Hadoop入门进阶课程9--Mahout介绍、安装与应用案例

1 搭建环境

部署节点操作系统为CentOS，防火墙和SElinux禁用，创建了一个shiyanlou用户并在系统根目录下创建/app目录，用于存放Hadoop等组件运行包。因为该目录用于安装hadoop等组件程序，用户对shiyanlou必须赋予rwx权限（一般做法是root用户在根目录下创建/app目录，并修改该目录拥有者为shiyanlou(chown –R shiyanlou:shiyanlou /app）。

Hadoop搭建环境：

• 虚拟机操作系统： CentOS6.6 64位，单核，1G内存
• JDK：1.7.0_55 64位
• Hadoop：1.1.2

2 Mahout介绍

Mahout 是 Apache Software Foundation（ASF） 旗下的一个开源项目，提供一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。AMahout包含许多实现，包括聚类、分类、推荐过滤、频繁子项挖掘。此外，通过使用 Apache Hadoop 库，Mahout 可以有效地扩展到云中。

Mahout的意思是大象的饲养者及驱赶者。Mahout 这个名称来源于该项目（有时）使用 Apache Hadoop —其徽标上有一头黄色的大象 —来实现可伸缩性和容错性。

Mahout 项目是由 Apache Lucene（开源搜索）社区中对机器学习感兴趣的一些成员发起的，他们希望建立一个可靠、文档翔实、可伸缩的项目，在其中实现一些常见的用于集群和分类的机器学习算法。该社区最初基于 Ng et al. 的文章 “Map-Reduce for Machine Learning on Multicore”（见 参考资料），但此后在发展中又并入了更多广泛的机器学习方法。Mahout 的目标还包括：
- 建立一个用户和贡献者社区，使代码不必依赖于特定贡献者的参与或任何特定公司和大学的资金。
- 专注于实际用例，这与高新技术研究及未经验证的技巧相反。
- 提供高质量文章和示例

3 搭建Mahout环境

3.1 部署过程

3.1.1 下载Mahout

在Apache下载最新的Mahout软件包，点击下载会推荐最快的镜像站点，以下为下载地址：http://archive.apache.org/dist/mahout/0.6/

也可以在/home/shiyanlou/install-pack目录中找到该安装包，解压该安装包并把该安装包复制到/app目录中
- cd /home/shiyanlou/install-pack
- tar -xzf mahout-distribution-0.6.tar.gz
- mv mahout-distribution-0.6 /app/mahout-0.6

3.1.2 设置环境变量

使用如下命令编辑/etc/profile文件：
- sudo vi /etc/profile

声明mahout的home路径和在path加入bin的路径：
- export MAHOUT_HOME=/app/mahout-0.6
- export MAHOUT_CONF_DIR=/app/mahout-0.6/conf
- export PATH= PATH: MAHOUT_HOME/bin

编译配置文件/etc/profile，并确认生效
- source /etc/profile
- echo $PATH

3.1.3 验证安装完成

重新登录终端，确保hadoop集群启动，键入mahout –help命令，检查Mahout是否安装完好，看是否列出了一些算法：
- mahout –help

3.2 测试例子

3.2.1 下载测试数据

下载一个文件synthetic_control.data，下载地址:

http://labfile.oss.aliyuncs.com/courses/237/synthetic_control.data  

把这个文件放在$MAHOUT_HOME/testdata目录下

• cd /home/shiyanlou/install-pack/class9
• wget
• mkdir /app/mahout-0.6/testdata
• mv synthetic_control.data /app/mahout-0.6/testdata

3.2.2 启动Hadoop

通过下面命令启动hadoop并通过jps查看进程
- cd /app/hadoop-1.1.2/bin
- ./start-all.sh
- jps

3.2.3 使用kmeans算法

使用如下命令进行kmeans算法测试：
- cd /app/mahout-0.6/
- mahout org.apache.mahout.clustering.syntheticcontrol.kmeans.Job

这里需要说明下，当你看到下面的代码时以为是错的，其实不是，原因：MAHOUT_LOCAL：设置是否本地运行，如果设置该参数就不会在hadoop运行了，一旦设置这个参数那HADOOP_CONF_DIR 和HADOOP_HOME两个参数就自动失效了。

MAHOUT_LOCAL is not set, so we don't add HADOOP_CONF_DIR to classpath.
no HADOOP_HOME set , running locally

3.2.4 查看结果

结果会在根目录建立output新文件夹，如果下图结果表示mahout安装正确且运行正常：
- cd /app/mahout-0.6/output
- ll

4 测试例子：运行20newsgroup

4.1 算法流程

朴素贝叶斯分类是一种十分简单的分类算法，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率哪个最大，就认为此待分类项属于哪个类别。

这二十个新闻组数据集合是收集大约20,000新闻组文档，均匀的分布在20个不同的集合。这20个新闻组集合采集最近流行的数据集合到文本程序中作为实验，根据机器学习技术。例如文本分类，文本聚集。我们将使用Mahout的Bayes Classifier创造一个模型，它将一个新文档分类到这20个新闻组集合范例演示

4.2 实现过程（mahout 0.6版本）

4.2.1 下载数据并解压数据

下载20Newsgroups数据集，地址为 http://qwone.com/~jason/20Newsgroups/ ，下载20news-bydate.tar.gz数据包，也可以在/home/shiyanlou/install-pack/class9目录中找到该测试数据文件：

解压20news-bydate.tar.gz数据包，解压后可以看到两个文件夹，分别为训练原始数据和测试原始数据：
- cd /home/shiyanlou/install-pack/class9
- tar -xzf 20news-bydate.tar.gz

在mahout根目录下建data文件夹，然后把20news训练原始数据和测试原始数据迁移到该文件夹下：
- mkdir /app/mahout-0.6/data
- mv 20news-bydate-t* /app/mahout-0.6/data
- ll /app/mahout-0.6/data

4.2.2 建立训练集

通过如下命令建立训练集，训练的数据在20news-bydate-train目录中，输出的训练集目录为 bayes-train-input：

 cd /app/mahout-0.6
 mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \
 -p /app/mahout-0.6/data/20news-bydate-train \
 -o /app/mahout-0.6/data/bayes-train-input \
 -a org.apache.mahout.vectorizer.DefaultAnalyzer \
 -c UTF-8

4.2.3 建立测试集

通过如下命令建立训练集，训练的数据在20news-bydate-test目录中，输出的训练集目录为 bayes-test-input：

 mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \
 -p /app/mahout-0.6/data/20news-bydate-test \
 -o /app/mahout-0.6/data/bayes-test-input \
 -a org.apache.mahout.vectorizer.DefaultAnalyzer \
 -c UTF-8

4.2.4 上传数据到HDFS

在HDFS中新建/class9/20news文件夹，把生成的训练集和测试集上传到HDFS的/class9/20news目录中：
- hadoop fs -mkdir /class9/20news
- hadoop fs -put /app/mahout-0.6/data/bayes-train-input /class9/20news
- hadoop fs -put /app/mahout-0.6/data/bayes-test-input /class9/20news
- hadoop fs -ls /class9/20news
- hadoop fs -ls /class9/20news/bayes-test-input

4.2.5 训练贝叶斯分类器

使用trainclassifier类训练在HDFS中/class9/20news/bayes-train-input的数据，生成的模型放到/class9/ 20news/newsmodel 目录中：

 mahout trainclassifier \
 -i /class9/20news/bayes-train-input \  -o /class9/20news/newsmodel \  -type cbayes \  -ng 2 \  -source hdfs

4.2.6 观察训练作业运行过程

注：实验楼为命令行界面，无法观测到该步骤界面，以下描述仅做参考
在训练过程中在JobTracker页面观察运行情况，链接地址为http://...:50030/jobtracker.jsp，训练任务四个作业，大概运行了15分钟左右：

点击查看具体作业信息

map运行情况

作业运行情况

4.2.7 查看生成模型

通过如下命令查看模型内容：
- hadoop fs -ls /class9/20news
- hadoop fs -ls /class9/20news/newsmodel
- hadoop fs -ls /class9/20news/newsmodel/trainer-tfIdf

4.2.8 测试贝叶斯分类器

使用testclassifier类训练在HDFS中./20news/bayestest-input的数据，使用的模型路径为./ 20news/newsmodel：

 mahout testclassifier \
 -m /class9/20news/newsmodel \  -d /class9/20news/bayes-test-input \  -type cbayes \  -ng 2 \  -source hdfs \  -method mapreduce

4.2.9 观察训练作业运行过程

注：实验楼为命令行界面，无法观测到该步骤界面，以下描述仅做参考
在执行过程中在JobTracker页面观察运行情况，链接地址为http://hadoop:50030/jobtracker.jsp，训练任务1个作业，大概运行了5分钟左右：

作业的基本信息

map运行情况

reduce运行情况

4.2.10 查看结果

这个混合矩阵的意思说明：上述a到u分别是代表了有20类别，这就是我们之前给的20个输入文件，列中的数据说明每个类别中被分配到的字节个数，classified说明应该被分配到的总数
381 0 0 0 0 9 1 0 0 0 1 0 0 2 0 1 0 0 3 0 0 | 398 a = rec.motorcycles
意思为rec.motorcycles 本来是属于 a，有381篇文档被划为了a类，这个是正确的数据，其它的分别表示划到 b~u类中的数目。我们可以看到其正确率为 381/398=0.9573 ,可见其正确率还是很高的了。

4.3 实现过程（mahout 0.7+版本）

在0.7版本的安装目录下 MAHOUTHOME/examples/bin下有个脚本文件classifu−20newsgroups.sh，这个脚本中执行过程是和前面分布执行结果是一致的，只不过将各个API用shell脚本封装到一起了。从0.7版本开始，Mahout移除了命令行调用的API：prepare20newsgroups、trainclassifier和testclassifier，只能通过shell脚本执行。执行 MAHOUT_HOME/examples/bin/classify-20newsgroups.sh 四个选项中选择第一个选项，

执行结果如下：

5 问题解决

5.1 使用mahout0.7+版本对20Newsgroup数据建立训练集时出错

使用如下命令对20Newsgroupt数据建立训练集时：

 mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \
 -p /app/mahout-0.9/data/20news-bydate-train \
 -o /app/mahout-0.9/data/bayes-train-input \
 -a org.apache.mahout.vectorizer.DefaultAnalyzer\
 -c UTF-8

出现如下错误，原因在于从0.7版本开始，Mahout移除了命令行调用的prepare20newsgroups、trainclassifier和testclassifier API，只能通过shell脚本执行$MAHOUT_HOME/examples/bin/classify-20newsgroups.sh进行

14/12/7 21:31:35 WARN driver.MahoutDriver: Unable to add class: org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups
14/12/7 21:31:35 WARN driver.MahoutDriver: No org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups.props found on classpath, will use command-line arguments only
Unknown program 'org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups' chosen.
Valid program names are:
  arff.vector: : Generate Vectors from an ARFF file or directory
  baumwelch: : Baum-Welch algorithm for unsupervised HMM training
  .......