草庐IT

hadoop - OpenIMAJ 库中的 K-Means 聚类

coder 2024-01-09 原文

我在机器学习和聚类分析方面不是很有经验，但我有以下问题:

我有大约 100kk-1000kk 条数据，我无法一次将它们全部加载到内存中，我需要将其分成多个类(例如 1-10k 甚至 100k 类)以供进一步分析。为此，我选择了在 OpenIMAJ 库(FloatKMeans 类)中实现的 K-Means 算法。 我了解到 K-Means 算法可以分为 2 个阶段:

  1. 学习阶段 - 我传递所有我必须创建/填充类(class)的数据
  2. 分配阶段 - 在这里我可以询问集群给定数据属于哪个类

我计划使用 Hadoop 减少阶段构建集群模型，我将一个接一个地接收数据片段(这就是为什么我不能一次将所有数据传递给算法的原因)

我的问题是:

  • OpenIMAJ 实现是否最适合此类“大数据”用例？计算它不会花很长时间吗？
  • 是否可以在 hadoop reduce faze 期间将数据“流”到算法中以学习集群？
  • 是否可以将学习的集群(模型)保存为字节，以便将模型传递给下一个 hadoop 作业？
  • 在 hadoop 映射期间运行算法分配阶段是否可以？

感谢帮助

最佳答案

K-Means 聚类是一种对数据进行多次传递的迭代算法。在每次传递中，点都被分配给聚类质心，然后在所有点都被分配后，聚类质心被重新计算为分配点的平均值。您不能将数据“流”到传统意义上的算法，因为您需要在后续迭代期间返回到它。

关于 OpenIMAJ FloatKMeans 实现:是的，它可以处理“大数据”，因为它不介意从哪里获取数据 - DataSource 实例它作为输入可以在必要时从磁盘读取数据。唯一的要求是您可以在算法运行期间将所有质心保存在内存中。该实现是多线程的，因此在计算期间可以使用所有 cpu 内核。这里有示例代码:https://github.com/openimaj/openimaj/blob/master/demos/examples/src/main/java/org/openimaj/examples/ml/clustering/kmeans/BigDataClusterExample.java . OpenIMAJ IOUtils.writeBinary(...) 方法可用于将生成的簇质心保存在 FloatCentroidsResult 对象中。

K-Means 中最大的成本之一是计算每个数据点与每个聚类质心之间的距离，以便找到最接近的点。这样做的成本与数据的维度和质心的数量有关。如果您有大量的质心和高维数据，那么使用近似的 K-Means 实现可以在精度略有下降的情况下获得很大的速度优势(参见 FloatKMeans.createKDTreeEnsemble() 例如——这使用 KD 树的集合来加速邻居计算)。

关于与 Hadoop 的集成，可以将 K-Means 实现为一系列 Map-Reduce 任务(每对对应于算法的一次迭代)。有关讨论，请参阅本文:http://eprints.soton.ac.uk/344243/1/paper.pdf .如果你想走这条路，OpenIMAJ 在这里有一个非常粗略的实现，你可以构建它:https://github.com/openimaj/openimaj/tree/master/hadoop/tools/HadoopFastKMeans .如链接文件中所述，Apache Mahout 还包含一个实现:https://mahout.apache.org .这两种实现的一个问题是它们需要在映射器和缩减器之间传输大量数据(每个映射器发出当前数据点及其分配的集群 ID)。这种程度可能意味着使用算法的非 Hadoop 实现可能会更快，但这将取决于您有哪些可用的处理资源和数据集的性质。 map 和 reduce 之间的数据传输问题也可以通过聪明的 Hadoop Combiner 来减少，并从数据子集计算加权质心，然后将这些传递给(修改后的)reducer 以计算实际质心。

关于hadoop - OpenIMAJ 库中的 K-Means 聚类，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/29211775/

OpenIMAJK-Meanscodesectionhadoopmachine-learningcluster-analysis

有关hadoop - OpenIMAJ 库中的 K-Means 聚类的更多相关文章

  1. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

    总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

  2. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  3. ruby-on-rails - Ruby net/ldap 模块中的内存泄漏 - 2

    作为我的Rails应用程序的一部分，我编写了一个小导入程序，它从我们的LDAP系统中吸取数据并将其塞入一个用户表中。不幸的是，与LDAP相关的代码在遍历我们的32K用户时泄漏了大量内存，我一直无法弄清楚如何解决这个问题。这个问题似乎在某种程度上与LDAP库有关，因为当我删除对LDAP内容的调用时，内存使用情况会很好地稳定下来。此外，不断增加的对象是Net::BER::BerIdentifiedString和Net::BER::BerIdentifiedArray，它们都是LDAP库的一部分。当我运行导入时，内存使用量最终达到超过1GB的峰值。如果问题存在，我需要找到一些方法来更正我的代

  4. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

  5. ruby-on-rails - Rails - 一个 View 中的多个模型 - 2

    我需要从一个View访问多个模型。以前，我的links_controller仅用于提供以不同方式排序的链接资源。现在我想包括一个部分(我假设)显示按分数排序的顶级用户(@users=User.all.sort_by(&:score))我知道我可以将此代码插入每个链接操作并从View访问它，但这似乎不是“ruby方式”，我将需要在不久的将来访问更多模型。这可能会变得很脏，是否有针对这种情况的任何技术？注意事项:我认为我的应用程序正朝着单一格式和动态页面内容的方向发展，本质上是一个典型的网络应用程序。我知道before_filter但考虑到我希望应用程序进入的方向，这似乎很麻烦。最终从任何

  6. ruby-on-rails - Rails 3.2.1 中 ActionMailer 中的未定义方法 'default_content_type=' - 2

    我在我的项目中添加了一个系统来重置用户密码并通过电子邮件将密码发送给他，以防他忘记密码。昨天它运行良好(当我实现它时)。当我今天尝试启动服务器时，出现以下错误。=>BootingWEBrick=>Rails3.2.1applicationstartingindevelopmentonhttp://0.0.0.0:3000=>Callwith-dtodetach=>Ctrl-CtoshutdownserverExiting/Users/vinayshenoy/.rvm/gems/ruby-1.9.3-p0/gems/actionmailer-3.2.1/lib/action_mailer

  7. ruby-on-rails - Rails 应用程序中的 Rails : How are you using application_controller. rb 是新手吗？ - 2

    刚入门rails，开始慢慢理解。有人可以解释或给我一些关于在application_controller中编码的好处或时间和原因的想法吗？有哪些用例。您如何为Rails应用程序使用应用程序Controller？我不想在那里放太多代码，因为据我了解，每个请求都会调用此Controller。这是真的？ 最佳答案 ApplicationController实际上是您应用程序中的每个其他Controller都将从中继承的类(尽管这不是强制性的)。我同意不要用太多代码弄乱它并保持干净整洁的态度，尽管在某些情况下ApplicationContr

  8. ruby-on-rails - form_for 中不在模型中的自定义字段 - 2

    我想向我的Controller传递一个参数，它是一个简单的复选框，但我不知道如何在模型的form_for中引入它，这是我的观点:{:id=>'go_finance'}do|f|%>Transferirde:para:Entrada:"input",:placeholder=>"Quantofoiganho?"%>Saída:"output",:placeholder=>"Quantofoigasto?"%>Nota:我想做一个额外的复选框，但我该怎么做，模型中没有一个对象，而是一个要检查的对象，以便在Controller中创建一个ifelse，如果没有检查，请帮助我，非常感谢,谢谢

  9. ruby - rspec 需要 .rspec 文件中的 spec_helper - 2

    我注意到像bundler这样的项目在每个specfile中执行requirespec_helper我还注意到rspec使用选项--require，它允许您在引导rspec时要求一个文件。您还可以将其添加到.rspec文件中，因此只要您运行不带参数的rspec就会添加它。使用上述方法有什么缺点可以解释为什么像bundler这样的项目选择在每个规范文件中都需要spec_helper吗？ 最佳答案 我不在Bundler上工作，所以我不能直接谈论他们的做法。并非所有项目都checkin.rspec文件。原因是这个文件，通常按照当前的惯例，只

  10. ruby-on-rails - active_admin 目录中的常量警告重新声明 - 2

    我正在使用active_admin，我在Rails3应用程序的应用程序中有一个目录管理，其中包含模型和页面的声明。时不时地我也有一个类，当那个类有一个常量时，就像这样:classFooBAR="bar"end然后，我在每个必须在我的Rails应用程序中重新加载一些代码的请求中收到此警告:/Users/pupeno/helloworld/app/admin/billing.rb:12:warning:alreadyinitializedconstantBAR知道发生了什么以及如何避免这些警告吗？ 最佳答案 在纯Ruby中:classA

随机推荐