2.blink-fink-example-KMeans

方法：KMeans()

 

 

/ **
 *此示例实现了基本的K-Means聚类算法。
 *
 * K-Means是一种迭代聚类算法，其工作原理如下：
 * K-Means被赋予一组要聚类的数据点和一组初始的''K''聚类
 *中心。
 *在每次迭代中，算法计算每个数据点到每个聚类中心的距离。
 *每个点都分配给最靠近它的集群中心。
 *随后，每个聚类中心都移动到所有点的中心（“均值”）
 *被分配给它。
 *移动的聚类中心被送入下一次迭代。
 *算法在固定次数的迭代后终止（如本实现中所示）
 *或者如果聚类中心没有（显着地）在迭代中移动。
 *这是[[http：//en.wikipedia]的维基百科条目
 * .org / wiki / K-means_clustering K-Means聚类算法]]。
 *
 *此实现适用于二维数据点。
 *它计算到集群中心的数据点分配，即
 *每个数据点都使用它所属的最终聚类（中心）的ID进行注释。
 *
 *输入文件是纯文本文件，必须格式如下：
 *
 *  - 数据点表示为由空白字符分隔的两个双精度值。
 *数据点由换行符分隔。
 *例如`“1.2 2.3 \ n5.3 7.2 \ n”`给出两个数据点（x = 1.2，y = 2.3）和（x = 5.3，
 * y = 7.2）。
 *  - 聚类中心由整数id和点值表示。
 *例如`“1 6.2 3.2 \ n2 2.9 5.7 \ n”`给出两个中心（id = 1，x = 6.2，
 * y = 3.2）和（id = 2，x = 2.9，y = 5.7）。
 *
 *用法：
 * {{{
 * KMeans  -  points <path> --centroids <path> --output <path> --iterations <n>
 *}}}
 *如果未提供参数，则使用默认数据运行程序
 * [[org.apache.flink.examples.java.clustering.util.KMeansData]]
 *和10次迭代。
 *
 *此示例显示如何使用：
 *
 *  - 批量迭代
 *  - 批量迭代中的广播变量
 *  -  Scala案例类
 * /