Mahout系列之核心功能实践

        上次已经说到了Mahout的计算项目模块mahout math。这里面包含了很多常用的数学计算或者统计方面的东西，有很多东西可能会用到，所以对这些基础的需要有很好的理解。Mahout提供了很多工具的命令行方式，下面列出所有的命令，当然这个是会变化的，而且每个都有不同的参数；这些命令也有很多相似之处，要每个都很熟悉还是要很多功力的。管中窥豹，可见一斑，这样可以知道Mahout到底可以做什么，提供了哪些直接使用的方式，可供参考：

Command	Comment	Detail
arff.vector	从ARFF文件产生向量	Generate Vectors from an ARFF file or directory
baumwelch	HMM Baum-Welch训练算法	Baum-Welch algorithm for unsupervised HMM training
buildforest	构建随机森林分类器	Build the random forest classifier
canopy	Canopy聚类	Canopy clustering
cat	打印文件或者资源方便查看	Print a file or resource as the logistic regression models would see it
cleansvd	清空验证SVD输出	Cleanup and verification of SVD output
clusterdump	Dump聚类输出结果文本	Dump cluster output to text
clusterpp	分组聚类输出	Groups Clustering Output In Clusters
cmdump	以HTML或者文本格式Dump混淆矩阵	Dump confusion matrix in HTML or text formats
concatmatrices	合并相同基的矩阵到单个矩阵中	Concatenates 2 matrices of same cardinality into a single matrix
cvb	LDA	LDA via Collapsed Variation Bayes (0th deriv. approx)
cvb0_local	LDA local	LDA via Collapsed Variation Bayes, in memory locally.
describe	描述数据集中的字段和目标变量	Describe the fields and target variable in a data set
evaluateFactorization	计算RMSE 和 MAE	compute RMSE and MAE of a rating matrix factorization against probes
fkmeans	Fuzzy K-means聚类	Fuzzy K-means clustering
hmmpredict	由给定的HMM模型产生随机观察序列	Generate random sequence of observations by given HMM
itemsimilarity	物品相似度	Compute the item-item-similarities for item-based collaborative filtering
kmeans	K-means聚类	K-means clustering
lucene.vector	产生Lucene索引向量	Generate Vectors from a Lucene index
lucene2seq	Lucene索引产生文本序列	Generate Text SequenceFiles from a Lucene index
matrixdump	以CSV格式Dump矩阵	Dump matrix in CSV format
matrixmult	获得两矩阵的积	Take the product of two matrices
parallelALS	并行ALS	ALS-WR factorization of a rating matrix
qualcluster	运行聚类实验和摘要	Runs clustering experiments and summarizes results in a CSV
recommendfactorized	使用等分因子获得推荐	Compute recommendations using the factorization of a rating matrix
recommenditembased	使用基于物品的协作过滤推荐	Compute recommendations using item-based collaborative filtering
regexconverter	按行基于正则表达式转换文本文件	Convert text files on a per line basis based on regular expressions
resplit	将文件文件切分多等分	Splits a set of SequenceFiles into a number of equal splits
rowid	Map系列文件	Map SequenceFile to {SequenceFile, SequenceFile}
rowsimilarity	计算行矩阵的成对相似度	Compute the pairwise similarities of the rows of a matrix
runAdaptiveLogistic	运行自适应逻辑回归	Score new production data using a probably trained and validated AdaptivelogisticRegression model
runlogistic	从CSV数据运行逻辑回归	Run a logistic regression model against CSV data
seq2encoded	从文本序列文件获得编码稀疏向量	Encoded Sparse Vector generation from Text sequence files
seq2sparse	从文本序列文件获得稀疏向量	Sparse Vector generation from Text sequence files
seqdirectory	从目录创建序列文件	Generate sequence files (of Text) from a directory
seqdumper	通用序列文件Dump	Generic Sequence File dumper
seqmailarchives	从压缩邮件目录中创建序列文件	Creates SequenceFile from a directory containing gzipped mail archives
seqwiki	Wikipedia xml dump至序列文件	Wikipedia xml dump to sequence file
spectralkmeans	谱K-mean聚类	Spectral k-means clustering
split	输入数据分为测试和训练数据	Split Input data into test and train sets
splitDataset	等分训练和测试数据	split a rating dataset into training and probe parts
ssvd	随机SVD	Stochastic SVD
streamingkmeans	流式K-mean聚类	Streaming k-means clustering
svd	Lanczos 奇异值分解	Lanczos Singular Value Decomposition
testforest	测试随机森林分类器	Test the random forest classifier
testnb	测试Bayes分类器	Test the Vector-based Bayes classifier
trainAdaptiveLogistic	训练自适应逻辑回归模型	Train an AdaptivelogisticRegression model
trainlogistic	基于随机梯度下降训练逻辑回归	Train a logistic regression using stochastic gradient descent
trainnb	基于Bayes分类训练	Train the Vector-based Bayes classifier
transpose	转置矩阵	Take the transpose of a matrix
validateAdaptiveLogistic	验证自适应逻辑回归模型	Validate an AdaptivelogisticRegression model against hold-out data set
vecdist	计算向量距离	Compute the distances between a set of Vectors (or Cluster or Canopy, they must fit in memory) and a list of Vectors
vectordump	Dump向量至文本文件	Dump vectors from a sequence file to text
viterbi	Viterbi 算法	Viterbi decoding of hidden states from given output states sequence

            当然上面的有些中文的翻译不是很准，也没有一一使用过，具体的使用还有很多细节。

           Mahout提供了很多聚类，分类，推荐(协作过滤)方面的计算方法，对i数据分析提供了有意的帮助，目前用的比较成熟的应该就是推荐这块了，在很多系统里面得到了实际的应用，效果也不错；相对来说聚类分类还是使用的场合比较有限，有待进一步的研究。

前面几篇已经分析过了推荐方面的，从理论到实际操作，下面介绍一个逻辑回归(Logistic Regression)模型的例子。

1.数据准备

    使用的是iris数据，iris数据是数据分析使用比较多的实验数据，不多说了。

    打开R， 输入 iris，可以看到数据长什么样子，使用下面的命令导出数据

    write.csv(iris,file="D:/work_doc/Doc/iris.csv")

    数据是这样的：

"ID","Sepal.Length","Sepal.Width","Petal.Length","Petal.Width","Species"
"1",5.1,3.5,1.4,0.2,"setosa"
"2",4.9,3,1.4,0.2,"setosa"
"3",4.7,3.2,1.3,0.2,"setosa"
"4",4.6,3.1,1.5,0.2,"setosa"

2.  使用java代码来实际操作一番。

import java.io.File;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.io.PrintWriter;
import java.util.List;
import java.util.Locale;

import org.apache.commons.io.FileUtils;
import org.apache.mahout.classifier.sgd.CsvRecordFactory;
import org.apache.mahout.classifier.sgd.LogisticModelParameters;
import org.apache.mahout.classifier.sgd.OnlineLogisticRegression;
import org.apache.mahout.math.RandomAccessSparseVector;
import org.apache.mahout.math.SequentialAccessSparseVector;
import org.apache.mahout.math.Vector;


import com.google.common.base.Charsets;
import com.google.common.collect.Lists;  
  
public class IrisLRTest {  
  
    private static LogisticModelParameters lmp;  
    private static PrintWriter output;  
    
    public static void main(String[] args) throws IOException {  
        // 初始化
        lmp = new LogisticModelParameters();  
        output = new PrintWriter(new OutputStreamWriter(System.out,  
                Charsets.UTF_8), true);  
        lmp.setLambda(0.001);  
        lmp.setLearningRate(50);
        lmp.setMaxTargetCategories(3);
        lmp.setNumFeatures(4);
        List targetCategories = Lists.newArrayList("setosa", "versicolor", "versicolor");  //对应Species属性三个类别
        lmp.setTargetCategories(targetCategories);  
        lmp.setTargetVariable("Species"); // 需要进行预测的是Species属性  
        List typeList = Lists.newArrayList("numeric", "numeric", "numeric", "numeric");  //每个属性的类型
        List predictorList = Lists.newArrayList("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width");  //属性的名称
        lmp.setTypeMap(predictorList, typeList);  
  
        // 读取数据
        List raw = FileUtils.readLines(new File(  
                "D:\\work_doc\\Doc\\iris.csv")); 
        String header = raw.get(0);  
        List content = raw.subList(1, raw.size());
        CsvRecordFactory csv = lmp.getCsvRecordFactory();
        csv.firstLine(header); 
  
        // 训练
        OnlineLogisticRegression lr = lmp.createRegression();  
        for(int i = 0; i < 100; i++) {  //训练次数
            for (String line : content) {  
                Vector input = new RandomAccessSparseVector(lmp.getNumFeatures());  
                int targetValue = csv.processLine(line, input);  
                lr.train(targetValue, input);
            }
        }  
  
        // 评估分类结果
        double correctRate = 0;  
        double sampleCount = content.size();  
          
        for (String line : content) {  
            Vector v = new SequentialAccessSparseVector(lmp.getNumFeatures());  
            int target = csv.processLine(line, v);  
            int score = lr.classifyFull(v).maxValueIndex();
            //System.out.println("Target:" + target + "\tReal:" + score);  
            if(score == target) {  
                correctRate++;  
            }  
        }  
        output.printf(Locale.ENGLISH, "Rate = %.2f%n", correctRate / sampleCount);  
    }  
  
} 

        代码里面给出了注释，过程比较容易理解。不仅是这个模型是这样的思路，很多其他的算法都是这样的过程，具体的训练方法，算法或者过程，有差别。

当然这里给出的是基于Mahout的代码，一样在R中也可以做很多模型，基本步骤类似。