SparkMllib之K-Means聚类算法案例

一、SparkMLlib实现K-Means

---

MLlib的KMeans聚类模型采用KMeans算法来计算聚类中心点。MLlib实现KMeans聚类算法：首先随机生成聚类中心点，支持随机选择样本点当作初始中心点，还支持k-means++方法选择最优的聚类中心点。然后迭代计算样本的中心点，迭代计算中心点的分布式实现是：首先计算每个样本属于哪个中心点，之后采用聚合函数统计属于每个中心点的样本值之和以及样本数量，最后求得最新中心点，并且判断中心点是否发生改变。
MLlib的KMeans聚类模型的runs参数可以设置并行计算聚类中心的数量，runs代表同时计算多组聚类中心点，最后取计算结果最好的那一组中心点作为聚类中心点。

二、案例实现

---

1. 测试数据格式
   
2. 测试数据下载：测试数据下载
3. 具体代码如下：

   package com.spark.ml
   
   import org.apache.log4j.{
          Level, Logger}
   import org.apache.spark.mllib.clustering._
   import org.apache.spark.mllib.linalg.Vectors
   import org.apache.spark.{
          SparkConf, SparkContext}
   
   
   object KMeansDemo {
          
     def main(args: Array[String]) {
          
       //1 构建Spark对象
       val conf = new SparkConf().setAppName("KMeans").setMaster("local[2]")
       val sc = new SparkContext(conf)
       Logger.getRootLogger.setLevel(Level.WARN)
   
       // 读取样本数据1，格式为LIBSVM format
       val data = sc.textFile("testdatas/sample_kmeans_data.data")
       //预测处理 RDD[Vector[Double]]
       val parsedData = data.map(s => Vectors.dense(s.split('\t').map(_.toDouble))).cache()
   
       // 新建KMeans聚类模型，并训练
       val initMode = "k-means||"
       val numClusters = 4
       val numIterations = 100
   
       val model = new KMeans().
         setInitializationMode(initMode).
         setK(numClusters).
         setMaxIterations(numIterations).
         run(parsedData)
   
       val centers = model.clusterCenters
       println("centers")
   
       for (i <- 0 to centers.length - 1) {
          
         println(centers(i)(0) + "\t" + centers(i)(1))
       }
   
       // 误差计算
       val WSSSE = model.computeCost(parsedData)
       println("Within Set Sum of Squared Errors = " + WSSSE)
   
       //保存模型
       val ModelPath = "trans-model/KMeans_Model3"
       model.save(sc, ModelPath)
       val sameModel = KMeansModel.load(sc, ModelPath)
       println(sameModel.clusterCenters)
     }
   }