mahout之2-Kmeans聚类

2.Kmeans聚类
Kmeans算法思想也比较简单 ：可见http://baike.baidu.com/view/3447609.htm
首先从n个数据对象选择 k 个对象作为初始聚类中心；
而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），
分别将它们分配给与其最相似的（聚类中心所代表的）聚类；
然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；
不断重复这一过程直到标准测度函数开始收敛为止。


mahout Kmeans聚类实现 ：
(1)参数input指定待聚类的所有数据点，clusters指定初始聚类中心
如果指定参数k，由org.apache.mahout.clustering.kmeans.RandomSeedGenerator.buildRandom
通过org.apache.hadoop.fs直接从input指定文件中随机读取k个点放入clusters中

(2)根据原数据点和上一次迭代(或初始聚类)的聚类中心计算本次迭代
的聚类中心，输出到clusters-N目录下。
该过程由org.apache.mahout.clustering.kmeans下的
KMeansMapper\KMeansCombiner\KMeansReducer\KMeansDriver实现

KMeansMapper：在configure中初始化mapper时读入上一次迭代产生或初始聚类中心
(每个mapper都读入所有的聚类中心);
map方法对输入的每个点，计算距离其最近的类，并加入其中
输出key为该点所属聚类ID，value为KMeansInfo实例，包含点的个数和各分量的累加和

KMeansCombiner：本地累加KMeansMapper输出的同一聚类ID下的点个数和各分量的和

KMeansReducer：累加同一聚类ID下的点个数和各分量的和，求本次迭代的聚类中心；
并根据输入Delta判断该聚类是否已收敛：上一次迭代聚类中心与本次迭代聚类中心距离<Delta；
输出各聚类中心和其是否收敛标记

KMeansDriver：控制迭代过程直至超过最大迭代次数或所有聚类都已收敛
每轮迭代后，KMeansDriver读取其clusters-N目录下的所有聚类，若所有聚类已收敛
则整个Kmeans聚类过程收敛了。

 

参数调整 ：

manhout Kmeans聚类有两个重要参数：收敛Delta和最大迭代次数

个人觉得Delta值越小，表示收敛条件越高，因此最终收敛的聚类数可能会降低，

而最大迭代次数可通过观察每次迭代后收敛聚类数决定，当收敛聚类数几乎不再变化或震荡时可停止迭代了