本文首发于我的个人博客QIMING.INFO,转载请带上链接及署名。
KMeans是一种典型的聚类算法,本文通过代码来演示用spark运行KMeans算法的一个小例子。
算法简介
KMeans算法的基本思想是初始随机给定K个簇中心,按照最邻近原则把无标签样本点分到各个簇。然后按平均法重新计算各个簇的质心,从而确定新的簇心。一直迭代,直到簇心的移动距离小于某个给定的值或迭代次数达到阈值。
运行步骤
数据说明
数据格式为:特征1 特征2 特征3
0.0 0.0 0.0
0.1 0.1 0.1
0.2 0.2 0.2
9.0 9.0 9.0
9.1 9.1 9.1
9.2 9.2 9.2
代码及说明
import org.apache.log4j.{ Level, Logger }
import org.apache.spark.mllib.clustering.KMeans
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.sql.SparkSession
object KMeansTest {
def main(args: Array[String]): Unit = {
// 生成SparkSession对象
val spark = new SparkSession.Builder().appName("KMeansTest").getOrCreate()
//生成SparkContext对象
val sc = spark.sparkContext
//设置日志输出级别
Logger.getRootLogger.setLevel(Level.WARN)
// 装载数据集
val data = sc.textFile("/home/hadoop/ML_Data/input/kmeans_data.txt")
val parsedData = data.map(s => Vectors.dense(s.split("\\s+").map(_.toDouble))).cache()
// 将数据集聚类,4个类,50次迭代,进行模型训练形成数据模型
val numClusters = 4
val numIterations = 50
val runs = 20 // 执行20次取最优
val model = KMeans.train(parsedData, numClusters, numIterations, runs)
//打印输出中心点坐标
val centers = model.clusterCenters
println("centers")
for (i <- 0 to centers.length - 1) {
println(centers(i)(0) + "\t" + centers(i)(1))
}
// 误差计算
val WSSSE = model.computeCost(parsedData)
println("Within Set Sum of Squared Errors = " + WSSSE)
//给每个数据点进行标号,zippedData格式为(数据的类别号,数据)
val c = parsedData.map(x => model.predict(x))
c.persist()
val zippedData = c.zip(parsedData)
//保存zippedData到本地
zippedData.saveAsTextFile("/home/hadoop/ML_Data/output/KMeans_data")
}
}
结果展示
将结果合成到一个文件中,方便查看: