使用 mahout 进行 Kmeans 聚类答案

【问题标题】：Kmeans clustering using mahout使用 mahout 进行 Kmeans 聚类
【发布时间】：2015-02-05 15:48:20
【问题描述】：

我正在尝试使用 .运行时必须传递的选项需要初始集群的路径。谁能告诉我如何在开始算法之前就拥有初始集群？

bin/mahout kmeans \
    -i <input vectors directory> \
    -c <input clusters directory> \
    -o <output working directory> \
    -k <optional number of initial clusters to sample from input vectors> \
    -dm <DistanceMeasure> \
    -x <maximum number of iterations> \
    -cd <optional convergence delta. Default is 0.5> \
    -ow <overwrite output directory if present>
    -cl <run input vector clustering after computing Canopies>
    -xm <execution method: sequential or mapreduce>

【问题讨论】：

Here 是运行综合控制数据的示例。

标签： cluster-analysis mahout k-means

【解决方案1】：

A) Mahout 是 slooooow。如果您的数据适合主内存，请使用其他工具，例如 ELKI。到目前为止，他们对我的表现优于 Mahout。如果您的数据不适合主内存：您确定 k-means 对您的数据有任何意义吗？进行不能解决问题的计算是没有意义的。从一个样本开始，首先检查它是否有效，然后扩大规模。 Mahout 是最后的选择：如果您绝对需要对所有数据进行计算，而其他一切都失败了，那么请使用 Mahout。

B) 阅读所有文档... Mahout k-means 文档中的下一行说：

注意：如果提供了-k 参数，则-c 目录中的所有簇都将被覆盖，-k 随机点将从输入向量中采样成为初始簇中心。

换句话说：如果您知道初始集群中心，请通过-c 提供它们，然后不设置-k。否则空的-c 文件夹是可以的，如果您提供-k，则要采样的聚类中心数。

【讨论】：