如何分析K

75次阅读

共计 2129 个字符，预计需要花费 6 分钟才能阅读完成。

如何分析 K -means Clustering，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

一：算法

K-means 算法是机器学习聚类算法中很常用，也是最基本的一种算法。聚类算法属于无监督学习算法。算法的步骤分为以下两步：1，根据分组大小 K 的值，找出 K 个中心点，而这时候其他点也根据距离中心点的距离划分给这个中心点。2，找出每个 cluster 最优的中心点，重新分配点，并迭代。

二：Spark MLlib

Spark MLlib 提供了 K-means 算法的实现。

数据来源

数据来源于 KDD CUP 网站，这些数据是网络连接的数据，下载

找到 data – kddcup.data.zip 并下载。

数据每行格式如下：

0,tcp,http,SF,215,45076,
 0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,1,1,
 0.00,0.00,0.00,0.00,1.00,0.00,0.00,0,0,0.00,
 0.00,0.00,0.00,0.00,0.00,0.00,0.00,normal.

除了最后一个为 label 外，其余的都是 features。label 可能并不准确，这些 label 仅仅标示能发现的异常，但是 k -means 却能找到未知的异常。

2. 读取数据

 val rawDataPath =  Your kddcup.data.txt Path 
 val rawData = sc.textFile(rawDataPath)
 val labelsAndData = rawData.flatMap { line = 
 val buffer = line.split(,).toBuffer
 if (buffer.length == 42) { buffer.remove(1, 3)
 val label = buffer.remove(buffer.length - 1)
 val vector = Vectors.dense(buffer.map(_.toDouble).toArray)
 Some(label, vector)
 } else {
 None
 }
 }

数据除掉了第 2，3，4 列，最后一列数据。

3. K-Means 算法

 val kmeans = new KMeans()
 kmeans.setK(k) // 默认的 K 为 2
 kmeans.setRuns(10) // 找寻中心点运行次数
 kmeans.setEpsilon(1.0e-6) // 找寻中心点每次变化距离，越小越远
 val model = kmeans.run(data)

使用生成的 model 并聚类

val clusterLabelCount = labelsAndData.map { case (label,datum) = 
 val cluster = model.predict(datum)
 (cluster,label) 
}.countByValue
clusterLabelCount.toSeq.sorted.foreach {case ((cluster,label),count) = 
println(f $cluster%1s$label%18s$count%8s)
}

4. 如何选择 K

K 的选择是个问题，正常说来，K 值越大，聚类的效果越好。想象下，如果每个点都是单独的一个类。。

另外，我们可以使用其他点距离中心点的距离来查看聚类的效果：

 def distance(a: Vector, b: Vector) = { math.sqrt(a.toArray.zip(b.toArray).map(p =  p._1 - p._2).map(p =  p*p).sum)
 }
 def distToCentroid(datum: Vector, model: KMeansModel) = { val cluster = model.predict(datum)
 val centroid = model.clusterCenters(cluster)
 distance(centroid, datum)
 }
 def clusteringScore(data: RDD[Vector], k: Int) = { val kmeans = new KMeans()
 kmeans.setK(k)
 kmeans.setRuns(10)
 kmeans.setEpsilon(1.0e-6)
 val model = kmeans.run(data)
 data.map(datum =  distToCentroid(datum, model)).mean()
 }
 (30 to 150 by 10 ).map(k =  clusteringScore(data,k)).foreach(println)

有了评估，我们可以依次查看 K 的大小对聚类的影响。

关于如何分析 K -means Clustering 问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注丸趣 TV 行业资讯频道了解更多相关知识。

正文完