mahout学习

 Mahout  是机器学习和数据挖掘的一个分布式框架，区别于其他的开源数据挖掘软件，它是基于 hadoop 之上的；   所以 hadoop 的优势就是 Mahout 的优势。 Mahout 用 map-reduce 实现了部分数据挖掘算法，解决了并行挖掘的问题。
一. 配置maven：     
        1.    下载 maven ， http://maven.apache.org/download.cgi   ，  apache-maven-3.1.1-bin.tar.gz

    2.   保存到/usr/local,
        tar  -xzfapache-maven-3.1.1* 
        mv apache-maven-3.1.1 maven

    3.   Vi /etc/profile, vi ~/.bashrc,添加如下：

        export MAVEN_HOME=/usr/local/maven

        export PATH=…..;$MAVEN_HOME/bin

               然后执行：  source /etc/profile , source ~/.bashrc

        4.检查是否配置成功：输入mvn –v,显示版本。
二.配置mahout：
    （之前hadoop都已经搭建好，能正常启动hadoop）  

        1.下载mahout，http://mirror.bit.edu.cn/apache/mahout/，mahout-distribution-0.8.tar.gz

    2.保存到/usr/local,tar –xzf mahout* ,mv mahout*0.8 mahout

    3. Vi /etc/profile , vi ~/.bashrc,添加如下：

        export MAHOUT_HOME=/usr/local/mahout

        export PATH=…..;$MAHOUT_HOME/bin

                然后执行：  source /etc/profile , source ~/.bashrc

      4.mahout  –help,列出各种算法   也可对其中某种算法： mahout kmeans –help
三.聚类测试（kmeans） 
        聚类的思路：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。
   1.下载测试数数据synthetic_control.data，下载地址http://download.csdn.net/detail/flyinf_guo/5327321     

      2.在HDFS上创建文件夹testdata，并把数据上传到testdata里：

                  hadoop fs –mkdir testdata

                     hadoop fs –put /usr/local/synthetic_control.data  testdata
      3.执行命令：

    hadoop jar /usr/local/mahout/mahout-examples-0.8-job.jarorg.apache.mahout.clustering.syntheticcontrol.kmeans.Job
    或者mahout org.apache.mahout.clustering.syntheticcontrol.kmeans.Job
   4.查看运行后结果：hadoop fs -ls output

 
    5.分析结果：

clusteredPoints：存放的是最后聚类的结果，将cluster-id和documents-id都展示出来了，用
             mahout seqdumper读clusteredPoints结果的key-value类型是(IntWritable,WeightedVectorWritable)

clusters-N：是第N次聚类的结果，其中n为某类的样本数目，c为各类各属性的中心，r为各类属性的半径。                clusters-N结果类型是(Text,Cluster)             

data：存放的是原始数据，这个文件夹下的文件可以用mahout vectordump来读取，
     原始数据是向量形式的,其它的都只能用mahout seqdumper来读取，向量文件也可以用mahout seqdumper来          读 取。只是用vectordump读取出来的是数字结果，没有对应的key，用seqdumper读出来的可以看到key，即对    应的url， 而value读出来的是一个类描述，而不是数组向量。

mahout seqdumper：将SequenceFile文件转成可读的文本形式，对应的源文件是org.apache.mahout.utils.                   
                                     SequenceFileDumper.java
mahout vectordump：将向量文件转成可读的文本形式，对应的源文件是org.apache.mahout.utils.vectors                    .
                                    VectorDumper.java
mahout clusterdump：分析最后聚类的输出结果，对应的源文件是org.apache.mahout.utils.clustering.
                                    ClusterDumper.java

用clusterdump查看,命令如下：
mahout clusterdump --input /user/root/output/clusters-10-final --pointsDir /user/root/output/clusteredPoints --output $MAHOUT_HOME/examples/output/clusteranalyze.txt

VL-52代表这是一个cluster，n=161代表该cluster有161个点，c=[...]代表该cluster的中心向量点，r=[...]代表cluster的半径。
用seqdumper查看,命令如下：mahout seqdumper -i /user/root/output/clusteredPoints/part-m-00000–o /usr/local/result.txt
 

  6.注意：
        mahout下处理的文件必须是SequenceFile格式的，所以需要把txtfile转换成sequenceFile。
SequenceFile是hadoop中的一个类。

        MAHOUT_HOME/conf/driver.classes.props文件中查看各个算法的入口，如果要添加新的算法，也可以在这个文件中注册。