• Mahout介绍、安装与应用案例

        搭建环境

    部署节点操作系统为CentOS，防火墙和SElinux禁用，创建了一个shiyanlou用户并在系统根目录下创建/app目录，用于存放 Hadoop等组件运行包。因为该目录用于安装hadoop等组件程序，用户对shiyanlou必须赋予rwx权限（一般做法是root用户在根目录下 创建/app目录，并修改该目录拥有者为shiyanlou(chown –R shiyanlou:shiyanlou /app）。

    Hadoop搭建环境：

    • 虚拟机操作系统： CentOS6.6 64位，单核，1G内存
    • JDK：1.7.0_55 64位
    • Hadoop：1.1.2

    2 Mahout介绍

    Mahout 是 Apache Software Foundation（ASF） 旗下的一个开源项目，提供一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。AMahout包含许多实现，包括 聚类、分类、推荐过滤、频繁子项挖掘。此外，通过使用 Apache Hadoop 库，Mahout 可以有效地扩展到云中。

    Mahout的意思是大象的饲养者及驱赶者。Mahout 这个名称来源于该项目（有时）使用 Apache Hadoop —其徽标上有一头黄色的大象 —来实现可伸缩性和容错性。

    Mahout 项目是由 Apache Lucene（开源搜索）社区中对机器学习感兴趣的一些成员发起的，他们希望建立一个可靠、文档翔实、可伸缩的项目，在其中实现一些常见的用于集群和分类 的机器学习算法。该社区最初基于 Ng et al. 的文章 “Map-Reduce for Machine Learning on Multicore”（见 参考资料），但此后在发展中又并入了更多广泛的机器学习方法。Mahout 的目标还包括：

    • 建立一个用户和贡献者社区，使代码不必依赖于特定贡献者的参与或任何特定公司和大学的资金。
    • 专注于实际用例，这与高新技术研究及未经验证的技巧相反。
    • 提供高质量文章和示例

    3 搭建Mahout环境

    3.1 部署过程

    3.1.1 下载Mahout

    在Apache下载最新的Mahout软件包，点击下载会推荐最快的镜像站点，以下为下载地址：http://archive.apache.org/dist/mahout/0.6/此处输入图片的描述

    也可以在/home/shiyanlou/install-pack目录中找到该安装包，解压该安装包并把该安装包复制到/app目录中

    • cd /home/shiyanlou/install-pack
    • tar -xzf mahout-distribution-0.6.tar.gz
    • mv mahout-distribution-0.6 /app/mahout-0.6

    此处输入图片的描述

    3.1.2 设置环境变量

    使用如下命令编辑/etc/profile文件：

    • sudo vi /etc/profile

    声明mahout的home路径和在path加入bin的路径：

    • export MAHOUT_HOME=/app/mahout-0.6
    • export MAHOUT_CONF_DIR=/app/mahout-0.6/conf
    • export PATH=$PATH:$MAHOUT_HOME/bin

    此处输入图片的描述

    编译配置文件/etc/profile，并确认生效

    • source /etc/profile
    • echo $PATH

    3.1.3 验证安装完成

    重新登录终端，确保hadoop集群启动，键入mahout --help命令，检查Mahout是否安装完好，看是否列出了一些算法：

    • mahout --help

    此处输入图片的描述

    3.2 测试例子

    3.2.1 下载测试数据

    下载一个文件synthetic_control.data，下载地址:

    http://labfile.oss.aliyuncs.com/courses/237/synthetic_control.data

    把这个文件放在$MAHOUT_HOME/testdata目录下

    • cd /home/shiyanlou/install-pack/class9
    • wget
    • mkdir /app/mahout-0.6/testdata
    • mv synthetic_control.data /app/mahout-0.6/testdata

    此处输入图片的描述

    3.2.2 启动Hadoop

    通过下面命令启动hadoop并通过jps查看进程

    • cd /app/hadoop-1.1.2/bin
    • ./start-all.sh
    • jps

    此处输入图片的描述

    3.2.3 使用kmeans算法

    使用如下命令进行kmeans算法测试：

    • cd /app/mahout-0.6/
    • mahout org.apache.mahout.clustering.syntheticcontrol.kmeans.Job

    此处输入图片的描述

    这里需要说明下，当你看到下面的代码时以为是错的，其实不是，原因：MAHOUT_LOCAL：设置是否本地运行，如果设置该参数就不会在hadoop运行了，一旦设置这个参数那HADOOP_CONF_DIR 和HADOOP_HOME两个参数就自动失效了。

    MAHOUT_LOCAL is not set, so we don't add HADOOP_CONF_DIR to classpath.
no HADOOP_HOME set , running locally

    3.2.4 查看结果

    结果会在根目录建立output新文件夹，如果下图结果表示mahout安装正确且运行正常：

    • cd /app/mahout-0.6/output
    • ll

    此处输入图片的描述

    4 测试例子：运行20newsgroup

    4.1 算法流程

    朴素贝叶斯分类是一种十分简单的分类算法，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率哪个最大，就认为此待分类项属于哪个类别。

    这二十个新闻组数据集合是收集大约20,000新闻组文档，均匀的分布在20个不同的集合。这20个新闻组集合采集最近流行的数据集合到文本程序中 作为实验，根据机器学习技术。例如文本分类，文本聚集。我们将使用Mahout的Bayes Classifier创造一个模型，它将一个新文档分类到这20个新闻组集合范例演示 此处输入图片的描述

    4.2 实现过程（mahout 0.6版本）

    4.2.1 下载数据并解压数据

    下载20Newsgroups数据集，地址为 http://qwone.com/~jason/20Newsgroups/ ，下载20news-bydate.tar.gz数据包，也可以在/home/shiyanlou/install-pack/class9目录中找到该测试数据文件： 此处输入图片的描述

    解压20news-bydate.tar.gz数据包，解压后可以看到两个文件夹，分别为训练原始数据和测试原始数据：

    • cd /home/shiyanlou/install-pack/class9
    • tar -xzf 20news-bydate.tar.gz

    此处输入图片的描述

    在mahout根目录下建data文件夹，然后把20news训练原始数据和测试原始数据迁移到该文件夹下：

    • mkdir /app/mahout-0.6/data
    • mv 20news-bydate-t* /app/mahout-0.6/data
    • ll /app/mahout-0.6/data

    此处输入图片的描述

    4.2.2 建立训练集

    通过如下命令建立训练集，训练的数据在20news-bydate-train目录中，输出的训练集目录为 bayes-train-input：

    • cd /app/mahout-0.6
    • mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups
    • -p /app/mahout-0.6/data/20news-bydate-train
    • -o /app/mahout-0.6/data/bayes-train-input
    • -a org.apache.mahout.vectorizer.DefaultAnalyzer
    • -c UTF-8

    此处输入图片的描述

    4.2.3 建立测试集

    通过如下命令建立训练集，训练的数据在20news-bydate-test目录中，输出的训练集目录为 bayes-test-input：

    • mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups
    • -p /app/mahout-0.6/data/20news-bydate-test
    • -o /app/mahout-0.6/data/bayes-test-input
    • -a org.apache.mahout.vectorizer.DefaultAnalyzer
    • -c UTF-8

    此处输入图片的描述

    4.2.4 上传数据到HDFS

    在HDFS中新建/class9/20news文件夹，把生成的训练集和测试集上传到HDFS的/class9/20news目录中：

    • hadoop fs -mkdir /class9/20news
    • hadoop fs -put /app/mahout-0.6/data/bayes-train-input /class9/20news
    • hadoop fs -put /app/mahout-0.6/data/bayes-test-input /class9/20news
    • hadoop fs -ls /class9/20news
    • hadoop fs -ls /class9/20news/bayes-test-input

    此处输入图片的描述

    4.2.5 训练贝叶斯分类器

    使用trainclassifier类训练在HDFS中/class9/20news/bayes-train-input的数据，生成的模型放到/class9/ 20news/newsmodel 目录中：

    • mahout trainclassifier
    • -i /class9/20news/bayes-train-input
    • -o /class9/20news/newsmodel
    • -type cbayes
    • -ng 2
    • -source hdfs

    此处输入图片的描述

    4.2.6 观察训练作业运行过程

    注：实验楼为命令行界面，无法观测到该步骤界面，以下描述仅做参考 在训练过程中在JobTracker页面观察运行情况，链接地址为http://**.***.**.***:50030/jobtracker.jsp，训练任务四个作业，大概运行了15分钟左右：此处输入图片的描述 点击查看具体作业信息 此处输入图片的描述 map运行情况 此处输入图片的描述 作业运行情况 此处输入图片的描述

    4.2.7 查看生成模型

    通过如下命令查看模型内容：

    • hadoop fs -ls /class9/20news
    • hadoop fs -ls /class9/20news/newsmodel
    • hadoop fs -ls /class9/20news/newsmodel/trainer-tfIdf

    此处输入图片的描述

    4.2.8 测试贝叶斯分类器

    使用testclassifier类训练在HDFS中./20news/bayestest-input的数据，使用的模型路径为./ 20news/newsmodel：

    • mahout testclassifier
    • -m /class9/20news/newsmodel
    • -d /class9/20news/bayes-test-input
    • -type cbayes
    • -ng 2
    • -source hdfs
    • -method mapreduce

    此处输入图片的描述

    4.2.9 观察训练作业运行过程

    注：实验楼为命令行界面，无法观测到该步骤界面，以下描述仅做参考 在执行过程中在JobTracker页面观察运行情况，链接地址为http://hadoop:50030/jobtracker.jsp，训练任务1个作业，大概运行了5分钟左右：此处输入图片的描述 作业的基本信息 此处输入图片的描述 map运行情况 此处输入图片的描述 reduce运行情况 此处输入图片的描述

    4.2.10 查看结果

    这个混合矩阵的意思说明：上述a到u分别是代表了有20类别，这就是我们之前给的20个输入文件，列中的数据说明每个类别中被分配到的字节个数，classified说明应该被分配到的总数 381 0 0 0 0 9 1 0 0 0 1 0 0 2 0 1 0 0 3 0 0 | 398 a = rec.motorcycles 意思为rec.motorcycles 本来是属于 a，有381篇文档被划为了a类，这个是正确的数据，其它的分别表示划到 b~u类中的数目。我们可以看到其正确率为 381/398=0.9573 ,可见其正确率还是很高的了。 此处输入图片的描述

    4.3 实现过程（mahout 0.7+版本）

    在0.7版本的安装目录下$MAHOUT_HOME/examples/bin下有个脚本文件classifu-20newsgroups.sh， 这个脚本中执行过程是和前面分布执行结果是一致的，只不过将各个API用shell脚本封装到一起了。从0.7版本开始，Mahout移除了命令行调用的 API：prepare20newsgroups、trainclassifier和testclassifier，只能通过shell脚本执行。 执行 $MAHOUT_HOME/examples/bin/classify-20newsgroups.sh 四个选项中选择第一个选项， 此处输入图片的描述 执行结果如下： 此处输入图片的描述

    5 问题解决

    5.1 使用mahout0.7+版本对20Newsgroup数据建立训练集时出错

    使用如下命令对20Newsgroupt数据建立训练集时：

    • mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups
    • -p /app/mahout-0.9/data/20news-bydate-train
    • -o /app/mahout-0.9/data/bayes-train-input
    • -a org.apache.mahout.vectorizer.DefaultAnalyzer
    • -c UTF-8

    出现如下错误，原因在于从0.7版本开始，Mahout移除了命令行调用的prepare20newsgroups、 trainclassifier和testclassifier API，只能通过shell脚本执行$MAHOUT_HOME/examples/bin/classify-20newsgroups.sh进行

    14/12/7 21:31:35 WARN driver.MahoutDriver: Unable to add class: org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups
14/12/7 21:31:35 WARN driver.MahoutDriver: No org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups.props found on classpath, will use command-line arguments onlyUnknown program 'org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups' chosen.
Valid program names are:
  arff.vector: : Generate Vectors from an ARFF file or directory
  baumwelch: : Baum-Welch algorithm for unsupervised HMM training
  .......

     
  • 相关阅读:
    JAVA学习总结-基础语法
    git stash save -a 遇到的坑 , 弹出匿藏错误
    TP5模型belongsTo和hasOne这两个方法的区别
    phpstorm设置的快捷键突然失效了，提示： IdeaVim ...
    layui 时间选择器 不要秒的选项
    SQL 判断表是否存在 数据表不存在是致命错误
    layui 第三方组件 eleTree 树组件 树形选择器
    tp5 ThinkPHP5 自定义异常处理类
    TP5隐藏url中的index.php
    phpstorm断点调试 php.ini 文件中 Xdebug 配置
  • 原文地址：https://www.cnblogs.com/charlist/p/7063947.html
Copyright © 2020-2023  润新知