Mahout Canopy+K-Means

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