Mahout 算法

Mahour 包括协同过滤，基于User和Item的推荐；kmeans、Fuzzy-kmeans 、Mean shift 、Dirichlet process 、LDA聚类；奇异值分解；并行频繁项集挖掘；补充的贝叶斯分类、随机森林决策树分类。

一、分类算法

（一）Logistic 回归（SGD）

（二）Bayesian 

（三）SVM

（四）Perceptron 和Winnow

（五）神经网络

（六）随机森林

（七）受限玻尔兹曼机

（八）Boosting

（九）HMM

（十）Online Passive Aggressive

二、聚类算法

（一）Canopy

（二）K-Means

（三）Fuzzy K-means

（四）EM

（五）Mean shift

（六）层次聚类

（七）Dirichlet process 

（八）LDA

（九）Spectral 

（十）MinHash

（十一）Top Down

三、推荐算法

           Mahout包括简单的非并行的推荐和基于Hadoop的并行推荐的实现。

（一）非并行推荐

（二）分布式的基于Item的协同过滤

（三）并行矩阵分解的协同过滤

四、关联规则挖掘算法

 

并行FP-Growth 

五、回归

Locally Weighted Linear Regression

六、降维

（一）SVD

（二）SSVD

（三）PCA

（四）ICA

（五）GDA

七、进化算法

八、向量相似性计算

（一）RowSimilarityJob 

用于计算Item之间的距离，是分布式的。

（二）VectorDistanceJob 

在Map端连接，计算向量集中两两向量之间的距离。