K-means

4.2.4

K-means（K-means Clustering，K-平均算法）性能测试

测试组网如图1所示。

1. 按照测试组网已完成集群部署。
2. 获取算法对应的测试样例工具kal-test，样例工程目录结构参考README，以下测试过程中均需使用辅助代码。
3. 将算法所用的数据集上传至HDFS指定目录，参考测试数据集。

1. 将已获取的测试工具kal-test文件夹部署到指定目录中，如“/home/test/boostkit/”。

   若该目录不存在，先创建目录。

   mkdir -p /home/test/boostkit/

2. 参考《鲲鹏BoostKit大数据使能套件 机器学习算法加速库 特性指南》完成软件编译和软件部署，将获得的boostkit-ml-kernel-scala_version-kal_version-spark_version-aarch64.jar、boostkit-ml-acc_scala_version-kal_version-spark_version.jar和boostkit-ml-core_scala_version-kal_version-spark_version.jar放入到“/home/test/boostkit/kal-test/lib”下。
3. 进入“/home/test/boostkit/kal-test”目录中。

   cd /home/test/boostkit/kal-test

4. 查看“/etc/hosts”节点名，如下图，计算节点为agent1、agent2、agent3。

   cat /etc/hosts

   

5. 根据4中得到的计算节点名，修改“bin/ml/kmeans_run.sh”中对应的计算节点名称，修改方式如下。
   1. 打开“bin/ml/kmeans_run.sh”文件。

      vim bin/ml/kmeans_run.sh

   2. 按“i”进入编辑模式，修改图中红框中对应的计算节点名称为agent1、agent2、agent3，如果计算节点不为3个，根据实际个数对该行增加或者删除。

      

   3. 按“Esc”键，输入:wq!，按“Enter”保存并退出编辑。
6. 创建结果保存路径。

   mkdir logs report

7. 运行相应测试用例脚本，如测试D1200M20（函数接口为fit）数据集的性能。

   sh bin/ml/kmeans_run.sh dataframe D1200M20 fit no no 2>&1 | tee -a logs/kmeans_D1200M20_fit.log

8. 运行结束后可在“/home/test/boostkit/kal-test/report/算法名称_写入文件时间.yml”文件中查看耗时、结果存放路径等数据。其中costTime为算法耗时，saveDataPath为结果保存的HDFS路径。

   cat report/算法名称_写入文件时间.yml

   

1. 脚本执行成功。
2. 生成“report/算法名称_写入文件时间.yml”文件，且文件中打印相关结果信息。

1. 如果更换目录名称或者位置，则需要在脚本中修改相应的位置。
2. 不同集群上Spark提交的最优参数可能会有差异，需要通过搜参找到最优参数，可以在“conf/ml/kmeans/kmeans.yml”中修改模型参数，在“conf/ml/kmeans/kmeans_spark.properties”中修改Spark运行参数。