如何阅读Mahout的集群输出

Question

我已经运行从亨利马乌教程合成控制数据K-均值聚类算法，并想知道如果有人可以解释如何解释输出。我跑clusterdump和接收到的输出，看起来像这样（截断为节省空间）：

CL-592{n=57 c=30.726, 29.813...] r=[3.528, 3.597...]} 
Weight : [props - optional]: Point: 
1.0 : [distance=27.453962995925863]: [24.672, 35.261, 30.486...] 
1.0 : [distance=27.675053294846002]: [25.592, 29.951, 34.188...] 
1.0 : [distance=28.97727289419493]: [30.696, 32.667, 34.223...] 
1.0 : [distance=21.999685652862784]: [32.702, 35.219, 30.143...] 
... 
CL-598{n=50 c=[29.611, 29.769...] r=[3.166, 3.561...]} 
Weight : [props - optional]: Point: 
1.0 : [distance=27.266203490250472]: [27.679, 33.506, 23.594...] 
1.0 : [distance=28.749781351838173]: [34.727, 28.325, 30.331...] 
1.0 : [distance=32.635136046420186]: [27.758, 33.859, 29.879...] 
1.0 : [distance=29.328974057024624]: [29.356, 26.793, 25.575...] 

有人能向我解释如何阅读呢？据我所知，CL -__是一个簇ID，后面跟着n =簇中的点数，c =质心作为向量，r =半径作为向量，然后是簇中的每个点。它是否正确？此外，我怎么知道哪个聚集点与哪个输入点匹配？即被描述为键值对的点，其中键是该点的某种ID并且该值是矢量？如果没有，我可以设置它，所以它是？

Answer 1

我相信你对数据的解释是正确的（我只用亨利马乌工作〜3周，所以有人更丰富的或许应该在权衡这一点）。

至于联点回创建它们我用NamedVector，其中名称是向量的关键输入。当你阅读的生成点文件之一（clusteredPoints），你可以每行（点矢量）转换回NamedVector和检索使用.getName()名称。响应

更新评论

当你开始读你的数据转化为Mahout的，你把它转换成向量的集合与您然后写使用的文件（points）的聚类算法后。 Mahout为您提供了几种可供您使用的Vector类型，但它们还允许您访问名为NamedVector的Vector包装类，这将允许您识别每个矢量。

例如，您可以创建每个NamedVector如下：

NamedVector nVec = new NamedVector(
    new SequentialAccessSparseVector(vectorDimensions), 
    vectorName 
    ); 

然后你写你的NamedVectors收藏的东西，如到文件：

SequenceFile.Writer writer = new SequenceFile.Writer(...); 
VectorWritable writable = new VectorWritable(); 

// the next two lines will be in a loop, but I'm omitting it for clarity 
writable.set(nVec); 
writer.append(new Text(nVec.getName()), nVec); 

您现在可以使用此文件作为输入到其中一个聚类算法。

点文件运行其中一种聚类算法后，它将生成另一个点文件，但它将位于名为clusteredPoints的目录中。

然后，您可以读取该点文件并解压到你每一个向量相关联的名字。它看起来像这样：

IntWritable clusterId = new IntWritable(); 
WeightedPropertyVectorWritable vector = new WeightedPropertyVectorWritable(); 

while (reader.next(clusterId, vector)) 
{ 
    NamedVector nVec = (NamedVector)vector.getVector(); 
    // you now have access to the original name using nVec.getName() 
} 

Answer 2

我有同样的问题，（使用mahout 0.6）。我也是一个初学者。我需要以集群的形式向用户显示文档。所以我将需要文档名称，而不是与群集相对应的文字。我一直在从shell脚本中集中文本文档。

Answer 3

尝试添加选项-of CSV在clusterdump，你将有进一步的治疗更可利用的结果。