利用Mahout实现在Hadoop上运行K-Means算法
来源:互联网 发布:js将时间转换为时间戳 编辑:程序博客网 时间:2024/05/22 02:27
K-Means算法是基于分划分的最基本的聚类算法,是学习机器学习、数据挖掘等技术的最基本的 知识,所以掌握其运行原理是很重要的。
转载请注明出处: http://www.ming-yue.cn/run-kmeans-on-hadoop-with-mahout/
一、介绍Mahout
Mahout是Apache下的开源机器学习软件包,目前实现的机器学习算法主要包含有协同过滤/推荐引擎,聚类和分类三个部分。Mahout从设计开始就旨在建立可扩展的机器学习软件包,用于处理大数据机器学习的问题,当你正在研究的数据量大到不能在一台机器上运行时,就可以选择使用Mahout,让你的数据在Hadoop集群的进行分析。Mahout某些部分的实现直接创建在Hadoop之上,这就使得其具有进行大数据处理的能力,也是Mahout最大的优势所在。相比较于Weka,RapidMiner等图形化的机器学习软件,Mahout只提供机器学习的程序包(library),不提供用户图形界面,并且Mahout并不包含所有的机器学习算法实现,这一点可以算得上是她的一个劣势,但前面提到过Mahout并不是“又一个机器学习软件”,而是要成为一个“可扩展的用于处理大数据的机器学习软件”,但是我相信会有越来越多的机器学习算法会在Mahout上面实现。[1]
二、介绍K-Means
https://cwiki.apache.org/confluence/display/MAHOUT/K-Means+Clustering#,这是Apache官网上的算法描述,简单来说就是基于划分的聚类算法,把n个对象分为k个簇,以使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。[2]
三、在Hadoop上实现运行
1,实验环境
①hadoop集群环境:1.2.1 一个Master,两个Slaves,在开始运行kmeans时启动hadoop
②操作系统:所有机器的系统均为ubuntu12.04
③Mahout版本:采用的是0.5版
2,数据准备
数据采用的是http://archive.ics.uci.edu/ml/databases/synthetic_control/synthetic_control.data,这是网上提供的一个比较不错是数据源。然后用指令 hadoop fs -put /home/hadoop/Desktop/data testdata,将在我桌面的文件data上传到HDFS的testdata目录下,这里为什么是testdata,我也正在思考,因为我本来是上传到input里,但是运行时提示could not find ....user/testdata之类的,所以现改为了testdata。
3,运行
①配置Mahout环境:在Apache官网下载Mahout的版本,我选择的是0.5,下载地址:https://cwiki.apache.org/confluence/display/MAHOUT/Downloads。然后解压到你指定的目录,将此目录路径写入/etc/profile,添加如下语句:
- export MAHOUT_HOME=/home/hadoop/hadoop-1.2.1/mahout-distribution-0.5
- export HADOOP_CONF_DIR=/home/hadoop/hadoop-1.2.1/conf
- export PATH=$PATH:/home/hadoop/hadoop-1.2.1/bin:$MAHOUT_HOME/bin
然后执行 source /etc/profile。在mahout目录下执行bin/mahout命令,检测系统是否安装成功。如图:
注:此处修改环境变量有些网上提示是/etc/bash.bashrc,我也试着修改过,但是发现在我这里使环境变量生效的是profile。
②运行Mahout里自带的K-Means算法,bin/mahout org.apache.mahout.clustering.syntheticcontrol.kmeans.Job,这里启动后遇到了一点问题,提示Could not find math.vector,后来参考这篇http://jerrylead.iteye.com/blog/1188929日志解决。
4,结果
在我的环境下运行5分钟左右,最后生成一个文件,如图
四、总结
Mahout是一个很强大的数据挖掘工具,需要进行更深层的了解。
五、参考文献
- 利用Mahout实现在Hadoop上运行K-Means算法
- 利用Mahout实现在Hadoop上运行K-Means算法
- 利用Mahout实现在Hadoop上运行K-Means算法
- Mahout实现k-means算法
- 在Hadoop分布式集群环境下Mahout安装和运行K-means、协同过滤实例
- Hadoop k-means 算法实现
- 利用 mahout 实现的 k-means 算法对欧冠球队分档
- hadoop学习--K-Means算法实现
- K-Means 算法的 Hadoop 实现
- K-Means算法的Hadoop实现
- hadoop上运行mahout的fpgrouth算法
- mahout中k-means例子的运行
- K-means算法上
- Mahout之k-means算法源码分析
- mahout测试k-Means聚类算法
- mahout下的K-Means Clustering实现
- K-means算法实现
- K-means算法实现
- 定义Staff(员工)类,由Staff分别派生出Saleman(销售员)类和Manager(经理)类,再由Saleman(销售员)类和Manager(经理)类采用多重继承方式派生出新类SaleMana
- socket编程复习(7)-非阻塞socket
- TX2440裸机程序-LCD
- 代码仔的实验室_现有功能介绍 & 未来功能预告 & 意见征集
- Cocos2d-x基本概念整理(二)CCAction
- 利用Mahout实现在Hadoop上运行K-Means算法
- 集成运算同相放大器和反向放大器的选择
- 深入解释直接初始化与复制初始化的区别
- Android Wi-Fi Display(Miracast)介绍
- Linux下github使用笔记
- Fragment详解
- 确保对成员变量的初始化
- android大扫盲之SurfaceView,SurfaceHolder,SurfaceHolder.CallBack.你hold住了吗
- hdu3487 (splay伸展树 区间翻转,切割,插入)