mahout seqdirectory -i ~/mahout-dirs/training-data -o ~/mahout-dirs/seq -ow -xm sequential
1
mahout seq2sparse -i ~/mahout-dirs/seq -o ~/mahout-dirs/vectors -lnorm -nv -wt tfidf -a org.apache.lucene.analysis.core.WhitespaceAnalyzer
mahout canopy -i /nn/vectors/tfidf-vectors/ -o /canopy/ -t1 80 -t2 55 -t3 80 -t4 55
-dm 默认使用欧氏距离 -cl (出现)则表示对原始数据进行分类
输出的文件有2个(clusteredpoints)分类好的数据 (clusters-0-final)中心向量
下一步进行的KMeans首先需要有聚类中心就是Canopy输出的中心向量
mahout kmeans -i /nb/vector/tfidf-vectors/ -0 /kmeans/ -c /canopy/clusters-o-final/ -k 42 -x 5 -cl
-k 表示聚类的数目 -x 表示最大的循环次数 -cl 算法完成后对原始数据进行分类
输出的文件中(clusteredPoints)分类好的数据 (clusters-0)聚类中心
mahout clusterdump -i /kmeans/cluster-*-final/ -o /kmeans/clusterdump/ -d /NB/vecots/dictionary.file-0/ -dt sequencefile -n 20 -e
聚类中心的文件输出为可视化文件
mahout seqdump -i /kmeans/clusteredPoints/ -0 /kmeans/dump/
聚类结果展示