基于Hadoop的K-Medoids聚类算法实现与优化
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 引言 | 第10-14页 |
| ·研究背景 | 第10页 |
| ·数据挖掘的研究现状 | 第10-11页 |
| ·Hadoop的发展现状 | 第11-12页 |
| ·本文的主要研究内容 | 第12-13页 |
| ·本文结构 | 第13-14页 |
| 第2章 聚类分析概述 | 第14-26页 |
| ·数据挖掘 | 第14-17页 |
| ·数据挖掘的概念 | 第14-15页 |
| ·数据挖掘的过程 | 第15-17页 |
| ·聚类分析 | 第17-25页 |
| ·聚类分析的概念 | 第17-18页 |
| ·样本相似距离 | 第18-20页 |
| ·聚类分析算法 | 第20-24页 |
| ·K-Means和K-Medoids的比较和分析 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 Hadoop与Mahout | 第26-39页 |
| ·云计算概述 | 第26-27页 |
| ·Hadoop云计算平台 | 第27-35页 |
| ·HDFS文件系统 | 第27-31页 |
| ·MapReduce编程模型 | 第31-33页 |
| ·HBase数据库 | 第33-35页 |
| ·Mahout分析系统 | 第35-38页 |
| ·Mahout概述 | 第35-36页 |
| ·Mahout的运用领域 | 第36页 |
| ·Mahout的K-Means实现 | 第36-37页 |
| ·Mahout的MeanShift实现 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 HK-Medoids算法与优化 | 第39-53页 |
| ·K-Medoids算法的并行分析 | 第39-41页 |
| ·K-Medoids的并行化思路 | 第40页 |
| ·K-Medoids的MapReduce设计 | 第40-41页 |
| ·HK-Medoids算法的实现 | 第41-46页 |
| ·HK-Medoids的设计思路 | 第41-43页 |
| ·HK-Medoids的自定义I/O类 | 第43-44页 |
| ·HK-Medoids的实现 | 第44-46页 |
| ·HK-Medoids算法的优化 | 第46-52页 |
| ·优化MapReduce调度 | 第47-49页 |
| ·优化计算样本的数量 | 第49页 |
| ·优化聚类簇的初始中心点 | 第49-50页 |
| ·优化样本数据来源 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 实验与实验结果分析 | 第53-63页 |
| ·实验环境与数据准备 | 第53-58页 |
| ·软硬件环境 | 第53-54页 |
| ·Hadoop平台搭建 | 第54-57页 |
| ·HBase平台搭建 | 第57页 |
| ·实验数据 | 第57-58页 |
| ·实验设计与结果分析 | 第58-62页 |
| ·有效性分析 | 第58-59页 |
| ·优化率分析 | 第59-60页 |
| ·加速比分析 | 第60-62页 |
| ·本章小节 | 第62-63页 |
| 第6章 总结与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附录 | 第65-66页 |
| 参考文献 | 第66-67页 |
