mahout读书笔记 -- 聚类(5)

第八章 数据表示

聚类的第一步是将数据vector化，将对象的特征和属性转化为数据

vector就是排序好的列表，没啥特别的

vector的分类：

1：DenseVector，不管是否0都记录上，用单数组实现

2：RandomAccessSparseVector，只记录非0的值，用hashmap实现，随机访问

3：SequentialAccessSparseVector，也是只记录非0值，但线性访问，采用双数组方式实现，一个放非0值的索引，一个放值

选取那种vector和算法相关，对于k-means来说，SequentialAccessSparseVector的性能比较好

特征选取那种有范围的比较好，比如大小，颜色，尺寸等，而无限范围的不适合，比如文本，不能弄个标题来做特征，因为标题是无限的，你不知道该为哪个标题给予多少值

再次提醒，sequencefile就是个key，value，key必须是WritableComparable，而value必须是Writable的，对应到java就是Comparable和Serializable