如何使用 MapReduce 进行 k 均值空间聚类
Posted
技术标签:
【中文标题】如何使用 MapReduce 进行 k 均值空间聚类【英文标题】:How to use MapReduce for k-Means Spatial Clustering 【发布时间】:2013-02-01 15:37:09 【问题描述】:我是 mongodb 和 map-reduce 的新手,想通过使用 k-means 空间聚类来评估空间数据。我发现这个article 似乎是对算法的一个很好的描述,但我不知道如何将它翻译成一个 mongo shell 脚本。假设我的数据如下所示:
_id: ObjectID(),
loc: x: <longitude>, y: <latitude>,
user: <userid>
我可以使用 k = sqrt(n/2) 其中 n 是样本数。 我可以使用聚合来获取数据的边界范围和计数等。 我有点迷失了对集群点文件的引用,我认为这只是另一个集合,我不知道如何进行迭代,或者是否会在客户端或数据库中完成?
好的,我在这方面取得了一些进展,因为我已经生成了初始随机点数组,我需要在 map-reduce 阶段计算最小二乘之和,但我不知道如何通过这些到地图功能。我尝试编写 map 函数:
var mapCluster = function()
var key = -1;
var sos = 0;
var pos;
for (var i=0; i<pts.length; i++)
var dx = pts[i][0] - this.arguments.pos[0];
var dy = pts[i][1] - this.arguments.pos[1];
var sumOfSquare = dx*dx + dy*dy;
if (i == 0 || sumOfSquares < sos)
key = i;
sos = sumOfSquares;
pos = this.arguments.pos;
emit(key, pos);
;
我这种情况下的聚类点是这样的,这可能是行不通的:
var pts = [ [x,y], [x1,y1], ... ];
因此,对于每个 mr 迭代,我们将所有收集点与该数组进行比较,并发出我们最接近的点的索引以及收集点的位置,然后在 reduce 函数中与每个相关的点的平均值index 将用于创建新的聚类点位置。然后在 finalize 函数中我可以更新集群文档。
我假设我可以在集群文档上执行 findOne() 以在 map 函数中加载集群点,但我们是否希望在每次调用 map 时加载此文档?或者有没有办法为每次迭代加载一次?
所以看起来你可以像这样使用范围变量来执行上述操作:
db.main.mapReduce( mapCluster, mapReduce, scope: pnts: pnts, ... );
你必须小心范围内的变量名,因为它们被放置在 map 的范围内,reduce 和 finalize 函数可能会与现有的变量名发生冲突。
【问题讨论】:
是的,但我已经 3 年没有看过它了,也不记得我做了什么。我相信我最终使用了fourier.eng.hmc.edu/e161/lectures/classification/node13.html 那里描述的迭代自组织集群。 【参考方案1】:你试过什么?
请注意,您将需要不止一轮的映射器。
使用在 MR 上运行 k-means 的规范方法,每次迭代需要一个映射器/缩减器。
那么,你可以尝试只编写一次迭代的 map 和 reduce 步骤吗?
【讨论】:
说实话,我还没有写过map-reduce函数,这是我的第一次尝试,可能有点复杂,但这是我需要实现的。我的第一步是获取一个聚合来提取空间范围,我刚刚解决了一个问题,所以我可以继续前进。接下来我将生成初始条件所需的 k 个随机点。 之后,我不确定如何使用这些随机点和我的一次迭代所需的点表来进行 map-reduce。我假设我需要一些可以运行的函数来进行迭代并确定何时停止,但我不确定应该在哪里或如何构建它。指向执行类似操作的其他代码的指针会很有帮助,或者一个示例会非常有帮助。 先尝试一次迭代,将每个对象分配到最小二乘随机聚类中心。然后在 reducer 中,重新计算集群中心。为了获得额外的性能,请使用组合器来避免生成大小为“n”的临时数据。 谢谢这是个好建议。我已经阅读了更多内容,并根据我的进度更新了问题。以上是关于如何使用 MapReduce 进行 k 均值空间聚类的主要内容,如果未能解决你的问题,请参考以下文章