使用 Apache Spark 提取 kmeans 集群信息

Question

我已经在

实现了 Apache Spark 示例

https://spark.apache.org/docs/1.1.0/mllib-clustering.html#examples

这是来源：

import org.apache.spark.mllib.clustering.KMeans
import org.apache.spark.mllib.linalg.Vectors

// Load and parse the data
val data = sc.textFile("data/mllib/kmeans_data.txt")
val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble)))

// Cluster the data into two classes using KMeans
val numClusters = 2
val numIterations = 20
val clusters = KMeans.train(parsedData, numClusters, numIterations)

// Evaluate clustering by computing Within Set Sum of Squared Errors
val WSSSE = clusters.computeCost(parsedData)
println("Within Set Sum of Squared Errors = " + WSSSE)

使用数据集：

0.0 0.0 0.0
0.1 0.1 0.1
0.2 0.2 0.2
9.0 9.0 9.0
9.1 9.1 9.1
9.2 9.2 9.2

我可以使用以下方法提取聚类中心：

  println(clusters.clusterCenters.apply(0))
   println(clusters.clusterCenters.apply(1))

哪个returns

[9.1,9.1,9.1]
[0.10000000000000002,0.10000000000000002,0.10000000000000002]

但有些项目我不确定，API 似乎不支持这些项目：

如何提取已添加到两个聚类中的每一个的点？

如何为每个数据点添加标签，以便在查看每个聚类中有哪些点的同时也可以确定每个点的标签？我是否需要更新 Spark Kmeans 实现才能实现此目的？

Answer 1

您要查找的方法是predict()，但不属于KMeans.scala。是 class KMeansModel.scala 的一部分（这是 KMeans.train(...) 的 return 类型 )

用途是：

    clusters.predict(data_to_cluster)

Answer 2

如果您正在使用 java,

javaRDD cluster_indices = clusters.predict(parsedData);

因为预测过载。

使用 Apache Spark 提取 kmeans 集群信息

Extract kmeans cluster information using Apache Spark

scala

apache-spark