Spark：Scala实现KMeans算法

最新推荐文章于 2023-07-17 08:49:54 发布

ldcaws

最新推荐文章于 2023-07-17 08:49:54 发布

阅读量6.4k

点赞数

分类专栏： Spark

本文链接：https://blog.csdn.net/leijie0322/article/details/44617095

版权

Spark 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1 什么是KMeans算法
K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。
具体来说，通过输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准的k个聚类。

2 k-means 算法基本步骤
（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（3）重新计算每个（有变化）聚类的均值（中心对象）；
（4）计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤（2）。
算法的时间复杂度上界为O(n*k*t), 其中t是迭代次数，n个数据对象划分为 k个聚类。

3 MLlib实现KMeans
以MLlib实现KMeans算法，利用MLlib KMeans训练出来的模型，可以对新的数据作出分类预测，具体见代码和输出结果。
Scala代码：

1 package com.hq
2
3 import org.apache.spark.mllib.clustering.KMeans
4 import org.apache.spark.mllib.linalg.Vectors
5 import org.apache.spark.{SparkContext, SparkConf}
6
7 object KMeansTest {
8 def main(args: Array[String]) {
9 if (args.length < 1) {
10 System.err.println("Usage: <file>")
11 System.exit(1)
12 }
13
14 val conf = new SparkConf()
15 val sc = new SparkContext(conf)
16 val data = sc.textFile(args(0))
17 val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble)))
18 val numClusters = 2
19 val numIterations = 20
20 val clusters = KMeans.train(parsedData,numClusters,numIterations)
21
22 println("------Predict the existing line in the analyzed data file: "+args(0))
23 println("Vector 1.0 2.1 3.8 belongs to clustering "+ clusters.predict(Vectors.dense("1.0 2.1 3.8".split(' ').map(_.toDouble))))
24 println("Vector 5.6 7.6 8.9 belongs to clustering "+ clusters.predict(Vectors.dense("5.6 7.6 8.9".split(' ').map(_.toDouble))))
25 println("Vector 3.2 3.3 6.6 belongs to clustering "+ clusters.predict(Vectors.dense("3.2 3.3 6.6".split(' ').map(_.toDouble))))
26 println("Vector 8.1 9.2 9.3 belongs to clustering "+ clusters.predict(Vectors.dense("8.1 9.2 9.3".split(' ').map(_.toDouble))))
27 println("Vector 6.2 6.5 7.3 belongs to clustering "+ clusters.predict(Vectors.dense("6.2 6.5 7.3".split(' ').map(_.toDouble))))
28
29 println("-------Predict the non-existent line in the analyzed data file: ----------------")
30 println("Vector 1.1 2.2 3.9 belongs to clustering "+ clusters.predict(Vectors.dense("1.1 2.2 3.9".split(' ').map(_.toDouble))))
31 println("Vector 5.5 7.5 8.8 belongs to clustering "+ clusters.predict(Vectors.dense("5.5 7.5 8.8".split(' ').map(_.toDouble))))
32
33 println("-------Evaluate clustering by computing Within Set Sum of Squared Errors:-----")
34 val wssse = clusters.computeCost(parsedData)
35 println("Within Set Sum of Squared Errors = "+ wssse)
36 sc.stop()
37 }
38 }

复制代码

4 以Spark集群standalone方式运行
①在IDEA打成jar包（如果忘记了，参见 Spark：用Scala和Java实现WordCount ），上传到用户目录下/home/ebupt/test/kmeans.jar
②准备训练样本数据：hdfs://eb170:8020/user/ebupt/kmeansData，内容如下
[ebupt@eb170 ~]$ hadoop fs -cat ./kmeansData

1.0 2.1 3.8
5.6 7.6 8.9
3.2 3.3 6.6
8.1 9.2 9.3
6.2 6.5 7.3

复制代码

③spark-submit提交运行
[ebupt@eb174 test]$ spark -submit --master spark://eb174:7077 --name KmeansWithMLib --class com.hq.KMeansTest --executor-memory 2G --total-executor-cores 4 ~/test/kmeans.jar hdfs://eb170:8020/user/ebupt/kmeansData

输出结果摘要：

1 ------Predict the existing line in the analyzed data file: hdfs://eb170:8020/user/ebupt/kmeansData
2 Vector 1.0 2.1 3.8 belongs to clustering 0
3 Vector 5.6 7.6 8.9 belongs to clustering 1
4 Vector 3.2 3.3 6.6 belongs to clustering 0
5 Vector 8.1 9.2 9.3 belongs to clustering 1
6 Vector 6.2 6.5 7.3 belongs to clustering 1
7 -------Predict the non-existent line in the analyzed data file: ----------------
8 Vector 1.1 2.2 3.9 belongs to clustering 0
9 Vector 5.5 7.5 8.8 belongs to clustering 1
10 -------Evaluate clustering by computing Within Set Sum of Squared Errors:-----
11 Within Set Sum of Squared Errors = 16.393333333333388