大數(shù)據(jù)十大經(jīng)典算法講解(33張)課件

1、The algorithm of Kmeans第1頁(yè)，共34頁(yè)。主要內(nèi)容：Kmeans實(shí)戰(zhàn)聚類算法簡(jiǎn)介Kmeans算法詳解Kmeans算法的缺陷及若干改進(jìn) Kmeans的單機(jī)實(shí)現(xiàn)與分布式實(shí)現(xiàn)策略 第2頁(yè)，共34頁(yè)。聚類算法簡(jiǎn)介123聚類的目標(biāo)：將一組向量分成若干組，組內(nèi)數(shù)據(jù)是相似的，而組間數(shù)據(jù)是有較明顯差異。與分類區(qū)別：分類與聚類最大的區(qū)別在于分類的目標(biāo)事先已知，聚類也被稱為無(wú)監(jiān)督機(jī)器學(xué)習(xí)聚類手段：傳統(tǒng)聚類算法 劃分法 層次方法 基于密度方法 基于網(wǎng)絡(luò)方法 基于模型方法第3頁(yè)，共34頁(yè)。什么是Kmeans算法？Q1：K是什么？A1：k是聚類算法當(dāng)中類的個(gè)數(shù)。Summary：Kmeans是用均值

2、算法把數(shù)據(jù)分成K個(gè)類的算法！ Q2：means是什么？A2：means是均值算法。第4頁(yè)，共34頁(yè)。Kmeans算法詳解（1）步驟一：取得k個(gè)初始初始中心點(diǎn)第5頁(yè)，共34頁(yè)。Kmeans算法詳解（2）Min of threedue to the EuclidDistance步驟二：把每個(gè)點(diǎn)劃分進(jìn)相應(yīng)的簇第6頁(yè)，共34頁(yè)。Kmeans算法詳解（3）Min of threedue to the EuclidDistance步驟三：重新計(jì)算中心點(diǎn)第7頁(yè)，共34頁(yè)。Kmeans算法詳解（4）步驟四：迭代計(jì)算中心點(diǎn)第8頁(yè)，共34頁(yè)。Kmeans算法詳解（5）步驟五：收斂第9頁(yè)，共34頁(yè)。Kmeans算法

3、流程從數(shù)據(jù)中隨機(jī)抽取k個(gè)點(diǎn)作為初始聚類的中心，由這個(gè)中心代表各個(gè)聚類計(jì)算數(shù)據(jù)中所有的點(diǎn)到這k個(gè)點(diǎn)的距離，將點(diǎn)歸到離其最近的聚類里調(diào)整聚類中心，即將聚類的中心移動(dòng)到聚類的幾何中心（即平均值）處，也就是k-means中的mean的含義重復(fù)第2步直到聚類的中心不再移動(dòng)，此時(shí)算法收斂最后kmeans算法時(shí)間、空間復(fù)雜度是：時(shí)間復(fù)雜度：上限為O(tKmn)，下限為（Kmn）其中，t為迭代次數(shù)，K為簇的數(shù)目，m為記錄數(shù)，n為維數(shù) 空間復(fù)雜度：O(m+K)n)，其中，K為簇的數(shù)目，m為記錄數(shù)，n為維數(shù)第10頁(yè)，共34頁(yè)。決定性因素Input & centroidsSelected kMaxIteration

4、s & ConvergenceMeassures數(shù)據(jù)的采集和抽象初始的中心選擇最大迭代次數(shù)收斂值 k值的選定 度量距離的手段factors？第11頁(yè)，共34頁(yè)。主要討論初始中心點(diǎn)輸入的數(shù)據(jù)及K值的選擇距離度量我們主要研究的三個(gè)方面因素。第12頁(yè)，共34頁(yè)。初始中心點(diǎn)的劃分討論初始中心點(diǎn)意義何在？下面的例子一目了然吧？初始中心點(diǎn)收斂后你懂的 第13頁(yè)，共34頁(yè)。如何衡量Kmeans算法的精確度？在進(jìn)一步闡述初始中心點(diǎn)選擇之前，我們應(yīng)該先確定度量kmeans的算法精確度的方法。一種度量聚類效果的標(biāo)準(zhǔn)是：SSE(Sum of Square Error，誤差平方和)SSE越小表示數(shù)據(jù)點(diǎn)越接近于它們的質(zhì)

5、心，聚類效果也就越好。因?yàn)閷?duì)誤差取了平方所以更重視那些遠(yuǎn)離中心的點(diǎn)。一種可以肯定降低SSE的方法是增加簇的個(gè)數(shù)。但這違背了聚類的目標(biāo)。因?yàn)榫垲愂窃诒３帜繕?biāo)簇不變的情況下提高聚類的質(zhì)量?，F(xiàn)在思路明了了我們首先以縮小SSE為目標(biāo)改進(jìn)算法。第14頁(yè)，共34頁(yè)。改進(jìn)的算法二分Kmeans算法為了克服k均值算法收斂于局部的問(wèn)題，提出了二分k均值算法。該算法首先將所有的點(diǎn)作為一個(gè)簇，然后將該簇一分為二。之后選擇其中一個(gè)簇繼續(xù)劃分，選擇哪個(gè)簇進(jìn)行劃分取決于對(duì)其劃分是否可以最大程度降低SSE值。偽代碼如下：將所有的點(diǎn)看成一個(gè)簇當(dāng)簇?cái)?shù)目小于k時(shí)對(duì)于每一個(gè)簇計(jì)算總誤差在給定的簇上面進(jìn)行K均值聚類(K=2)計(jì)算將該

6、簇一分為二后的總誤差選擇使得誤差最小的那個(gè)簇進(jìn)行劃分操作第15頁(yè)，共34頁(yè)。二分Kmeans算法的效果雙擊此處添加文字內(nèi)容既然是改進(jìn)算法就要體現(xiàn)改進(jìn)算法的優(yōu)越性。為此控制變量，在相同的實(shí)驗(yàn)環(huán)境下，取相同的k值取。選取相同的的距離度量標(biāo)準(zhǔn)（歐氏距離）在相同的數(shù)據(jù)集下進(jìn)行測(cè)試。第16頁(yè)，共34頁(yè)。一組實(shí)驗(yàn)結(jié)果一組不好的初始點(diǎn)產(chǎn)生的Kmeans算法結(jié)果二分kmeans產(chǎn)生的結(jié)果要強(qiáng)調(diào)的是盡管只是這一組實(shí)驗(yàn)不得以得出二分kmeans的優(yōu)越性，但是經(jīng)過(guò)大量實(shí)驗(yàn)得出的結(jié)論卻是在大多數(shù)情況下二分kmeans確實(shí)優(yōu)于樸素的kmeans算法。第17頁(yè)，共34頁(yè)。全局最小值二分kmeans真的能使SSE達(dá)到全局最

7、小值嗎？從前面的講解可以看到二分kmeans算法的思想有點(diǎn)類似于貪心思想。但是我們會(huì)發(fā)現(xiàn)貪心的過(guò)程中有不確定的因素比如：二分一個(gè)聚類時(shí)選取的兩個(gè)中間點(diǎn)是隨機(jī)的，這會(huì)對(duì)我們的策略造成影響。那么如此一來(lái)二分kmeans算法會(huì)不會(huì)達(dá)到全局最優(yōu)解呢？答案是：會(huì)！盡管你可能驚詫于下面的說(shuō)法，但全局最小值的定義卻是：可能的最好結(jié)果。第18頁(yè)，共34頁(yè)。K值的選擇以及壞點(diǎn)的剔除 討論k值、剔除壞點(diǎn)的意義何在？下面以一個(gè)例子來(lái)說(shuō)明k值的重要性。第19頁(yè)，共34頁(yè)。為什么會(huì)出錯(cuò)？上面的例子當(dāng)中出錯(cuò)的原因很明顯。憑直覺(jué)我們很容易知道不可能有這樣的天氣它的氣溫是100，濕度是1100%。可見(jiàn)壞點(diǎn)對(duì)kmeans的影響

8、之大。另一方面，季節(jié)有春夏秋冬之分，而我們強(qiáng)行的把它們分為夏冬兩個(gè)類也是不太合理的。如果分為四個(gè)類我們也許可以“中和”掉壞點(diǎn)的影響。究竟哪里錯(cuò)了！第20頁(yè)，共34頁(yè)。帶canopy預(yù)處理的kmeans算法（1）將數(shù)據(jù)集向量化得到一個(gè)list后放入內(nèi)存，選擇兩個(gè)距離閾值：T1和T2。（2）從list中任取一點(diǎn)P，用低計(jì)算成本方法快速計(jì)算點(diǎn)P與所有Canopy之間的距離（如果當(dāng)前不存在Canopy，則把點(diǎn)P作為一個(gè)Canopy），如果點(diǎn)P與某個(gè)Canopy距離在T1以內(nèi)，則將點(diǎn)P加入到這個(gè)Canopy；（3）如果點(diǎn)P曾經(jīng)與某個(gè)Canopy的距離在T2以內(nèi)，則需要把點(diǎn)P從list中刪除，這一步是認(rèn)為

9、點(diǎn)P此時(shí)與這個(gè)Canopy已經(jīng)夠近了，因此它不可以再做其它Canopy的中心了；（4）重復(fù)步驟2、3，直到list為空結(jié)束第21頁(yè)，共34頁(yè)。帶canopy預(yù)處理的kmeans算法的優(yōu)點(diǎn)第22頁(yè)，共34頁(yè)。帶canopy預(yù)處理的kmeans算法的新挑戰(zhàn)Canopy預(yù)處理這么好，我們以后就用它好了！我看不見(jiàn)得，它雖然解決kmeans當(dāng)中的一些問(wèn)題，但其自身也引進(jìn)了新的問(wèn)題：t1、t2的選取。第23頁(yè)，共34頁(yè)。大數(shù)據(jù)下kmeans算法的并行策略 VS單挑OR群毆？！第24頁(yè)，共34頁(yè)。大數(shù)據(jù)下kmeans算法的并行策略 面對(duì)海量數(shù)據(jù)時(shí)，傳統(tǒng)的聚類算法存在著單位時(shí)間內(nèi)處理量小、面對(duì)大量的數(shù)據(jù)時(shí)處理

10、時(shí)間較長(zhǎng)、難以達(dá)到預(yù)期效果的缺陷以上算法都是假設(shè)數(shù)據(jù)都是在內(nèi)存中存儲(chǔ)的，隨著數(shù)據(jù)集的增大，基于內(nèi)存的就難以適應(yīng)是一個(gè)為并行處理大量數(shù)據(jù)而設(shè)計(jì)的編程模型。 Kmeans算法都是假設(shè)數(shù)據(jù)都是在內(nèi)存中存儲(chǔ)的，隨著數(shù)據(jù)集的增大，基于內(nèi)存的就難以適應(yīng)是一個(gè)為并行處理大量數(shù)據(jù)而設(shè)計(jì)的編程模型，它將工作劃分為獨(dú)立任務(wù)組成的集合。第25頁(yè)，共34頁(yè)。Map-reduce的過(guò)程簡(jiǎn)介第26頁(yè)，共34頁(yè)。Map函數(shù)設(shè)計(jì)函數(shù)的設(shè)計(jì)框架中 函數(shù)的輸入為，對(duì)，其中：為輸入數(shù)據(jù)記錄的偏移量；為當(dāng)前樣本的各維坐標(biāo)值組成的向量首先計(jì)算該向量到各個(gè)聚簇中心點(diǎn)的距離，然后選擇最小的距離的聚簇作為該樣本所屬的簇，之后輸出，其中是距最

11、近的聚簇的標(biāo)識(shí)符，為表示該樣本的向量第27頁(yè)，共34頁(yè)。Combine函數(shù)設(shè)計(jì)函數(shù)的設(shè)計(jì)函數(shù)的輸入為，對(duì)，即函數(shù)的輸出首先，從中解析出各個(gè)向量，然后將解析出的向量相加并記錄集合中向量的個(gè)數(shù)輸出是，對(duì)，其中：是聚簇的標(biāo)識(shí)符；是以上集合中所有的向量相加所得的向量及集合中向量的數(shù)目第28頁(yè)，共34頁(yè)。Reduce函數(shù)設(shè)計(jì)函數(shù)的輸入是，鍵值對(duì)，其中：為聚簇的標(biāo)識(shí)符；為節(jié)點(diǎn)處理的聚簇中含有的樣本的個(gè)數(shù)及用向量表示的聚簇的中心點(diǎn)輸出為，對(duì)，其中：為聚簇的標(biāo)識(shí)符；為新的聚簇中心函數(shù)首先從函數(shù)的輸入中解析出屬于同一個(gè)聚簇的樣本的個(gè)數(shù)及各個(gè)節(jié)點(diǎn)傳過(guò)來(lái)的，然后將個(gè)數(shù)及各個(gè)相加，之后將所得到的向量除以個(gè)數(shù)得到新的中

12、心點(diǎn)坐標(biāo)。第29頁(yè)，共34頁(yè)。一個(gè)運(yùn)行結(jié)果第30頁(yè)，共34頁(yè)。一個(gè)實(shí)驗(yàn)所有實(shí)驗(yàn)都是在實(shí)驗(yàn)室搭建的平臺(tái)上運(yùn)行的平臺(tái)有 臺(tái)機(jī)器，都是四核處理器，內(nèi)存版本，版本每臺(tái)機(jī)器之間用千兆以太網(wǎng)卡，通過(guò)交換機(jī)連接實(shí)驗(yàn)所用的數(shù)據(jù)是人工數(shù)據(jù)，維度是維為了測(cè)試算法的性能，實(shí)驗(yàn)中構(gòu)造了分別含有104，105,106，2*106 條記錄的數(shù)據(jù)來(lái)進(jìn)行測(cè)試由于算法中有隨機(jī)初始化中心點(diǎn)的操作，因此對(duì)每一組實(shí)驗(yàn)重復(fù)執(zhí)行次，取其平均執(zhí)行時(shí)間作為最終實(shí)驗(yàn)結(jié)果第31頁(yè)，共34頁(yè)。算法改進(jìn)后的實(shí)效可以看出：基于的算法的運(yùn)行效率要遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的算法第32頁(yè)，共34頁(yè)。Q&A謝謝！/http:/3/m/ / / / / / / 治療癲癇病

13、醫(yī)院/dx/癲癇醫(yī)院/dx/癲癇病的治療方法/dx/治療癲癇病醫(yī)院哪家好/dx/全國(guó)癲癇醫(yī)院排名/dx/癲癇病的最新治療方法/dx/北京癲癇醫(yī)院/dx/北京癲癇病專科醫(yī)院/dx/北京癲癇病醫(yī)院/dx/bjdxbyy/北京好的癲癇病醫(yī)院/dx/bjdxbyy/北京治療癲癇病的醫(yī)院/dx/bjdxbyy/癲癇病能治好嗎/dx/dxbnzhm/治療癲癇病好辦法/dx/dxbnzhm/治療癲癇病最好的醫(yī)院/dx/dxzl/治療癲癇病最好的藥/dx/dxzl/北京治療癲癇的醫(yī)院/dx/dxzl/兒童癲癇的最新治療方法/dx/etdx/北京兒童癲癇病科醫(yī)院/dx/etdx/癲癇治療費(fèi)用/dx/dxbzlf

14、y/癲癇治療多少錢/dx/dxbzlfy/癲癇病的手術(shù)費(fèi)用/dx/dxbzlfy/癲癇病會(huì)遺傳嗎/dx/dxyc/癲癇遺傳嗎/dx/dxyc/癲癇病的早期癥狀/dx/dxzz/癲癇病的癥狀/dx/dxzz/癲癇癥狀/dx/dxzz/小兒癲癇病的早期癥狀/dx/dxzz/兒童癲癇病的早期癥狀/dx/dxzz/癲癇病是怎么引起的/dx/dxbyy/癲癇病的發(fā)病原因/dx/dxbyy/癲癇病能治愈嗎/dx/dxzy/癲癇病可以治愈嗎/dx/dxzy/北京治愈癲癇病最好的醫(yī)院/dx/dxzy/癲癇病人的壽命/dx/dxsm/癲癇病人的壽命多長(zhǎng)/dx/dxsm/治療癲癇病最好的藥/dx/dxbyw/吃什

15、么藥治癲癇最有效/dx/dxbyw/癲癇藥/dx/dxbyw/第33頁(yè)，共34頁(yè)。46凡事不要說(shuō)我不會(huì)或不可能，因?yàn)槟愀具€沒(méi)有去做！47成功不是靠夢(mèng)想和希望，而是靠努力和實(shí)踐48只有在天空最暗的時(shí)候，才可以看到天上的星星49上帝說(shuō)：你要什么便取什么，但是要付出相當(dāng)?shù)拇鷥r(jià)50現(xiàn)在站在什么地方不重要，重要的是你往什么方向移動(dòng)。51寧可辛苦一陣子，不要苦一輩子52為成功找方法，不為失敗找借口53不斷反思自己的弱點(diǎn)，是讓自己獲得更好成功的優(yōu)良習(xí)慣。54垃圾桶哲學(xué)：別人不要做的事，我揀來(lái)做！55不一定要做最大的，但要做最好的56死的方式由上帝決定，活的方式由自己決定！57成功是動(dòng)詞，不是名詞！28、年

16、輕是我們拼搏的籌碼，不是供我們揮霍的資本。59、世界上最不能等待的事情就是孝敬父母。60、身體發(fā)膚，受之父母，不敢毀傷，孝之始也； 立身行道，揚(yáng)名於后世，以顯父母，孝之終也。孝經(jīng)61、不積跬步，無(wú)以致千里；不積小流，無(wú)以成江海。荀子勸學(xué)篇62、孩子：請(qǐng)高看自己一眼，你是最棒的！63、路雖遠(yuǎn)行則將至，事雖難做則必成！64、活魚(yú)會(huì)逆水而上，死魚(yú)才會(huì)隨波逐流。65、怕苦的人苦一輩子，不怕苦的人苦一陣子。66、有價(jià)值的人不是看你能擺平多少人，而是看你能幫助多少人。67、不可能的事是想出來(lái)的，可能的事是做出來(lái)的。68、找不到路不是沒(méi)有路，路在腳下。69、幸福源自積德，福報(bào)來(lái)自行善。70、盲目的戀愛(ài)以微笑開(kāi)始，以淚滴告終。71、真正值錢的是分文不用的甜甜的微笑。72、前面是堵墻，用微笑面對(duì)，就變成一座橋。73、自尊，偉大的人格力量；自愛(ài)，維護(hù)名譽(yù)的金盾。74、今天學(xué)習(xí)不努力，明天努力找工作。75、懂得回報(bào)愛(ài)，是邁向成熟的第一步。76、讀懂責(zé)任，讀懂使命，讀懂感恩方為懂事。77、不要只會(huì)吃奶，要學(xué)會(huì)吃干糧，尤其是粗茶淡飯。78、技藝創(chuàng)造價(jià)值，本領(lǐng)改變命運(yùn)。