本文介绍了如何利用Apache Mahout在Hadoop集群上实现K-Means聚类算法。首先概述了Mahout作为可扩展的大数据机器学习库，接着详细解释了K-Means的基本概念。然后，通过描述实验环境设置、数据准备和运行过程，展示了在Hadoop上执行K-Means的步骤，并讨论了解决遇到问题的方法。最后，总结了Mahout在数据挖掘领域的潜力。
K-Means算法是基于分划分的最基本的聚类算法，是学习机器学习、数据挖掘等技术的最基本的 知识，所以掌握其运行原理是很重要的。
转载请注明出处： http://www.ming-yue.cn/run-kmeans-on-hadoop-with-mahout/
一、介绍Mahout
Mahout是Apache下的开源机器学习软件包，目前实现的机器学习算法主要包含有协同过滤/推荐引擎，聚类和分类三个部分。Mahout从设计开始就旨在建立可扩展的机器学习软件包，用于处理大数据机器学习的问题，当你正在研究的数据量大到不能在一台机器上运行时，就可以选择使用Mahout，让你的数据在Hadoop集群的进行分析。Mahout某些部分的实现直接创建在Hadoop之上，这就使得其具有进行大数据处理的能力，也是Mahout最大的优势所在。相比较于Weka，RapidMiner等图形化的机器学习软件，Mahout只提供机器学习的程序包（library），不提供用户图形界面
最低0.47元/天 解锁文章
扫一扫
439
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
