聚类算法

一、数据模型

1.简介

mahout的DataModel为自定义Vector,具体实现常用的有DenseVector、RandomAccessSparseVector、SequentialAccessSparseVector；
1. DenseVector：它的实现就是一个浮点数数组，对向量里所有域都进行存储，适合用于存储密集向量。
2. RandomAccessSparseVector： 基于浮点数的 HashMap 实现的，key 是整形 (int) 类型，value 是浮点数 (double) 类型，它只存储向量中不为空的值，并提供随机访问。
3. SequentialAccessSparseVector：实现为整形 (int) 类型和浮点数 (double) 类型的并行数组，它也只存储向量中不为空的值，但只提供顺序访问。

2.应用场景

    用户可以根据自己算法的需求选择合适的向量实现类，如果算法需要很多随机访问，应该选择 DenseVector 或者 RandomAccessSparseVector，如果大部分都是顺序访问，SequentialAccessVector 的效果应该更好。`

二、算法

1. K-means算法
   算法思路：
   1. 选择中心点，设置距离阈值
   2. 计算每个点与中心点的距离
   3. 分类
   2.mahout计算距离方法：

   1. EuclideanDistanceMeasure//欧几里得

2. Canopy算法
   算法思路：
   1. 预设两个距离阈值T1,T2(T1>T2)
   2. 选择一个点，通过T1选择以这个点为中心的Canopy,过滤掉距离这个点T2的点
   3. 循环2，直到点为空

三、参考文档：
http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy3/index.html