Mahout简介一

Mahout简介：

1.是apache旗下的开源项目，提供了机器学习相关的系列算法，是一个开发者用于使用和改装的工具框架；

2.主要算法可分为协同过滤/推荐引擎、聚类、分类三大类，并且有很强的扩展性，可以自主优化算法；

3.支持hadoop分布式计算；

4.无需安装，是一个Java library；

5.svn check out地址：http://svn.apache.org/repos/asf/mahout/trunk

 

主要模块包括：

1）分类：

Mahout 拥有多种分类算法，其中大多数算法都是为了在 Hadoop上运行而编写的（只有一个值得注意的例外，即随机梯度下降法）。

Mahout中实现的分类算法

算法

简要描述

Naive Bayes

 

Naive Bayes 分类器为速度快和准确性高而著称，适用于文本分类。Bayes方法的薄弱环节在于实际情况下，类别总体的概率分布和各类样本的概率分布函数(或密度函数)常常是不知道的。为了获得它们，就要求样本足够大。另外，Bayes要求表达文本的主题词相互独立，这样的条件在实际文本中一般很难满足，因此该方法往往在效果上难以达到理论上的最大值。许多人最初都选择这种分类器，在有效扩展的时候，它也能给出合理的结果。

Complementary Naive Bayes

 

尝试纠正 Naive Bayes 方法中的一些问题，同时仍然能够维持简单性和速度。

Preceptron感知器算法和Winnow

二分类问题，线性分类器，在线学习算法。

RBM有限波尔兹曼机

人工随机神经网络算法，要求大训练集。

HMM隐马尔可夫模型

经典分类算法的顺序和并行实现，设计用于在基本生成过程不可知的情况下建模实际过程。

Stochastic Gradient Descent随机梯度下降算法

速度超快、简单的顺序分类器，能够在要求严格的环境中实现在线学习。

Support Vector Machine支持向量机

SVM算法基于结构风险最小化的理论，在特征空间中建构出一个最优超平面来分割两类域的样本数据。二分类问题。适合于小样本集。

Random  Forests

随机森林包含多个决策树。当需要预测一个新的样本的时候，采用"少数服从多数"的策略确定样本的类别。随机森林中任意两棵树的相关程度越高，预测结果越差。森林中每棵独立的树的分类能力越强，随机森林的分类结果越好。

 

2）聚类：

Mahout中实现的聚类算法

算法

简要描述

Canopy 

基于划分，速度快，但是比较粗糙，通常作为Kmeans的前面步骤，为其计算出初始类心

Kmeans 

基于划分，算法简单效果也比较好，需要指定初始的K个类心，可以用Canopy作为前步骤先大致算出类心，这样会更准确。计算出来的类的个数是固定的（K个），而且一个点只属于一个类。

Minhash

算法简单，mahout里只用一个map+一个reduce就实现了，但是输出并不能直接用，还需要自己做处理。

Lda

最近很热，算法复杂但是效果很好。

Dirichlet

基于概率模型的，需要先定义一个概率模型，效果也不错。

Meanshift

 

topdown

本身并不包含算法，看了下里面只是对输出的文件夹做了重新的整理（postProcess），以便进行下次聚类的使用，

fuzzykmeans

 是kmeans的扩张，加了模糊参数，与Kmeans的差别是一个点可以属于多个类，即类是可重叠的