Spark机器学习之聚类

曾经终败给现在 2022-06-17 00:27 264阅读 0赞

聚类

本页介绍MLlib中的聚类算法。 在基于RDD的API中聚类的指南还具有关于这些算法的相关信息。

目录  
1 k-均值 K-means  
2 Dirichlet allocation (LDA)  
3 平分k-均值 Bisecting k-means  
4 高斯混合模型（GMM）

**1 K-means**

k-means是将数据点聚类到预定数量的聚类中最常用的聚类算法之一。 MLlib实现包括一个名为kmeans ||的k-means ++方法的并行化变体。  
KMeans实现为一个估计器，并生成一个KMeansModel作为基本模型。

from pyspark.ml.clustering import KMeans
    
    # Loads data.
    dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")
    
    # Trains a k-means model.
    kmeans = KMeans().setK(2).setSeed(1)
    model = kmeans.fit(dataset)
    
    # Evaluate clustering by computing Within Set Sum of Squared Errors.
    wssse = model.computeCost(dataset)
    print("Within Set Sum of Squared Errors = " + str(wssse))
    
    # Shows the result.
    centers = model.clusterCenters()
    print("Cluster Centers: ")
    for center in centers:
        print(center)

**2 Dirichlet allocation (LDA)**

LDA实现为一个支持EMLDAOptimizer和OnlineLDAOptimizer的估计器，并生成一个LDAModel作为基本模型。 如果需要，专家用户可以将EMLDAOptimizer生成的LDAModel转换为DistributedLDAModel。

from pyspark.ml.clustering import LDA
    
    # Loads data.
    dataset = spark.read.format("libsvm").load("data/mllib/sample_lda_libsvm_data.txt")
    
    # Trains a LDA model.
    lda = LDA(k=10, maxIter=10)
    model = lda.fit(dataset)
    
    ll = model.logLikelihood(dataset)
    lp = model.logPerplexity(dataset)
    print("The lower bound on the log likelihood of the entire corpus: " + str(ll))
    print("The upper bound bound on perplexity: " + str(lp))
    
    # Describe topics.
    topics = model.describeTopics(3)
    print("The topics described by their top-weighted terms:")
    topics.show(truncate=False)
    
    # Shows the result
    transformed = model.transform(dataset)
    transformed.show(truncate=False)

**3 Bisecting k-means**

平分k均值是使用分裂（或“自上而下”）方法的一种分层聚类：所有观察在一个簇中开始，并且分层在层级结构向下移动时递归地执行。  
平分K均值通常比常规K均值快得多，但通常会产生不同的聚类。  
BisectingKMeans被实现为一个估计器，并生成一个BisectingKMeansModel作为基本模型。

from pyspark.ml.clustering import BisectingKMeans
    
    # Loads data.
    dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")
    
    # Trains a bisecting k-means model.
    bkm = BisectingKMeans().setK(2).setSeed(1)
    model = bkm.fit(dataset)
    
    # Evaluate clustering.
    cost = model.computeCost(dataset)
    print("Within Set Sum of Squared Errors = " + str(cost))
    
    # Shows the result.
    print("Cluster Centers: ")
    centers = model.clusterCenters()
    for center in centers:
        print(center)

**4 高斯混合模型（GMM）**

高斯混合模型表示复合分布，其中点从k个高斯子分布中的一个绘出，每个具有其自身的概率。 spark.ml实现使用期望最大化算法来给出给定一组样本的最大似然模型。  
GaussianMixture作为估计器实现，并生成GaussianMixtureModel作为基本模。

from pyspark.ml.clustering import GaussianMixture
    
    # loads data
    dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")
    
    gmm = GaussianMixture().setK(2).setSeed(538009335)
    model = gmm.fit(dataset)
    
    print("Gaussians shown as a DataFrame: ")
    model.gaussiansDF.show(truncate=False)