K-Means算法是一种基于距离的聚类算法，采用迭代的方法，计算出K个聚类中心，把若干个点聚成K类。
MLlib实现K-Means算法的原理是，运行多个K-Means算法，每个称为run，返回最好的那个聚类的类簇中心。初始的类簇中心，可以是随机的，也可以是KMean||得来的，迭代达到一定的次数，或者所有run都收敛时，算法就结束。
用Spark实现K-Means算法，首先修改pom文件，引入机器学习MLlib包：
代码：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
import org.apache.log4j.{Level,Logger}
import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.mllib.clustering.KMeans
import org.apache.spark.mllib.linalg.Vectors
object Kmeans {
def main(args:Array[String]) = {
// 屏蔽日志
Logger.getLogger(“org.apache.spark”).setLevel(Level.WARN)
Logger.getLogger(“org.apache.jetty.server”).setLevel(Level.OFF)
// 设置运行环境
val conf = new SparkConf().setAppName(“K-Means”).setMaster(“spark://master:7077”)
.setJars(Seq(“E:\\Intellij\\Projects\\SimpleGraphX\\SimpleGraphX.jar”))
val sc = new SparkContext(conf)
// 装载数据集
val data = sc.textFile(“hdfs://master:9000/kmeans_data.txt”, 1)
val parsedData = data.map(s => Vectors.dense(s.split(” “).map(_.toDouble)))
// 将数据集聚类,2个类,20次迭代,形成数据模型
val numClusters = 2
val numIterations = 20
val model = KMeans.train(parsedData, numClusters, numIterations)
// 数据模型的中心点
println(“Cluster centres:”)
for(c <- model.clusterCenters) {
println(” ” + c.toString)
}
// 使用误差平方之和来评估数据模型
val cost = model.computeCost(parsedData)
println(“Within Set Sum of Squared Errors = ” + cost)
// 使用模型测试单点数据
println(“Vectors 7.3 1.5 10.9 is belong to cluster:” + model.predict(Vectors.dense(“7.3 1.5 10.9″.split(” “)
.map(_.toDouble))))
println(“Vectors 4.2 11.2 2.7 is belong to cluster:” + model.predict(Vectors.dense(“4.2 11.2 2.7″.split(” “)
.map(_.toDouble))))
println(“Vectors 18.0 4.5 3.8 is belong to cluster:” + model.predict(Vectors.dense(“1.0 14.5 73.8″.split(” “)
.map(_.toDouble))))
// 返回数据集和结果
val result = data.map {
line =>
val linevectore = Vectors.dense(line.split(” “).map(_.toDouble))
val prediction = model.predict(linevectore)
line + ” ” + prediction
}.collect.foreach(println)
sc.stop
}
}
使用textFile()方法装载数据集，获得RDD，再使用KMeans.train()方法根据RDD、K值和迭代次数得到一个KMeans模型。得到KMeans模型以后，可以判断一组数据属于哪一个类。具体方法是用Vectors.dense()方法生成一个Vector，然后用KMeans.predict()方法就可以返回属于哪一个类。
运行结果：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Cluster centres:
[6.062499999999999,6.7124999999999995,11.5]
[3.5,12.2,60.0]
Within Set Sum of Squared Errors = 943.2074999999998
Vectors 7.3 1.5 10.9 is belong to cluster:0
Vectors 4.2 11.2 2.7 is belong to cluster:0
Vectors 18.0 4.5 3.8 is belong to cluster:1
0.0 0.0 5.0 0
0.1 10.1 0.1 0
1.2 5.2 13.5 0
9.5 9.0 9.0 0
9.1 9.1 9.1 0
19.2 9.4 29.2 0
5.8 3.0 18.0 0
3.5 12.2 60.0 1
3.6 7.9 8.1 0
总结
本文关于Spark实现K-Means算法代码示例的全部内容就到这里，希望对大家有所帮助。感如有不足之处，欢迎留言指出，小编会及时回复大家并更正，希望朋友们对本站多多支持！
原文链接：http://www.cnblogs.com/mstk/p/6925736.html
声明： 猿站网有关资源均来自网络搜集与网友提供，任何涉及商业盈利目的的均不得使用，否则产生的一切后果将由您自己承担！ 本平台资源仅供个人学习交流、测试使用 所有内容请在下载后24小时内删除，制止非法恶意传播，不对任何下载或转载者造成的危害负任何法律责任！也请大家支持、购置正版！ 。本站一律禁止以任何方式发布或转载任何违法的相关信息访客发现请向站长举报，会员发帖仅代表会员个人观点，并不代表本站赞同其观点和对其真实性负责。本网站的资源部分来源于网络，如有侵权烦请发送邮件至：2697268773@qq.com进行处理。