❶ 怎么用mahout实现模糊k-means算法，最好带注释
Hive Hadoop中类似于数据仓库的应用，所有要用到的表可以存在Hive中，并且HQL语言类sql语言直接见表查询。
Hdfs是Hadoop中文件存储的格式。
Hbase Hadoop中一种表存储的方式，是以列式存储的方式存储一些大数据量的表。
Pig Hadoop的ETL平台工具，提供了简便的语言也是。
Sqoop 就是一个搬数的工具，从关系型数据库到Hdfs中，或者反过来。 也可以用Java接口直接实现搬数的过程。
ODI（12版本）加入Hive架构，使得搬数更简单了。 Sqoop速度好慢，增量也比较麻烦。
Maorece就是Hadoop核心算法，一个Map 一个Rece函数。
Mahout 是Hadoop的一个数据挖掘应用，利用许多封装好的算法进行数据分析例如K-Means算法。
❷ 大数据分析的流程浅析 大数据整理过程分析
大数据分析的流程浅析：大数据整理过程分析
数据整理是数据分析过程中最重要的环节，在大数据分析过程中也是如此。在小数据时代，数据整理包括数据的清洗、数据转换、归类编码和数字编码等过程，其中数据清洗占据最重要的位置，就是检查数据一致性，处理无效值和缺失值等操作。在大数据时代，这些工作被弱化了，在有些大数据的算法和应用中，基本不再进行数据清洗了，因为大数据的多样化使得其数据。有一定的不精确性。但数据转换和编码过程还是需要的。下面以大数据分析中文本分类的例子，来分析大数据整理的过程。
在本例中，以mahout为大数据分析软件，文本分类算法选用朴素贝叶斯算法(new bayes)，分类对象是来自不同类别的新闻数据。
当我们使用网页爬虫，每小时源源不断的从多个不同类别的新闻网站上取得数据时，取得的这些数据都是文本数据，也就是非结构化数据，这些数据是不需要进行数据清洗过程，但它们在进入到mahout实现的朴素贝叶斯算法时，需要进行必要的数据转换。该转换主要分两个步骤：
1.数据系列化
由于取得的大量的文本数据集中，每个新闻占一个文档，共有无数个小的文件，由于Mahout运行在Hadoop的HDFS上，HDFS是为大文件设计的。如果我们把这些无穷多个小文件都拷贝上去，这样是非常不合适。试想：假设对1000万篇新闻进行分类，难道要拷贝1000w个文件么?这样会使HDFS中运行name node节点的终端崩溃掉。
因此，Mahout采用SequenceFile作为其基本的数据交换格式。其思路是：通过调用mahout内置的解析器，扫描所有目录和文件，并把每个文件都转成单行文本，以目录名开头，跟着是文档出现的所有单词，这样就把无穷多个小文件，转换成一个系列化的大文件。然后把这个大文件，再上传到HDFS上，就可以充分发挥HDFS分布式文件系统的优势。当然，这个转换过程由mahout的内置工具完成，而大数据分析师这个时候只需要把所有的新闻按文件夹分好类放置好，同时运行mahout内置的解析器命令就可以了。
2.文本内容向量化
简单地说就是把文本内容中的每个单词(去除一些连接词后)转换成数据，复杂地说就是进行向量空间模型化(VSM)。该过程使每个单词都有一个编号，这个编号是就它在文档向量所拥有的维度。这个工作在mahout中实现时，大数据分析师也只需要执行其中的一个命令，就可以轻松地实现文本内容的向量化。
有了这些被向量化的数据，再通过mahout的朴素贝叶斯算法，我们就可以对计算机训练出一套规则，根据这个规则，机器就可以对后续收集的新闻数据进行自动的分类了。
从上述文本分类的大数据整理过程可以看出，大数据时代的数据整理过程不再强调数据的精确性，而强调的是对非结构化数据的数量化。当然，不同的大数据分析应用使用的算法也不一样，其数据整理过程也不太一样，但从总体上看，大数据分析的数据整理区别于小数据时代的精确性，而变得更粗放一些。
以上是小编为大家分享的关于大数据分析的流程浅析 大数据整理过程分析的相关内容，更多信息可以关注环球青藤分享更多干货
❸ 如何利用Mahout和Hadoop处理大规模数据
利用Mahout和Hadoop处理大规模数据
规模问题在机器学习算法中有什么现实意义?让我们考虑你可能需要部署Mahout来解决的几个问题的大小。
据粗略估计，Picasa三年前就拥有了5亿张照片。 这意味着每天有百万级的新照片需要处理。一张照片的分析本身不是一个大问题，即使重复几百万次也不算什么。但是在学习阶段可能需要同时获取数十亿张照片中的信息，而这种规模的计算是无法用单机实现的。
据报道，Google News每天都会处理大约350万篇新的新闻文章。虽然它的绝对词项数量看似不大，但试想一下，为了及时提供这些文章，它们连同其他近期的文章必须在几分钟的时间内完成聚类。
Netflix为Netflix Prize公布的评分数据子集中包含了1亿个评分。因为这仅仅是针对竞赛而公布的数据，据推测Netflix为形成推荐结果所需处理的数据总量与之相比还要大出许多倍。
机器学习技术必须部署在诸如此类的应用场景中，通常输入数据量都非常庞大，以至于无法在一台计算机上完全处理，即使这台计算机非常强大。如果没有 Mahout这类的实现手段，这将是一项无法完成的任务。这就是Mahout将可扩展性视为重中之重的道理，以及本书将焦点放在有效处理大数据集上的原因，这一点与其他书有所不同。
将复杂的机器学习技术应用于解决大规模的问题，目前仅为大型的高新技术公司所考虑。但是，今天的计算能力与以往相比，已廉价许多，且可以借助于 Apache Hadoop这种开源框架更轻松地获取。Mahout通过提供构筑在Hadoop平台上的、能够解决大规模问题的高质量的开源实现以期完成这块拼图，并可为所有技术团体所用。
Mahout中的有些部分利用了Hadoop，其中包含一个流行的MapRece分布式计算框架。MapRece被谷歌在公司内部得到广泛使用 ，而Hadoop是它的一个基于Java的开源实现。MapRece是一个编程范式，初看起来奇怪，或者说简单得让人很难相信其强大性。 MapRece范式适用于解决输入为一组"键 值对"的问题，map函数将这些键值对转换为另一组中间键值对，rece函数按某种方式将每个中间键所对应的全部值进行合并，以产生输出。实际上，许多问题可以归结为MapRece问题，或它们的级联。这个范式还相当易于并行化：所有处理都是独立的，因此可以分布到许多机器上。这里不再赘述 MapRece，建议读者参考一些入门教程来了解它，如Hadoop所提供的
Hadoop实现了MapRece范式，即便MapRece听上去如此简单，这仍然称得上是一大进步。它负责管理输入数据、中间键值对以及输出数据的存储;这些数据可能会非常庞大，并且必须可被许多工作节点访问，而不仅仅存放在某个节点上。Hadoop还负责工作节点之间的数据分区和传输，以及各个机器的故障监测与恢复。理解其背后的工作原理，可以帮你准备好应对使用Hadoop可能会面对的复杂情况。Hadoop不仅仅是一个可在工程中添加的库。它有几个组件，每个都带有许多库，还有(几个)独立的服务进程，可在多台机器上运行。基于Hadoop的操作过程并不简单，但是投资一个可扩展、分布式的实现，可以在以后获得回报：你的数据可能会很快增长到很大的规模，而这种可扩展的实现让你的应用不会落伍。
鉴于这种需要大量计算能力的复杂框架正变得越来越普遍，云计算提供商开始提供Hadoop相关的服务就不足为奇了。例如，亚马逊提供了一种管理Hadoop集群的服务 Elastic MapRece，该服务提供了强大的计算能力，并使我们可通过一个友好的接口在Hadoop上操作和监控大规模作业，而这原本是一个非常复杂的任务。
❹ mahout哪些推荐算法支持分布式计算
分布式计算是一种计算方法，和集中式计算是相对的。随着计算技术的发展，有些应用需要非常巨大的计算能力才能完成，如果采用集中式计算，需要耗费相当长的时间来完成。分布式计算将该应用分解成许多小的部分，分配给多台计算机进行处理。这样可以节约整体计算时间，大大提高计算效率。
❺ mahout使用随机森林算法，套用自己的数据为什么出错
首先看你是一个什么定位了，是应届生，还是有一定数据挖掘分析经验的人员。如果是应届生，你只需知道这些算法的基本概念并且能举出相应的例子，这个网上都有，各个经典算法的例子，还是很容易理解的。当然你要是有经验的数据分析工作者，就需要应对公司的现场出题，选择最好的算法，从不同的角度分析，对算法要有本质的了解。
❻ mahout包括哪些算法
一、分类算法
（一）Logistic 回归（SGD）
（二）Bayesian
（三）SVM
（四）Perceptron 和Winnow
（五）神经网络
（六）随机森林
（七）受限玻尔兹曼机
（八）Boosting
（九）HMM
（十）Online Passive Aggressive
二、聚类算法
（一）Canopy
（二）K-Means
（三）Fuzzy K-means
（四）EM
（五）Mean shift
（六）层次聚类
（七）Dirichlet process
（八）LDA
（九）Spectral
（十）MinHash
（十一）Top Down
三、推荐算法
Mahout包括简单的非并行的推荐和基于Hadoop的并行推荐的实现。
（一）非并行推荐
（二）分布式的基于Item的协同过滤
（三）并行矩阵分解的协同过滤
四、关联规则挖掘算法
并行FP-Growth
五、回归
Locally Weighted Linear Regression
六、降维
（一）SVD
（二）SSVD
（三）PCA
（四）ICA
（五）GDA
七、进化算法
八、向量相似性计算
❼ mahout决策树算法怎么调用
你最好先搞清楚，hadoop安装一下先，然后和eclipse连接 然后下载mahout的源代码，用eclipse打开，编译 将你的数据放到HDFS上，就可以了 PS. hadoop只能处理HDFS上的数据，就算你想处理本地的，实质上也是上传到了HDFS上
❽ 我想用eclipse、mahout处理hadoop上的数据，mahout算法用k-means算法。现在就只是这个概念，
你最好先搞清楚，hadoop安装一下先，然后和eclipse连接
然后下载mahout的源代码，用eclipse打开，编译
将你的数据放到HDFS上，就可以了
PS. hadoop只能处理HDFS上的数据，就算你想处理本地的，实质上也是上传到了HDFS上
❾ mahout协同过滤算法 之后的值怎么使用
书上的程序附带有数据集啊，而且也可以自己从网上数据集啊。其实也就是跑跑验证一下，重要的还是思考自己需要应用的地方。
❿ 我想知道mahout中的算法如何处理hbase中的数据
不知道你用的是API还是官方编译后的包：
用API的把你hadoop集群的几个conf的xml放到你工程的classpath中就行了
用官方编译后的包部署的到有hadoop集群的机器上，会读本机的hadoop_conf_dir
如果hadoop配置的没问题，mahout输入输出路径都是指hdfs路径