如何閱讀Mahout的集羣輸出

Question

我已經運行從亨利馬烏教程合成控制數據K-均值聚類算法，並想知道如果有人可以解釋如何解釋輸出。我跑clusterdump和接收到的輸出，看起來像這樣（截斷爲節省空間）：

CL-592{n=57 c=30.726, 29.813...] r=[3.528, 3.597...]} 
Weight : [props - optional]: Point: 
1.0 : [distance=27.453962995925863]: [24.672, 35.261, 30.486...] 
1.0 : [distance=27.675053294846002]: [25.592, 29.951, 34.188...] 
1.0 : [distance=28.97727289419493]: [30.696, 32.667, 34.223...] 
1.0 : [distance=21.999685652862784]: [32.702, 35.219, 30.143...] 
... 
CL-598{n=50 c=[29.611, 29.769...] r=[3.166, 3.561...]} 
Weight : [props - optional]: Point: 
1.0 : [distance=27.266203490250472]: [27.679, 33.506, 23.594...] 
1.0 : [distance=28.749781351838173]: [34.727, 28.325, 30.331...] 
1.0 : [distance=32.635136046420186]: [27.758, 33.859, 29.879...] 
1.0 : [distance=29.328974057024624]: [29.356, 26.793, 25.575...] 

有人能向我解釋如何閱讀呢？據我所知，CL -__是一個簇ID，後面跟着n =簇中的點數，c =質心作爲向量，r =半徑作爲向量，然後是簇中的每個點。它是否正確？此外，我怎麼知道哪個聚集點與哪個輸入點匹配？即被描述爲鍵值對的點，其中鍵是該點的某種ID並且該值是矢量？如果沒有，我可以設置它，所以它是？

Answer 1

我相信你對數據的解釋是正確的（我只用亨利馬烏工作〜3周，所以有人更豐富的或許應該在權衡這一點）。

至於聯點回創建它們我用NamedVector，其中名稱是向量的關鍵輸入。當你閱讀的生成點文件之一（clusteredPoints），你可以每行（點矢量）轉換回NamedVector和檢索使用.getName()名稱。響應

更新評論

當你開始讀你的數據轉化爲Mahout的，你把它轉換成向量的集合與您然後寫使用的文件（points）的聚類算法後。 Mahout爲您提供了幾種可供您使用的Vector類型，但它們還允許您訪問名爲NamedVector的Vector包裝類，這將允許您識別每個矢量。

例如，您可以創建每個NamedVector如下：

NamedVector nVec = new NamedVector(
    new SequentialAccessSparseVector(vectorDimensions), 
    vectorName 
    ); 

然後你寫你的NamedVectors收藏的東西，如到文件：

SequenceFile.Writer writer = new SequenceFile.Writer(...); 
VectorWritable writable = new VectorWritable(); 

// the next two lines will be in a loop, but I'm omitting it for clarity 
writable.set(nVec); 
writer.append(new Text(nVec.getName()), nVec); 

您現在可以使用此文件作爲輸入到其中一個聚類算法。

點文件運行其中一種聚類算法後，它將生成另一個點文件，但它將位於名爲clusteredPoints的目錄中。

然後，您可以讀取該點文件並解壓到你每一個向量相關聯的名字。它看起來像這樣：

IntWritable clusterId = new IntWritable(); 
WeightedPropertyVectorWritable vector = new WeightedPropertyVectorWritable(); 

while (reader.next(clusterId, vector)) 
{ 
    NamedVector nVec = (NamedVector)vector.getVector(); 
    // you now have access to the original name using nVec.getName() 
} 

Answer 2

我有同樣的問題，（使用mahout 0.6）。我也是一個初學者。我需要以集羣的形式向用戶顯示文檔。所以我將需要文檔名稱，而不是與羣集相對應的文字。我一直在從shell腳本中集中文本文檔。

Answer 3

嘗試添加選項-of CSV在clusterdump，你將有進一步的治療更可利用的結果。