mahout之聚類演算法——KMeans分析

一，K-Means聚類演算法原理

        k-means 演算法接受引數 k ；然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的物件相似度較高；而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得一個“中心物件”（引力中心）來進行計算的。

　　K-means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演算法之一。K-means演算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的物件歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。

　　假設要把樣本集分為c個類別，演算法描述如下：

　　（1）適當選擇c個類的初始中心；

　　（2）在第k次迭代中，對任意一個樣本，求其到c箇中心的距離，將該樣本歸到距離最短的中心所在的類；

　　（3）利用均值等方法更新該類的中心值；

　　（4）對於所有的c個聚類中心，如果利用（2）（3）的迭代法更新後，值保持不變，則迭代結束，否則繼續迭代。

　　該演算法的最大優勢在於簡潔和快速。演算法的關鍵在於初始中心的選擇和距離公式。

   二，mahout Kmeans聚類實現 ：
(1)引數input指定待聚類的所有資料點，clusters指定初始聚類中心
如果指定引數k，由org.apache.mahout.clustering.kmeans.RandomSeedGenerator.buildRandom
通過org.apache.hadoop.fs直接從input指定檔案中隨機讀取k個點放入clusters中

(2)根據原資料點和上一次迭代(或初始聚類)的聚類中心計算本次迭代
的聚類中心，輸出到clusters-N目錄下。
該過程由org.apache.mahout.clustering.kmeans下的
KMeansMapper\KMeansCombiner\KMeansReducer\KMeansDriver實現

KMeansMapper：在configure中初始化mapper時讀入上一次迭代產生或初始聚類中心
(每個mapper都讀入所有的聚類中心);
map方法對輸入的每個點，計算距離其最近的類，並加入其中
輸出key為該點所屬聚類ID，value為KMeansInfo例項，包含點的個數和各分量的累加和

KMeansCombiner：本地累加KMeansMapper輸出的同一聚類ID下的點個數和各分量的和

KMeansReducer：累加同一聚類ID下的點個數和各分量的和，求本次迭代的聚類中心；
並根據輸入Delta判斷該聚類是否已收斂：上一次迭代聚類中心與本次迭代聚類中心距離<Delta；
輸出各聚類中心和其是否收斂標記

KMeansDriver：控制迭代過程直至超過最大迭代次數或所有聚類都已收斂
每輪迭代後，KMeansDriver讀取其clusters-N目錄下的所有聚類，若所有聚類已收斂
則整個Kmeans聚類過程收斂了。



引數調整 ：

manhout Kmeans聚類有兩個重要引數：收斂Delta和最大迭代次數

個人覺得Delta值越小，表示收斂條件越高，因此最終收斂的聚類數可能會降低，

而最大迭代次數可通過觀察每次迭代後收斂聚類數決定，當收斂聚類數幾乎不再變化或震盪時可停止迭代了