Introduktion till klustring

Grunderna i Big Data med PySpark

Upendra Devisetty

Science Analyst, CyVerse

Vad är klustring?

Klustring är den oövervakade inlärningsuppgiften att organisera data i grupper
PySpark MLlib stöder för närvarande följande klustringsmodeller
- K-means
- Gaussisk blandning
- Power iteration clustering (PIC)
- Bisecting k-means
- Streaming k-means

K-means-klustring

K-means är den vanligaste klustringsmetoden

K-means med 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]]

Träna en K-means-klustringsmodell

Träning av en K-means-modell görs med metoden 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])]

Utvärdera K-means-modellen

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

Visualisera K-means-kluster

Visualisera kluster

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");

Klustringsövning

Grunderna i Big Data med PySpark