Mahout Canopy集群示例

Question

我正在尝试从Apache Mahout Cookbook中的一个合成控制数据示例中了解Canopy集群。但是，我没有得到6个聚类结果，而是得到了600个-集合中的每个样本一个。

C-0{n=1 c=0:28.781，1:34.463，2:31.338，3:31.283，4:28.921，5:33.760，6:25.397，7:27.785，8:35.248，9:27.116，10:32.872，11:29.217，12:36.025，13:32.337，15:34.525，16:32.872，17:34.117，18:26.524，19:27.662，20:26.369，21:25.774，22:29.270，25:30.733，26:29.505，27:33.029，28:25.040，31:28.917，32:24.344，33:26.120，34:34.942，35:25.029，36:26.631，37:35.654，38:28.435，39:29.150，40:28.158，41:26.193，42:33.318，43:30.977，44:27.044，45:35.534，46:26.235，47:28.996，48:32.004，49:31.056，50:34.255，51:28.072，52:28.940，53:35.497，54:29.747，56:31.433，57:24.556，58:33.743，59:25.047，60:34.932 r=[]}

C-1{n=1 c=0:24.892，1:25.741，3:27.553，4:32.822，5:27.879，6:31.593，7:31.486，8:35.547，9:27.952，10:31.660，11:27.542，12:31.189，13:27.487，14:31.391，16:27.811，18:24.488，20:27.592，21:35.627，22:35.410，23:31.417，24:30.745，25:24.131，26:35.142，27:30.472，28:31.987，29:33.662，30:25.551，31:30.469，32:33.647，33:25.070，34:34.077，35:32.598，36:28.304，37:26.147，38:26.941，39:31.520，40:33.109，41:24.149，42:28.516，43:25.791，44:35.952，45:26.530，46:24.858，47:25.956，48:32.836，49:28.532，50:26.346，51:30.621，52:28.986，53:29.405，54:32.558，55:31.021，56:26.642，57:28.433，58:33.656，59:26.424，60:28.466 r=[]}

C-2{n=1 c=0:31.399，1:30.632，2:26.398，3:24.291，4:27.861，5:28.549，6:24.972，7:32.436，8:25.224，9:27.307，10:31.839，11:27.259，12:28.257，13:26.582，14:24.046，15:35.063，16:31.572，17:32.561，18:31.031，19:34.120，20:26.934，21:31.478，22:35.017，23:32.385，24:24.332，25:30.200，26:31.245，27:26.681，28:31.514，29:28.878，30:27.309，31:24.246，33:26.963，34:25.292，35:31.611，36:24.713，37:27.481，38:24.208，39:26.806，40:35.125，41:32.629，42:31.056，43:26.358，44:28.086，45:31.439，46:27.306，47:29.608，48:35.973，49:34.144，50:27.172，51:33.632，52:26.597，53:25.539，54:32.543，55:25.577，56:29.990，57:31.351，59:33.900，60:29.545 r=[]}

C-3{n=1 c=0:25.774，2:30.526，3:35.421，4:25.603，5:27.970，8:25.270，9:28.132，11:29.427，12:31.455，13:27.320，16:28.956，17:28.992，18:29.958，19:30.277，20:30.445，21:24.304，22:24.314，24:35.097，25:25.368，26:32.097，27:33.330，28:25.010，29:35.316，30:31.626，31:29.281，32:34.202，33:26.508，34:32.228，35:25.527，36:24.824，38:27.559，39:28.371，40:32.367，41:26.975，42:35.935，43:35.115，44:24.375，45:27.608，46:27.843，47:29.856，48:32.419，49:26.891，50:31.321，51:29.385，52:34.334，53:24.738，54:35.769，56:31.873，57:34.205，58:31.156，60:34.629 r=[]}

以此类推，直到C-600。

有人能想出一个理由吗？

我正在使用

mahout canopy -i $WORK_DIR/sequencefile/synthetic_control.seq -o
                 $WORK_DIR/output/canopy.output -t1 80 -t2 55

我使用的是在Hadooop 1.2.1上运行的Mahout 0.9。书中的例子是0.9版本的Mahout，调用函数的方式有变化吗？

我甚至尝试使用t1和t2的不同值，但结果是相同的。

谢谢

Answer 1

Canopy被用来为Kmeans中的参数"K“创建一个猜测。它对t1和t2的选择是如此敏感，这是无用的国际海事组织。因此，它正在被弃用。

在Mahout中没有一个很好的替代方案，但你可以看看流式kmeans，或者尝试在kmeans的结果上使用clusterdump，并通过这种方式找到最适合你实际数据的k，以寻求最高的内聚力和最大的分离度。