如何分析K-means Clustering ，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名申请、网站空间、营销软件、网站建设、斗门网站维护、网站推广。
一：算法
K-means 算法是机器学习 聚类算法中很常用，也是最基本的一种算法。聚类算法属于无监督学习算法。算法的步骤分为以下两步：1，根据分组大小K的值，找出K个中心点，而这时候其他点也根据距离中心点的距离划分给这个中心点。2，找出每个cluster最优的中心点，重新分配点，并迭代。
二：Spark MLlib
Spark MLlib 提供了K－means算法的实现。
数据来源
数据来源于KDD CUP网站，这些数据是网络连接的数据，下载
找到data -> kddcup.data.zip 并下载。
数据每行格式如下：
0,tcp,http,SF,215,45076, 0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,1,1, 0.00,0.00,0.00,0.00,1.00,0.00,0.00,0,0,0.00, 0.00,0.00,0.00,0.00,0.00,0.00,0.00,normal.
除了最后一个为label外，其余的都是features。label可能并不准确，这些label仅仅标示能发现的异常，但是k-means却能找到未知的异常。
2.读取数据
val rawDataPath = "Your kddcup.data.txt Path"
val rawData = sc.textFile(rawDataPath)
val labelsAndData = rawData.flatMap { line =>
val buffer = line.split(',').toBuffer
if (buffer.length == 42) {
buffer.remove(1, 3)
val label = buffer.remove(buffer.length - 1)
val vector = Vectors.dense(buffer.map(_.toDouble).toArray)
Some(label, vector)
} else {
None
}
}数据除掉了第2，3，4列，最后一列数据。
3. K-Means算法
val kmeans = new KMeans() kmeans.setK(k) //默认的K为2 kmeans.setRuns(10) //找寻中心点运行次数 kmeans.setEpsilon(1.0e-6) //找寻中心点每次变化距离，越小越远 val model = kmeans.run(data)
使用生成的model并聚类
val clusterLabelCount = labelsAndData.map { case (label,datum) =>
val cluster = model.predict(datum)
(cluster,label)
}.countByValue
clusterLabelCount.toSeq.sorted.foreach {case ((cluster,label),count) =>
println(f"$cluster%1s$label%18s$count%8s")
}4.如何选择K
K的选择是个问题，正常说来，K值越大，聚类的效果越好。想象下，如果每个点都是单独的一个类。。
另外，我们可以使用其他点距离中心点的距离来查看聚类的效果：
def distance(a: Vector, b: Vector) = {
math.sqrt(a.toArray.zip(b.toArray).map(p => p._1 - p._2).map(p => p*p).sum)
}
def distToCentroid(datum: Vector, model: KMeansModel) = {
val cluster = model.predict(datum)
val centroid = model.clusterCenters(cluster)
distance(centroid, datum)
}
def clusteringScore(data: RDD[Vector], k: Int) = {
val kmeans = new KMeans()
kmeans.setK(k)
kmeans.setRuns(10)
kmeans.setEpsilon(1.0e-6)
val model = kmeans.run(data)
data.map(datum => distToCentroid(datum, model)).mean()
}
(30 to 150 by 10 ).map(k => clusteringScore(data,k)).foreach(println)有了评估，我们可以依次查看K的大小对聚类的影响。
关于如何分析K-means Clustering 问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。
