Spark是一個極爲優秀的大數據框架,在大數據批處理上基本無人能敵,流處理上也有一席之地,機器學習則是當前正火熱AI人工智能的驅動引擎,在大數據場景下如何發揮AI技術成爲優秀的大數據挖掘工程師必備技能。本文結合機器學習思想與Spark框架代碼結構來實現分佈式機器學習過程,希望與大家一起學習進步~
目錄
本文采用的組件版本爲:Ubuntu 19.10、Jdk 1.8.0_241、Scala 2.11.12、Hadoop 3.2.1、Spark 2.4.5,老規矩先開啓一系列Hadoop、Spark服務與Spark-shell窗口:
1.Kmeans聚類
kmeans算法又名k均值算法。其算法思想大致爲:先從樣本集中隨機選取 kk 個樣本作爲簇中心,並計算所有樣本與這k個“簇中心”的距離,對於每一個樣本,將其劃分到與其距離最近的“簇中心”所在的簇中,對於新的簇計算各個簇的新的“簇中心”。
根據以上描述,我們大致可以猜測到實現kmeans算法的主要三點:
(1)簇個數k的選擇
(2)各個樣本點到“簇中心”的距離
(3)根據新劃分的簇,更新“簇中心”
K-Means的算法流程如下:
-
從數據集中隨機選取 K 個點作爲初始聚類的中心,中心點爲
-
針對數據集中每個樣本 𝑥𝑖xi,計算它們到各個聚類中心點的距離,到哪個聚類中心點的距離最小,就將其劃分到對應聚類中心的類中
-
針對每個類別 𝑖i ,重新計算該類別的聚類中心 (其中 |𝑖||i| 表示的是該類別數據的總個數)
-
重複第二步和第三步,直到聚類中心的位置不再發生變化(我們也可以設置迭代次數)
k-means算法雖然簡單快速,但是存在下面的缺點:
-
聚類中心的個數K需要事先給定,但在實際中K值的選定是非常困難的,很多時候我們並不知道給定的數據集應該分成多少個類別才最合適。
-
k-means算法需要隨機地確定初始聚類中心,不同的初始聚類中心可能導致完全不同的聚類結果。
第一個缺陷我們很難在k-means算法以及其改進算法中解決,但是我們可以通過k-means++算法來解決第二個缺陷。
2.Kmeans++
由於 K-means 算法的分類結果會受到初始點的選取而有所區別,因此有提出這種算法的改進: K-means++ 。其實這個算法也只是對初始點的選擇有改進而已,其他步驟都一樣。初始質心選取的基本思路就是,初始的聚類中心之間的相互距離要儘可能的遠。
算法描述如下:
-
步驟一:隨機選取一個樣本作爲第一個聚類中心 c1;
-
步驟二:
-
計算每個樣本與當前已有類聚中心最短距離(即與最近一個聚類中心的距離),用 D(x)表示;
-
這個值越大,表示被選取作爲聚類中心的概率較大;
-
最後,用輪盤法選出下一個聚類中心;
-
-
步驟三:重複步驟二,知道選出 k 個聚類中心。
選出初始點後,就繼續使用標準的 k-means 算法了。K-means++ 能顯著的改善分類結果的最終誤差。
儘管計算初始點時花費了額外的時間,但是在迭代過程中,k-means本身能快速收斂,因此算法實際上降低了計算時間。
雖然k-means++算法可以確定地初始化聚類中心,但是從可擴展性來看,它存在一個缺點,那就是它內在的有序性特性:下一個中心點的選擇依賴於已經選擇的中心點。針對這種缺陷,k-means||算法提供瞭解決方法。
3.Kmeans||
k-means++ 最主要的缺點在於其內在的順序執行特性,得到 k 個聚類中心必須遍歷數據集 k 次,並且當前聚類中心的計算依賴於前面得到的所有聚類中心,這使得算法無法並行擴展,極大地限制了算法在大規模數據集上的應用。
k-means|| 主要思路在於改變每次遍歷時的取樣策略,並非按照 k-means++ 那樣每次遍歷只取樣一個樣本,而是每次遍歷取樣 O(k) 個樣本,重複該取樣過程大約 O(logn) 次,重複取樣過後共得到 O(klogn) 個樣本點組成的集合,該集合以常數因子近似於最優解,然後再聚類這O(klogn) 個點成 k 個點,最後將這 k 個點作爲初始聚類中心送入Lloyd迭代中,實際實驗證明 O(logn) 次重複取樣是不需要的,一般5次重複取樣就可以得到一個較好的聚類初始中心。
4.Spark實踐
在下面的示例中,在加載和解析數據之後,我們使用 KMeans對象將數據聚類爲兩個聚類。所需聚類的數量傳遞給算法。然後,我們計算平方誤差的集合和內(WSSSE)。您可以通過增加k來減少此錯誤度量。實際上,最佳k通常是WSSSE圖中存在“肘”的那個。
import org.apache.spark.mllib.clustering.{KMeans, KMeansModel}
import org.apache.spark.mllib.linalg.Vectors
// 加載和解析數據
val data = sc.textFile("data/mllib/kmeans_data.txt")
val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble))).cache()
// Cluster the data into two classes using KMeans 使用Kmeans將數據聚爲兩類
val numClusters = 2
val numIterations = 20
val clusters = KMeans.train(parsedData, numClusters, numIterations)
// 計算WSSSE評估聚類結果
val WSSSE = clusters.computeCost(parsedData)
println(s"Within Set Sum of Squared Errors = $WSSSE")
// 保存和加載模型
clusters.save(sc, "target/org/apache/spark/KMeansExample/KMeansModel")
val sameModel = KMeansModel.load(sc, "target/org/apache/spark/KMeansExample/KMeansModel")
5.源代碼分析
在spark中,org.apache.spark.mllib.clustering.KMeans文件實現了k-means算法以及k-means||算法,LocalKMeans文件實現了k-means++算法。在分步驟分析spark中的源碼之前我們先來了解KMeans類中參數的含義。
class KMeans private (
private var k: Int,//聚類個數
private var maxIterations: Int,//迭代次數
private var runs: Int,//運行kmeans算法的次數
private var initializationMode: String,//初始化模式
private var initializationSteps: Int,//初始化步數
private var epsilon: Double,//判斷kmeans算法是否收斂的閾值
private var seed: Long)
在上面的定義中,k表示聚類的個數,maxIterations表示最大的迭代次數,runs表示運行KMeans算法的次數,在spark 2.0開始,該參數已經不起作用了。爲了更清楚的理解算法我們可以認爲它爲1。initializationMode表示初始化模式,有兩種選擇:隨機初始化和通過k-means||初始化,默認是通過k-means||初始化。initializationSteps表示通過k-means||初始化時的迭代步驟,默認是5,這是spark實現與第三章的算法步驟不一樣的地方,這裏迭代次數人爲指定, 而第三章的算法是根據距離得到的迭代次數,爲log(phi)。epsilon是判斷算法是否已經收斂的閾值。
-
第一步,隨機初始化k箇中心點很簡單,具體代碼如下:
private def initRandom(data: RDD[VectorWithNorm])
: Array[Array[VectorWithNorm]] = {
//採樣固定大小爲k的子集
//這裏run表示我們運行的KMeans算法的次數,默認爲1,以後將停止提供該參數
val sample = data.takeSample(true, runs * k, new XORShiftRandom(this.seed).nextInt()).toSeq
//選取k個初始化中心點
Array.tabulate(runs)(r => sample.slice(r * k, (r + 1) * k).map { v =>
new VectorWithNorm(Vectors.dense(v.vector.toArray), v.norm)
}.toArray)
}
-
第二步,通過已知的中心點,循環迭代求得其它的中心點。
var step = 0
while (step < initializationSteps) {
val bcNewCenters = data.context.broadcast(newCenters)
val preCosts = costs
//每個點距離最近中心的代價
costs = data.zip(preCosts).map { case (point, cost) =>
Array.tabulate(runs) { r =>
//pointCost獲得與最近中心點的距離
//並與前一次迭代的距離對比取更小的那個
math.min(KMeans.pointCost(bcNewCenters.value(r), point), cost(r))
}
}.persist(StorageLevel.MEMORY_AND_DISK)
//所有點的代價和
val sumCosts = costs.aggregate(new Array[Double](runs))(
//分區內迭代
seqOp = (s, v) => {
// s += v
var r = 0
while (r < runs) {
s(r) += v(r)
r += 1
}
s
},
//分區間合併
combOp = (s0, s1) => {
// s0 += s1
var r = 0
while (r < runs) {
s0(r) += s1(r)
r += 1
}
s0
}
)
//選擇滿足概率條件的點
val chosen = data.zip(costs).mapPartitionsWithIndex { (index, pointsWithCosts) =>
val rand = new XORShiftRandom(seed ^ (step << 16) ^ index)
pointsWithCosts.flatMap { case (p, c) =>
val rs = (0 until runs).filter { r =>
//此處設置l=2k
rand.nextDouble() < 2.0 * c(r) * k / sumCosts(r)
}
if (rs.length > 0) Some(p, rs) else None
}
}.collect()
mergeNewCenters()
chosen.foreach { case (p, rs) =>
rs.foreach(newCenters(_) += p.toDense)
}
step += 1
}
-
第三步,求最終的k個點。
val bcCenters = data.context.broadcast(centers)
//計算權重值,即各中心點所在類別的個數
val weightMap = data.flatMap { p =>
Iterator.tabulate(runs) { r =>
((r, KMeans.findClosest(bcCenters.value(r), p)._1), 1.0)
}
}.reduceByKey(_ + _).collectAsMap()
//最終的初始化中心
val finalCenters = (0 until runs).par.map { r =>
val myCenters = centers(r).toArray
val myWeights = (0 until myCenters.length).map(i => weightMap.getOrElse((r, i), 0.0)).toArray
LocalKMeans.kMeansPlusPlus(r, myCenters, myWeights, k, 30)
}
Spark kmeans族的聚類算法的內容至此結束,有關Spark的基礎文章可參考前文:
參考鏈接:
http://spark.apache.org/docs/latest/mllib-clustering.html
https://github.com/endymecy/spark-ml-source-analysis
歷史推薦
數據分析與挖掘
數據結構與算法
機器學習與大數據組件
歡迎關注,感謝“在看”,隨緣稀罕~