基于Hadoop和Mahout的K-Means算法设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第2章 云计算、数据挖掘和Mahout的介绍 | 第14-25页 |
| 2.1 云计算 | 第14-15页 |
| 2.1.1 云计算的概念 | 第14页 |
| 2.1.2 云计算的服务 | 第14-15页 |
| 2.2 Hadoop框架 | 第15-19页 |
| 2.2.1 Hadoop的历史 | 第15页 |
| 2.2.2 Hadoop的架构 | 第15-16页 |
| 2.2.3 HDFS分布式文件系统 | 第16-17页 |
| 2.2.4 MapReduce编程模型 | 第17-19页 |
| 2.3 数据挖掘技术 | 第19-22页 |
| 2.3.1 数据挖掘技术的定义 | 第19-20页 |
| 2.3.2 数据挖掘的方法分类 | 第20-21页 |
| 2.3.3 数据挖掘的基本步骤 | 第21页 |
| 2.3.4 数据挖掘基本算法 | 第21-22页 |
| 2.4 Mahout | 第22-24页 |
| 2.4.1 Mahout的介绍 | 第22-23页 |
| 2.4.2 Mahout实现的算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 聚类技术和算法介绍 | 第25-42页 |
| 3.1 聚类技术的定义与过程 | 第25-26页 |
| 3.2 聚类技术的分类 | 第26-27页 |
| 3.3 聚类分析中的数据结构 | 第27页 |
| 3.4 相似度的度量方法 | 第27-29页 |
| 3.5 K-Means算法 | 第29-33页 |
| 3.5.1 K-Means算法的过程 | 第29-32页 |
| 3.5.2 K-Means算法的性能分析 | 第32页 |
| 3.5.3 K-Means算法的优缺点 | 第32-33页 |
| 3.6 Canopy算法 | 第33-36页 |
| 3.6.1 Canopy算法的过程 | 第33-35页 |
| 3.6.2 Canopy算法的性能分析 | 第35-36页 |
| 3.6.3 Canopy算法的优缺点 | 第36页 |
| 3.7 改进的Canopy-kmeans算法 | 第36-41页 |
| 3.7.1 基于层次分析法的加权欧氏距离 | 第37-39页 |
| 3.7.2 聚类算法中的K值的确定 | 第39-40页 |
| 3.7.3 聚类中心的确定 | 第40页 |
| 3.7.4 数据集中的孤立点去除 | 第40-41页 |
| 3.8 本章小结 | 第41-42页 |
| 第4章 改进的算法并行实现 | 第42-50页 |
| 4.1 改进的算法过程 | 第42-43页 |
| 4.2 基于AHP的加权欧式距离实现 | 第43页 |
| 4.3 Canopy算法的并行实现 | 第43-46页 |
| 4.3.1 Canopy算法的Mapper阶段 | 第45页 |
| 4.3.2 Canopy算法的Reduce阶段 | 第45-46页 |
| 4.4 K-Mesns算法的并行实现 | 第46-48页 |
| 4.4.1 K-Means算法Map阶段 | 第47页 |
| 4.4.2 K-Means算法Combine阶段 | 第47-48页 |
| 4.4.3 K-Means算法Reduce阶段 | 第48页 |
| 4.5 改进后的算法复杂度分析 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 实验与分析 | 第50-58页 |
| 5.1 实验的平台搭建 | 第50-52页 |
| 5.1.1 实验环境 | 第50-51页 |
| 5.1.2 Hadoop配置 | 第51-52页 |
| 5.1.3 Mahout的安装和配置 | 第52页 |
| 5.2 实验数据介绍 | 第52-53页 |
| 5.3 测试结果与分析 | 第53-57页 |
| 5.3.1 传统单机环境下算法比较 | 第53-56页 |
| 5.3.2 集群环境下算法比较 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58页 |
| 6.2 下一阶段的工作 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
