Introducere în clustering

Fundamentele Big Data cu PySpark

Upendra Devisetty

Science Analyst, CyVerse

Ce este clustering-ul?

Clustering este sarcina de învățare nesupervizată de organizare a datelor în grupuri
Biblioteca PySpark MLlib suportă în prezent următoarele modele de clustering
- K-means
- Mixturi gaussiene
- Clustering prin iterarea puterii (PIC)
- K-means bisecat
- K-means în flux

Clustering K-means

K-means este cea mai populară metodă de clustering

K-means cu Spark MLlib

RDD = sc.textFile("WineData.csv"). \
       map(lambda x: x.split(",")).\
       map(lambda x: [float(x[0]), float(x[1])])
RDD.take(5)

[[14.23, 2.43], [13.2, 2.14], [13.16, 2.67], [14.37, 2.5], [13.24, 2.87]]

Antrenarea unui model de clustering K-means

Antrenarea modelului K-means se realizează cu metoda KMeans.train()

from pyspark.mllib.clustering import KMeans
model = KMeans.train(RDD, k = 2, maxIterations = 10)
model.clusterCenters

[array([12.25573171,  2.28939024]), array([13.636875  ,  2.43239583])]

Evaluarea modelului K-means

from math import sqrt
def error(point):
    center = model.centers[model.predict(point)]
    return sqrt(sum([x**2 for x in (point - center)]))

WSSSE = RDD.map(lambda point: error(point)).reduce(lambda x, y: x + y)
print("Within Set Sum of Squared Error = " + str(WSSSE))

Within Set Sum of Squared Error = 77.96236420499056

Vizualizarea clusterelor K-means

Vizualizarea clusterelor

wine_data_df = spark.createDataFrame(RDD, schema=["col1", "col2"])
wine_data_df_pandas = wine_data_df.toPandas()

cluster_centers_pandas = pd.DataFrame(model.clusterCenters, columns=["col1", "col2"])
cluster_centers_pandas.head()

plt.scatter(wine_data_df_pandas["col1"], wine_data_df_pandas["col2"]);
plt.scatter(cluster_centers_pandas["col1"], cluster_centers_pandas["col2"], color="red", marker="x");

Exerciții de clustering

Fundamentele Big Data cu PySpark