mahout in action》

https://cwiki.apache.org/MAHOUT/cluster-dumper.html

你可能感兴趣的:(Hadoop,mahout)