Mahout K 表示聚类输入文件格式

Posted 2023-03-12

【中文标题】Mahout K 表示聚类输入文件格式

【英文标题】：Mahout K Means clustering input file format

【发布时间】：2014-08-07 21:28:31

【问题描述】：

我正在尝试使用 Mahout 运行 K 均值集群算法。我不知道如何格式化输入文件。我在表中拥有的基本数据是一个用户 ID，后跟数百个值。我知道我需要将输入作为向量提供，有人可以分享这个格式吗？

例如：

User Nbr_of_tweets Total_spend Gender Home_ownership email_on_file transaction_count
A     20              $30        Male   Owns a home       Y                  5
B     10             $400      Female    Rents            N                 20
....

会不会是：

A:20,30,0,0,1,5

B:10,400,1,1,0,20

我正在编码：

男性为 0，女性为 1 和 拥有房屋为 0，租金为 1 Y 为 1，N 为 0

【参考方案1】：

我是 Mahout 的新手，遇到了同样的问题。我终于在 mahout 网站上找到了一个关于在您的类型上应用聚类（k-means 也是我的目标）的示例，这也是我的（https://mahout.apache.org/users/clustering/clustering-of-synthetic-control-data.html）。 基本上，您的文件应该是这种格式（我只是以 0 和 1 为例）。

1 0 1 0 0 1
0 1 1 1 1 1
0 1 1 0 1 0
...

在您的案例中，每条记录都应该是用户（在我的案例中，每条记录都是机器的输出）。 要运行 K-means，我使用的是网站中建议的命令，但如果我理解得很好，结果是一组质心，而不是一组聚类数据。

请记住，输入必须存储在 HDFS 文件系统中，而输出则保存在本地文件系统中（只是为了避免像我一样努力寻找输出文件 :-)）

希望对你有帮助。