鲲鹏社区首页
中文
注册
我要评分
文档获取效率
文档正确性
内容完整性
文档易理解
在线提单
论坛求助

K-means

K-means为ML API。

模型接口类别

函数接口

ML API

def fit(dataset: Dataset[_]): KMeansModel

def fit(dataset: Dataset[_], paramMaps: Array[ParamMap]): Seq[KMeansModel]

def fit(dataset: Dataset[_], paramMap: ParamMap): KMeansModel

def fit(dataset: Dataset[_], firstParamPair: ParamPair[_], otherParamPairs: ParamPair[_]*): KMeansModel

ML API

  • 功能描述

    传入Dataset格式的样本数据,调用fit接口,输出KMeans聚类模型。

  • 输入输出
    1. 包名package org.apache.spark.ml.clustering
    2. 类名:KMeans
    3. 方法名:fit
    4. 输入:Dataset[_],训练样本数据,必须字段如下

      参数名称

      取值类型

      缺省值

      描述

      featuresCol

      Vector

      features

      特征标签

    5. 基于原生算法优化的参数
      def setFeaturesCol(value: String): KMeans.this.type
      def setPredictionCol(value: String): KMeans.this.type
      def setK(value: Int): KMeans.this.type
      def setInitMode(value: String): KMeans.this.type
      def setInitSteps(value: Int): KMeans.this.type
      def setMaxIter(value: Int): KMeans.this.type
      def setThreshold(value: Double): KMeans.this.type
      def setTol(value: Double): KMeans.this.type
      def setSeed(value: Long): KMeans.this.type
    6. 新增算法参数

      参数名称

      参数含义

      取值类型

      sampleRate

      每一轮迭代使用的数据占全量数据集的比例

      0~1[Double]

      optMethod

      样本数据采样触发开关

      default/allData[String]

      参数及fit代码接口示例:

       1
       2
       3
       4
       5
       6
       7
       8
       9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      19
      20
      21
      22
      23
      24
      import org.apache.spark.ml.param.{ParamMap, ParamPair}
      
      val kmeans = new MlKMeans()
      //定义def fit(dataset: Dataset[_], paramMap: ParamMap) 接口参数
      val paramMap = ParamMap(kmeans.initSteps -> initSteps)
      .put(k-means.maxIter, maxIter)
      
      // 定义def fit(dataset: Dataset[_], paramMaps: Array[ParamMap]): 接口参数
      val paramMaps: Array[ParamMap] = new Array[ParamMap](2)
      for (i <- 0 to  2) {
      paramMaps(i) = ParamMap(kmeans.initSteps -> initSteps)
      .put(kmeans.maxIter, maxIter)
      }//对paramMaps进行赋值
      
      // 定义def fit(dataset: Dataset[_], firstParamPair: ParamPair[_], otherParamPairs: ParamPair[_]*) 接口参数
      val initStepsParamPair = ParamPair(kmeans.initSteps, initSteps)
      val maxIterParamPair = ParamPair(kmeans.maxIter, maxIter)
      val tolParamPair = ParamPair(kmeans.tol, tol)
      
      // 调用各个fit接口
      model = kmeans.fit(trainingData)
      model = kmeans.fit(trainingData, paramMap)
      models = kmeans.fit(trainingData, paramMaps)
      model = kmeans.fit(trainingData, initStepsParamPair, maxIterParamPair, tolParamPair)
      
    7. 输出:KMeansModel,KMeans聚类模型,模型预测时的输出字段如下

      参数名称

      取值类型

      缺省值

      描述

      predictionCol

      Int

      prediction

      predictionCol

  • 使用样例
     1
     2
     3
     4
     5
     6
     7
     8
     9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    import org.apache.spark.ml.clustering.KMeans
    import org.apache.spark.ml.evaluation.ClusteringEvaluator
    
    // Loads data.
    val dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")
    
    // Trains a k-means model.
    val kmeans = new KMeans().setK(2).setSeed(1L)
    val model = kmeans.fit(dataset)
    
    // Make predictions
    val predictions = model.transform(dataset)
    
    // Evaluate clustering by computing Silhouette score
    val evaluator = new ClusteringEvaluator()
    
    val silhouette = evaluator.evaluate(predictions)
    println(s"Silhouette with squared euclidean distance = $silhouette")
    
    // Shows the result.
    println("Cluster Centers: ")
    model.clusterCenters.foreach(println)