Spark Mlib(二)k-menas

一 算法思想

K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
基本步骤
（1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2） 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（3） 重新计算每个（有变化）聚类的均值（中心对象）；
（4） 计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤（2）。

二 使用领域

可以用来进行聚类，元素的相似度计算等

三 spark实现

spark官网给出的k-means的实现方式，原地址http://spark.apache.org/docs/latest/ml-clustering.html

package alg
import org.apache.spark.ml.clustering.KMeans
import org.apache.spark.ml.evaluation.ClusteringEvaluator
import org.apache.spark.sql.SparkSession
object k_means {def main(args:Array[String]):Unit={val spark: SparkSession = SparkSession.builder.appName("My").master("local[*]").getOrCreate()// Loads data.val dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")// Trains a k-means model.val kmeans = new KMeans().setK(2).setSeed(1L)val model = kmeans.fit(dataset)// Make predictionsval predictions = model.transform(dataset)// Evaluate clustering by computing Silhouette scoreval evaluator = new ClusteringEvaluator()val silhouette = evaluator.evaluate(predictions)println(s"Silhouette with squared euclidean distance = $silhouette")// Shows the result.println("Cluster Centers: ")model.clusterCenters.foreach(println)}}