Mahout 模糊kmeans

Mahout  模糊KMeans

一、算法流程

    模糊 C 均值聚类(FCM),即众所周知的模糊 ISODATA,是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。1973 年,Bezdek 提出了该算法,作为早期硬 C 均值聚类(HCM)方法的一种改进。 FCM 把 n 个向量 xi(i=1,2,...,n)分为 c 个模糊组,并求每组的聚类中心,使得非相似性指标的价值函数达到最小。FCM 使得每个给定数据点用值在 0,1 间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应,隶属矩阵 U 允许有取值在 0,1 间的元素。不过,加上归一化规定,一个数据集的隶属度的和总等于 1:

                                

那么,FCM 的价值函数(或目标函数)就是下式一般化形式:

                                   Mahout 模糊kmeans_第1张图片

这里 uij 介于 0,1 间;ci 为模糊组 i 的聚类中心,dij=||ci-xj||为第 i 个聚类中心与第 j 个数据点间的欧几里德距离;且 m (属于1到无穷)是一个加权指数。
    构造如下新的目标函数,可求得使下式达到最小值的必要条件:其实就是拉格朗日乘子法

    

对上式所有输入参量求导,使上式达到最小的必要条件为:

                    Mahout 模糊kmeans_第2张图片

                        Mahout 模糊kmeans_第3张图片

由上述两个必要条件,模糊 C 均值聚类算法是一个简单的迭代过程。在批处理方式运行时,FCM 用下面步骤确定聚类中心 ci 和隶属矩阵 U:
    步骤 1:用值在 0,1 间的随机数初始化隶属矩阵 U。
    步骤 2:用式(3)计算 c 个聚类中心ci,i=1,...,c。
    步骤 3:根据式(1)计算价值函数。如果它小于某个确定的阀值,或它相对上次价
        值函数值的改变量小于某个阀值,则算法停止。
    步骤 4:用(4)计算新的 U 矩阵和。返回步骤 2。
    上述算法也可以先初始化聚类中心,然后再执行迭代过程。由于不能确保 FCM 收敛于一个最优解。算法的性能依赖于初始聚类中心。因此,我们要么用另外的快速算法确定初始聚类中心,要么每次用不同的初始聚类中心启动该算法,多次运行 FCM。

二、MapReduce实现

(一)初始化中心

RandomSeedGenerator 将输入的向量随机选择K个输出到HDFS作为Fuzzy Kmeans 聚类的初始中心点。

(二) 簇定义

簇Cluster是一个实体,保存该簇的关键信息。

 private int id; 簇编号

核心参数:计算完数据后最终的簇属性

 private long numPoints; 簇中点的个数

 private Vector center; 中心向量 center=

 private Vector radius; 半径向量 radius =

调整参数:簇中加入一个点后调整的参数

 private double s0; s0= 权重和。对该算法

 private Vector s1;  s1=  x pointw为权重,对该算法

 private Vector s2 ;  s2= x pointw为权重,对该算法

(三)寻找中心点

FCM算法用一个Job寻找cluster的中心点。在map的初始化节点,加载初始化(或上一轮迭代的结果)中心点。在map中计算point 和每一个簇的亲和度。在combiner计算同一个cluster的参数,该过程只能计算同一cluster的局部信息。在reduce中首先计算同一个cluster的全局参数,然后计算该cluster是否收敛,输出cluster。

在HDFS中读取所有cluster,只要有一个cluster没有收敛,或者没有达到设定的迭代次数,则继续执行Job。直到符合以上两个条件。

 Map:

List<SoftCluster>clusters = new ArrayList<SoftCluster>()

setUp(){

加载初始化cluster中心或者上一轮cluster中心点,填充clusters。

}

Map(WritableComparable<?>key, VectorWritable point){

For(cluster :clusters){

计算point和每一个cluster的亲和度。

S0=

S1=point

S2=

}

}

 Combier:

      合并同一簇局部参数,其中。s0=  , s1=,s2=。

 Reduce:

      1. 合并同一簇的全局参数,其中。s0= , s1=,s2=。计算中心点等参数。

      2.计算簇是否收敛。当前的中心点和之前cluster的中心点的距离<=收敛值,则收敛,否则为不收敛。

      3.计算参数,点个数,中心向量,半径等。计算公式参看上文。

(四)划分数据

上面的Job收敛之后,得到了k个cluster的中心,划分数据就是把向量划分到cluster中。过程相对简单。

1. 计算point和所有cluster的距离,计算亲和向量。

2. 将点归属到cluster中,这里面有两个策略,一个是划分到亲和度最大的簇中,另外一个是划分到大于阈值的所有簇中。

3. 输出key: 簇id ,value :WeightedVectorWritable(pdf,point) 。Pdf为亲和度。

三、API说明

 

API

KMeansDriver.main(args);

 

--input(-i)

输入路径

 

--outpu(-o)

输出路径

 

--distanceMeasure(-dm)

距离类权限命名,如“org.apache.mahout.common.distance.Cosine

DistanceMeasure”

 

--clusters(-c)

中心点存储路径,如果该路径下没有中心点,则随机生成并写入该目录

 

--numClusters(-k)

簇个数

 

--convergenceDelta(-cd)

收敛值

 

--maxIter(-x)

最大迭代次数

 

--m(-m)

>1的值

 

--emitMostLikely (-e)  

是否提交最大似然

 

 

 

--overwrite(-ow)

是否覆盖上次操作

 

--clustering(-cl)

是否执行聚类

 

--method(-xm)

默认”mapreduce”,或”sequential”

 

 

示例

String  [] args ={"--input","vector/tfidf-vectors",

                                           "--output","fkmeans",

                                           "--distanceMeasure","org.apache.mahout.common.distance.

                                           CosineDistanceMeasure",

                                           "--clusters","fkmeans",

                                           "--numClusters","3",

                                           "--convergenceDelta","0.1",

                                           "--maxIter","5",

                                           "--overwrite",

                                           "-m","3",

                                           "--clustering",

                                           "--emitMostLikely"

                                           };

             

              FuzzyKMeansDriver.main(args);

 

输出

结果文件

Key类型

Value类型

说明

clusters-*

类id (org.apache.hadoop.io.Text)

类中心

(org.apache.mahout.

clustering.kmeans.Cluster)

每条记录以类id和类中心表示一个类别

clusteredPoints

类id (org.apache.hadoop.io.IntWritable)

文档向量

(org.apache.

mahout.clustering.WeightedVectorWritable)

每条记录中,文档向量代表文档,类id代表该文档所属类别

注:clusters-*中*代表数字,第i次迭代产生的类信息即为clusters-i

四、参考文献

1.《web 数据挖掘》

2.《模式分类》

3.博客 http://home.deib.polimi.it/matteucc/Clustering/tutorial_html/cmeans.html

4.博客http://www.cs.princeton.edu/courses/archive/fall08/cos436/Duda/C/fk_means.htm

你可能感兴趣的:(Mahout,机器学习)