sparkml和mllib分别实现KMeans算法

2023-12-26 01:48

本文主要是介绍sparkml和mllib分别实现KMeans算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

正如大家所知道的MLLib这个算法包apache已经宣布只维护不更新了,所以大家如果做算法本人推荐使用ML的算法包。
原理的话本人就不在讲了,因为很多资料都写的比较清晰明白,这里我只写代码
本人在这里写了一些sparkml和mllib的示例入门程序

SparkML


import org.apache.spark.ml.clustering.{KMeans, KMeansModel}
import org.apache.spark.ml.feature.{ VectorAssembler}
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.{DoubleType,StructField, StructType}
import org.apache.spark.sql.{Row, SparkSession}
/*** Created by LiuWenSheng on 2017/10/11.*/
object MyKMeans {def main(args: Array[String]) {val sparkSession = SparkSession.builder().appName("mykmeans").master("local[2]").getOrCreate()//本例使用的数据集为鸢尾花数据集,大家可以自行网上下载。val rawData: RDD[String] = sparkSession.sparkContext.textFile("D:/testData/fun.txt")//转换数据格式val data = rawData.map(_.split(",")).map(x=>Row(x(0).toDouble,x(1).toDouble,x(2).toDouble,x(3).toDouble))//创建StructType格式val struct: StructType = StructType(StructField("f1",DoubleType,false)::StructField("f2",DoubleType,false)::StructField("f3",DoubleType,false)::StructField("f4",DoubleType,false)::Nil)//创建DataFrameval df = sparkSession.createDataFrame(data,struct)//把f1~f4转化为向量集合val vectorAssembler = new VectorAssembler().setInputCols(Array("f1","f2","f3","f4")).setOutputCol("features")val kms = new KMeans().setPredictionCol("predictionCol").setFeaturesCol("features").setMaxIter(66).setK(4)val a = vectorAssembler.transform(df)val model: KMeansModel = kms.fit(a)model.transform(a).show(100)val wssse = model.computeCost(a)println("wssse is :"+wssse)//计算聚类的中心点model.clusterCenters.foreach(println)/**                    如果想要使用pipeline的话代码如下            **/
//    val pipeLine: Pipeline = new Pipeline().setStages(Array(vectorAssembler,model))
//    val res: PipelineModel = pipeLine.fit(df)
//    val b: DataFrame = res.transform(df)
//    b.show(130)}
}

结果如下所示:

+---+---+---+---+-----------------+-------------+
| f1| f2| f3| f4|         features|predictionCol|
+---+---+---+---+-----------------+-------------+
|5.1|3.5|1.4|0.2|[5.1,3.5,1.4,0.2]|            3|
|4.9|3.0|1.4|0.2|[4.9,3.0,1.4,0.2]|            0|
|4.7|3.2|1.3|0.2|[4.7,3.2,1.3,0.2]|            0|
|4.6|3.1|1.5|0.2|[4.6,3.1,1.5,0.2]|            0|
|5.0|3.6|1.4|0.2|[5.0,3.6,1.4,0.2]|            3|
|5.4|3.9|1.7|0.4|[5.4,3.9,1.7,0.4]|            3|
|4.6|3.4|1.4|0.3|[4.6,3.4,1.4,0.3]|            0|
|5.0|3.4|1.5|0.2|[5.0,3.4,1.5,0.2]|            0|
|4.4|2.9|1.4|0.2|[4.4,2.9,1.4,0.2]|            0|
|4.9|3.1|1.5|0.1|[4.9,3.1,1.5,0.1]|            0|
+---+---+---+---+-----------------+-------------+
only showing top 10 rowswssse is :71.34822351828443
[4.725,3.1333333333333333,1.4208333333333334,0.19166666666666676]
[5.883606557377049,2.740983606557377,4.388524590163936,1.4344262295081964]
[6.8538461538461535,3.076923076923076,5.715384615384614,2.053846153846153]
[5.265384615384616,3.6807692307692306,1.503846153846154,0.2923076923076923]

SparkMLLib实现KMeans

import org.apache.spark.mllib.clustering.KMeans
import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}/*** Created by LiuWenSheng on 2017/10/16.*/
object MLLib_KMeans {def main(args: Array[String]) {val conf = new SparkConf().setMaster("local[2]").setAppName("mllibKMeans")val sc = new SparkContext(conf)val data = sc.textFile("D:/testData/fun.txt")//制作vetors向量的RDD用于计算val parseTrainData: RDD[Vector] = data.map { line =>Vectors.dense(line.split(",").take(4).map(_.toDouble))}val numIterators = 66//迭代次数val numClusters = 3 //聚的的类的种树val runs = 3 //运行次数选出最优解//开始训练val model = KMeans.train(parseTrainData,numClusters,numIterators,runs)parseTrainData.map(x=>(x.toString+"is belongs to")+model.predict(x)).collect().foreach(println(_))//计算cost (点到最近的中心平方之和)val wssse = model.computeCost(parseTrainData)println("wssse is:" + wssse)//计算中心点model.clusterCenters.foreach(println(_))println(model.predict(Vectors.dense(6.6,2.9,4.5,1.2)))}
}

结果如下所示:

[5.1,3.5,1.4,0.2]is belongs to0
[4.9,3.0,1.4,0.2]is belongs to0
[4.7,3.2,1.3,0.2]is belongs to0
[4.6,3.1,1.5,0.2]is belongs to0
[5.0,3.6,1.4,0.2]is belongs to0
[5.4,3.9,1.7,0.4]is belongs to0
[4.6,3.4,1.4,0.3]is belongs to0
[5.0,3.4,1.5,0.2]is belongs to0
[4.4,2.9,1.4,0.2]is belongs to0
[4.9,3.1,1.5,0.1]is belongs to0
[5.4,3.7,1.5,0.2]is belongs to0
[4.8,3.4,1.6,0.2]is belongs to0
[4.8,3.0,1.4,0.1]is belongs to0
[4.3,3.0,1.1,0.1]is belongs to0
[5.8,4.0,1.2,0.2]is belongs to0
[5.7,4.4,1.5,0.4]is belongs to0
[5.4,3.9,1.3,0.4]is belongs to0only show a fewwssse is:78.94506582597703
[5.005999999999999,3.4180000000000006,1.4640000000000002,0.2439999999999999]
[6.8538461538461535,3.076923076923076,5.715384615384614,2.053846153846153]
[5.883606557377049,2.740983606557377,4.388524590163936,1.4344262295081964]
2

这篇关于sparkml和mllib分别实现KMeans算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/537722

相关文章

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

golang版本升级如何实现

《golang版本升级如何实现》:本文主要介绍golang版本升级如何实现问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录golanwww.chinasem.cng版本升级linux上golang版本升级删除golang旧版本安装golang最新版本总结gola

SpringBoot中SM2公钥加密、私钥解密的实现示例详解

《SpringBoot中SM2公钥加密、私钥解密的实现示例详解》本文介绍了如何在SpringBoot项目中实现SM2公钥加密和私钥解密的功能,通过使用Hutool库和BouncyCastle依赖,简化... 目录一、前言1、加密信息(示例)2、加密结果(示例)二、实现代码1、yml文件配置2、创建SM2工具

Mysql实现范围分区表(新增、删除、重组、查看)

《Mysql实现范围分区表(新增、删除、重组、查看)》MySQL分区表的四种类型(范围、哈希、列表、键值),主要介绍了范围分区的创建、查询、添加、删除及重组织操作,具有一定的参考价值,感兴趣的可以了解... 目录一、mysql分区表分类二、范围分区(Range Partitioning1、新建分区表:2、分

MySQL 定时新增分区的实现示例

《MySQL定时新增分区的实现示例》本文主要介绍了通过存储过程和定时任务实现MySQL分区的自动创建,解决大数据量下手动维护的繁琐问题,具有一定的参考价值,感兴趣的可以了解一下... mysql创建好分区之后,有时候会需要自动创建分区。比如,一些表数据量非常大,有些数据是热点数据,按照日期分区MululbU

MySQL中查找重复值的实现

《MySQL中查找重复值的实现》查找重复值是一项常见需求,比如在数据清理、数据分析、数据质量检查等场景下,我们常常需要找出表中某列或多列的重复值,具有一定的参考价值,感兴趣的可以了解一下... 目录技术背景实现步骤方法一:使用GROUP BY和HAVING子句方法二:仅返回重复值方法三:返回完整记录方法四:

IDEA中新建/切换Git分支的实现步骤

《IDEA中新建/切换Git分支的实现步骤》本文主要介绍了IDEA中新建/切换Git分支的实现步骤,通过菜单创建新分支并选择是否切换,创建后在Git详情或右键Checkout中切换分支,感兴趣的可以了... 前提:项目已被Git托管1、点击上方栏Git->NewBrancjsh...2、输入新的分支的

Python实现对阿里云OSS对象存储的操作详解

《Python实现对阿里云OSS对象存储的操作详解》这篇文章主要为大家详细介绍了Python实现对阿里云OSS对象存储的操作相关知识,包括连接,上传,下载,列举等功能,感兴趣的小伙伴可以了解下... 目录一、直接使用代码二、详细使用1. 环境准备2. 初始化配置3. bucket配置创建4. 文件上传到os

关于集合与数组转换实现方法

《关于集合与数组转换实现方法》:本文主要介绍关于集合与数组转换实现方法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、Arrays.asList()1.1、方法作用1.2、内部实现1.3、修改元素的影响1.4、注意事项2、list.toArray()2.1、方