本节主要描述MLlib中的聚类算法,基于RDD API的聚类指南中,也包括这些算法的相关信息。
目录
- K-means(聚类)
- Latent Dirichlet allocation (LDA,潜在狄利克雷分布)
- Bisecting k-means(二分K均值)
- Gaussian Mixture Model (GMM,高斯混合模型)
K-means
k-means是一种最常用的聚类算法,该算法可以按照预定义的类别数量,实现数据点的聚类。MLlib中实现包括一个被叫做kmeans||聚类算法,其包含k-means++方法的一个并行化变体。
KMeans被作为Estimator实现,产生一个KMeansModel,作为基本模型。
输入列
参数名称 | 类型 | 默认 | 描述 |
featuresCol | Vector | "features" | Feature vector |
输出列
参数名称 | 类型 | 默认 | 描述 |
predictionCol | Int | "prediction" | Predicted cluster center |
实例
import org.apache.spark.ml.clustering.KMeansModel;
import org.apache.spark.ml.clustering.KMeans;
import org.apache.spark.ml.linalg.Vector;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
// 加载数据
Dataset<Row> dataset = spark.read().format("libsvm").load("data/mllib/sample_kmeans_data.txt");
// 训练K-means模型
KMeans kmeans = new KMeans().setK(2).setSeed(1L);
KMeansModel model = kmeans.fit(dataset);
// 通过计算误差的平法和来评估聚类算法
double WSSSE = model.computeCost(dataset);
System.out.println("Within Set Sum of Squared Errors = " + WSSSE);
// 展示结果
Vector[] centers = model.clusterCenters();
System.out.println("Cluster Centers: ");
for (Vector center: centers) {
System.out.println(center);
}
详细信息参考Java API docs。
在Spark Repo中“examples/src/main/java/org/apache/spark/examples/ml/JavaKMeansExample.java”,可以找到实例代码。
Latent Dirichlet allocation (LDA)
LDA被作为一个Estimator实现,可以同时支持EMLDAOptimizer和OnlineLDAOptimizer,并生成一个LDAModel作为基础模型。如果有需要,可以将基于EMLDAOptimitzer产生LDAModel映射成一个DistributedLDAModel.
实例
import org.apache.spark.ml.clustering.LDA;
import org.apache.spark.ml.clustering.LDAModel;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
// 加载数据
Dataset<Row> dataset = spark.read().format("libsvm")
.load("data/mllib/sample_lda_libsvm_data.txt");
// 训练LDA模型
LDA lda = new LDA().setK(10).setMaxIter(10);
LDAModel model = lda.fit(dataset);
double ll = model.logLikelihood(dataset);
double lp = model.logPerplexity(dataset);
System.out.println("The lower bound on the log likelihood of the entire corpus: " + ll);
System.out.println("The upper bound on perplexity: " + lp);
// 描述话题
Dataset<Row> topics = model.describeTopics(3);
System.out.println("The topics described by their top-weighted terms:");
topics.show(false);
// 展示结果
Dataset<Row> transformed = model.transform(dataset);
transformed.show(false);
详细信息参考Java API docs。
在Spark Repo中“examples/src/main/java/org/apache/spark/examples/ml/JavaLDAExample.java”,可以找到实例代码。
Bisecting k-means
二分k-means是一种使用分裂方式(自上而下)的层次聚类算法:开始所有的观测值都作为一个类,迭代地执行分裂,移动到下一个层级。
二分K-means通常比正规化的K-means快,但是也会产生一个不同聚类。
BisectingKMeams被作为一种Estimator实现,生成一个BisectingKMeansModel,作为基础模型。
实例
import org.apache.spark.ml.clustering.BisectingKMeans;
import org.apache.spark.ml.clustering.BisectingKMeansModel;
import org.apache.spark.ml.linalg.Vector;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
// 加载数据
Dataset<Row> dataset = spark.read().format("libsvm").load("data/mllib/sample_kmeans_data.txt");
// 训练二分k-means模型
BisectingKMeans bkm = new BisectingKMeans().setK(2).setSeed(1);
BisectingKMeansModel model = bkm.fit(dataset);
// 评估聚类算法
double cost = model.computeCost(dataset);
System.out.println("Within Set Sum of Squared Errors = " + cost);
// 展示结果
System.out.println("Cluster Centers: ");
Vector[] centers = model.clusterCenters();
for (Vector center : centers) {
System.out.println(center);
}
详细信息参考Java API docs。
在Spark Repo中“examples/src/main/java/org/apache/spark/examples/ml/JavaBisectingKMeansExample.java”,可以找到实例代码。
Gaussian Mixture Model (GMM)
高斯混合模型表示一种复合分布,所有的点都来至于k个高斯子分部中的一个,并且具有各自的概率。spark.ml算法实现是在给定样本集上,通过使用期望最大化算法来推导最大似然模型。
GaussianMixture被作为一个Estimator实现,其生成一个基础模型GaussianMixtureModel。
输入列
参数名 | 参数类型 | 默认值 | 描述 |
featuresCol | Vector | "features" | Feature vector |
输出列
参数名 | 参数类型 | 默认值 | 描述 |
predictionCol | Int | "prediction" | Predicted cluster center |
probabilityCol | Vector | "probability" | Probability of each cluster |
实例
import org.apache.spark.ml.clustering.GaussianMixture;
import org.apache.spark.ml.clustering.GaussianMixtureModel;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
public class JavaGaussianMixtureExample{
public static void main(String[] args){
// 创建SparkSession
SparkSession spark = SparkSession
.builder()
.master("local[*]")
.appName("JavaGaussianMixtureExample")
.getOrCreate();
// 加载数据,format指定读取文件的格式
Dataset<Row> dataset =
spark.read().format("libsvm").load("data/mllib/sample_kmeans_data.txt");
dataset.show(false);
// 训练高斯混合模型
GaussianMixture gmm = new GaussianMixture().setK(2);
GaussianMixtureModel model = gmm.fit(dataset);
// Output the parameters of the mixture model
for (int i = 0; i < model.getK(); i++) {
System.out.printf("Gaussian %d:\nweight=%f\nmu=%s\nsigma=\n%s\n\n",
i, model.weights()[i], model.gaussians()[i].mean(), model.gaussians()[i].cov());
}
}
}
详细信息参考Java API docs。
在Spark Repo中“examples/src/main/java/org/apache/spark/examples/ml/JavaGaussianMixtureExample.java”,可以找到实例代码。