基于MapReduce实现并行化K-means算法

阅读报告

阅读文献：WeizhongZhao, H Ma, Q He Springer “Parallel K-Means Clustering Base on MapReduce”, CloudComputing, 2009

解决问题：在分布式文件系统基础下的MapReduce编程模型实现K-Means聚类算法

运行效果：从节点增加时的总体速度提升，平均速度下降，数据量增大等多个条件下对算法进行实验，算法表现良好。

具体方法：

算法伪代码：

k-means的每一次迭代都可以分为以下3个步骤。

第一步：Map：对于每一个点，将其对应的最近的聚类中心

第二步：Combine：刚完成map的机器在本机上都分别完成同一个聚类的点的求和，减少reduce操作的通信量和计算量。

第三步：reduce：将同一聚类中心的中间数据再进行求和，得到新的聚类中心

具体细节在伪代码中的解析都非常详尽，这里不再赘述了。

算法优点：

1. 将聚类中心的信息作为全局变量，使聚类归属分配时不需要占用带宽。

2. 利用combine本地先进行同一聚类的归并，减少到reduce的传输量和计算量。

3. 算法规范，简单。

算法缺陷：

中规中矩，将k-means并行化处理没有本质上的创新，没有什么很好的优化机制。