Mahout源码MeanShiftCanopy聚类算法分析（1）

如果要先把meanshift算法先跑一遍的话，可以直接使用synthetic_control.data数据来做，把synthetic_control.data 下载赋值到一个文本文件中，然后上传到HDFS文件系统上面，使用下面的命令： bin/hadoop fs -put synthetic_control.data testdata；上传完毕后直接在mahout中运行：bin/mahout org.apache.mahout.clustering.syntheticcontrol.meanshift.Job 即可在终端中看到运行的情况，但是在最后面该程序把所有的数据结果都显示出来了，导致前面的Job信息看不到了，所以我就改变了下程序的某些部分，编写下面的程序，来进行测试：

package mahout.fansy.test.meanshift;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.mahout.clustering.conversion.meanshift.InputDriver;
import org.apache.mahout.clustering.meanshift.MeanShiftCanopyDriver;
import org.apache.mahout.common.distance.DistanceMeasure;
import org.apache.mahout.common.distance.EuclideanDistanceMeasure;
import org.apache.mahout.common.kernel.TriangularKernelProfile;

public class TestMeanShift {

	/**
	 * @param args
	 * @throws Exception 
	 */
	public static void main(String[] args) throws Exception {
		testMeanShift();
	}
	
	public static void testMeanShift() throws ClassNotFoundException, IOException, InterruptedException{
		Configuration conf=new Configuration();
		conf.set("mapred.job.tracker", "ubuntu:9001");
	//	Path input=new Path("hdfs://ubuntu:9000/user/test/input/transform/part-r-00000");
		Path input=new Path("hdfs://ubuntu:9000/user/test/input/synthetic_control.data");
		Path realInput=new Path("hdfs://ubuntu:9000/user/test/input/real_input");
		InputDriver.runJob(input, realInput);
		Path output=new Path("hdfs://ubuntu:9000/user/test/output-meanshift");
		DistanceMeasure measure=new EuclideanDistanceMeasure();
		TriangularKernelProfile kernelProfile =new TriangularKernelProfile();
		double t1=47.6;
		double t2=1;
		double convergenceDelta=0.5;
		int maxIterations=10;
		MeanShiftCanopyDriver.run(conf, realInput, output, measure, kernelProfile, t1, t2, convergenceDelta, maxIterations,true,true,false);
	}
}

编译，打包上面的程序，然后在终端中运行：bin/hadoop jar ../../mahout_jar/ClusteringUtils.jar mahout.fansy.test.meanshift.TestMeanShift，然后在终端中即可看到显示的信息，主要的信息粘贴如下：

由上面的信息可以看到第一个job，只使用了mapper，把600条记录转换为了600个meanshiftcanopy（等下分析）；然后进行了3次循环，每次map和reduce的输入记录数都有变化，分别如下：

	map-in	map_out	reduce_in	reduce_out
第一次	600	600	600	479
第二次	479	129	129	46
第三次	46	15	15	7

可以看出最后只剩下7个类了，（但是原始数据是6个类的，所以此处的参数还是有待调整的）；

然后先分析下第一个Job，这个Job就是把原始每条记录都转换为一个meanshiftcanopy，具体代码如下：

InputDriver：

Job job = new Job(conf, "Mean Shift Input Driver running over input: " + input);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(ClusterWritable.class);
    job.setOutputFormatClass(SequenceFileOutputFormat.class);
    job.setMapperClass(org.apache.mahout.clustering.conversion.meanshift.InputMapper.class);
    job.setReducerClass(Reducer.class);
    job.setNumReduceTasks(0);
    job.setJarByClass(InputDriver.class);

    FileInputFormat.setInputPaths(job, input);
    FileOutputFormat.setOutputPath(job, output);

org.apache.mahout.clustering.conversion.meanshift.InputMapper:

protected void map(LongWritable key, Text values, Context context) throws IOException, InterruptedException {
    String[] numbers = SPACE.split(values.toString());
    // sometimes there are multiple separator spaces
    Collection<Double> doubles = Lists.newArrayList();
    for (String value : numbers) {
      if (!value.isEmpty()) {
        doubles.add(Double.valueOf(value));
      }
    }
    // ignore empty lines in input data
    if (!doubles.isEmpty()) {
      Vector point = new DenseVector(doubles.size());
      int index = 0;
      for (Double d : doubles) {
        point.set(index++, d);
      }
      cw.setValue(new MeanShiftCanopy(point, nextCanopyId++, new EuclideanDistanceMeasure()));
      context.write(new Text(), cw);
    }
  }

第一个job相对比较好理解，和前面的数据转换差不多，都是把文本转换为序列文件同时设定key和value的类型。

分享，快乐，成长

转载请注明出处：http://blog.csdn.net/fansy1990