R SparkR spark.kmeans用法及代码示例

说明：

针对 SparkDataFrame 拟合 k-means 聚类模型，类似于 R 的 kmeans()。用户可以调用summary打印拟合模型的摘要，调用predict对新数据进行预测，调用write.ml/read.ml保存/加载拟合模型。

用法：

spark.kmeans(data, formula, ...)

## S4 method for signature 'SparkDataFrame,formula'
spark.kmeans(
  data,
  formula,
  k = 2,
  maxIter = 20,
  initMode = c("k-means||", "random"),
  seed = NULL,
  initSteps = 2,
  tol = 1e-04
)

## S4 method for signature 'KMeansModel'
summary(object)

## S4 method for signature 'KMeansModel'
predict(object, newData)

## S4 method for signature 'KMeansModel,character'
write.ml(object, path, overwrite = FALSE)

参数：

• data 用于训练的 SparkDataFrame。
• formula 要拟合的模型的符号说明。目前仅支持少数公式运算符，包括'~'、'.'、':'、'+'和'-'。注意，公式的响应变量在 spark.kmeans 中为空。
• ... 传递给方法的附加参数。
• k 中心的数量。
• maxIter 最大迭代次数。
• initMode 选择适合模型的初始化算法。
• seed 集群初始化的随机种子。
• initSteps k-means|| 的步数初始化模式。这是一个高级设置，默认值 2 几乎总是足够的。必须 > 0。
• tol 迭代的收敛容差。
• object 拟合的k-means 模型。
• newData 用于测试的 SparkDataFrame。
• path 保存模型的目录。
• overwrite 如果输出路径已经存在，是否覆盖。默认为 FALSE，这意味着如果输出路径存在则抛出异常。

返回：

spark.kmeans 返回一个拟合的 k-means 模型。

summary 返回拟合模型的汇总信息，是一个列表。该列表包括模型的k(配置的聚类中心数)、coefficients(模型聚类中心)、size(每个聚类中的数据点数)、cluster(转换数据的聚类中心) , is.loaded(模型是否从保存的文件中加载)，和clusterSize(实际聚类中心数。使用initMode = "random"时，clusterSize可能不等于k)。

predict 返回基于 k-means 模型的预测值。

注意：

spark.kmeans 自 2.0.0 起

摘要(KMeansModel)自 2.0.0 起

从 2.0.0 开始预测(KMeansModel)

write.ml(KMeansModel, character) 自 2.0.0 起

例子：

sparkR.session()
t <- as.data.frame(Titanic)
df <- createDataFrame(t)
model <- spark.kmeans(df, Class ~ Survived, k = 4, initMode = "random")
summary(model)

# fitted values on training data
fitted <- predict(model, df)
head(select(fitted, "Class", "prediction"))

# save fitted model to input path
path <- "path/to/model"
write.ml(model, path)

# can also read back the saved model and print
savedModel <- read.ml(path)
summary(savedModel)