首页 诗词 字典 板报 句子 名言 友答 励志 学校 网站地图
当前位置: 首页 > 教程频道 > 其他教程 > 互联网 >

mahout之一-Canopy聚类

2013-11-09 
mahout之1-Canopy聚类1.Canopy聚类Canopy聚类是一种简单、快速、但不太准确的聚类方法。该算法需一种快速的近

mahout之1-Canopy聚类

1.Canopy聚类

Canopy聚类是一种简单、快速、但不太准确的聚类方法。
该算法需一种快速的近似距离度量方法和两个距离阈值T1>T2。

while(没有标记的数据点){
??? 选择一个没有强标记的数据点p
??? 把p看作一个新Canopy c的中心
??? 离p距离<T1的所有点都认为在c中,给这些点做上弱标记
??? 离p距离<T2的所有点都认为在c中,给这些点做上强标记
}

Canopy聚类常作为更强聚类方法的初始步骤。

mahout Canopy聚类实现,采用了两个map-reduce job
第一个Job org.apache.mahout.clustering.canopy.CanopyDriver:
mapper:org.apache.mahout.clustering.canopy.CanopyMapper
对划分到每个mapper的点根据阈值T1,T2标记Canopy,输出在该mapper上所有Canopy的中心;
mahout实现对原算法略做改动,而避免需先保存所有的点
修改后的算法org.apache.mahout.clustering.canopy.addPointToCanopies

对于一个数据点,遍历已有Canopy{
??? 该点到某Canopy距离<T1,则加入该Canopy;
??? 若点到某Canopy距离<T2,则标记该点已于该Canopy强关联;
}
若该点不存在强关联的Canopy,则为其创建一个新Canopy
???

reducer:org.apache.mahout.clustering.canopy.CanopyReducer
整个Job就一个reduce任务,对mapper输出的所有点再次使用Canopy聚类,并输出中心点


第二个Job org.apache.mahout.clustering.canopy.ClusterDriver
使用第一个Job输出的中心点,采用最近距离原则对原数据点进行聚类
用Canopy聚类作为其他方法的初始步骤时,通常不执行该Job


参数调整:
当T1过大时,会使许多点属于多个Canopy,可能会造成各个簇的中心点间距离较近,各簇
间区别不明显;
当T2过大时,增加强标记数据点的数量,会减少簇个个数;T2过小,会增加簇的个数,同时
增加计算时间

?

另外:mahout提供了几种常见距离计算的实现,均实现org.apache.mahout.common.distance.DistanceMeasure接口
CosineDistanceMeasure:计算两向量间的夹角
SquaredEuclideanDistanceMeasure:计算欧式距离的平方
EuclideanDistanceMeasure:计算欧式距离
ManhattanDistanceMeasure:马氏距离,貌似图像处理中用得比较多
TanimotoDistanceMeasure:Jaccard相似度,T(a, b) = a.b / (|a|^2 + |b|^2 - a.b)
以及带权重的欧式距离和马氏距离。

热点排行