你好,游客 登录
背景:
阅读新闻

Hadoop入门进阶课程9--Mahout介绍、安装与应用案例

[日期:2017-09-22] 来源:csdn  作者:yirenboy [字体: ]

1 搭建环境

部署节点操作系统为CentOS,防火墙和SElinux禁用,创建了一个shiyanlou用户并在系统根目录下创建/app目录,用于存放 Hadoop等组件运行包。因为该目录用于安装hadoop等组件程序,用户对shiyanlou必须赋予rwx权限(一般做法是root用户在根目录下 创建/app目录,并修改该目录拥有者为shiyanlou(chown –R shiyanlou:shiyanlou /app)。

Hadoop搭建环境:

  • 虚拟机操作系统: CentOS6.6 64位,单核,1G内存
  • JDK:1.7.0_55 64位
  • Hadoop:1.1.2

2 Mahout介绍

Mahout 是 Apache Software Foundation(ASF) 旗下的一个开源项目,提供一些可扩展的机器学习领域经典算法的实现,旨在帮助开发人员更加方便快捷地创建智能应用程序。AMahout包含许多实现,包括 聚类、分类、推荐过滤、频繁子项挖掘。此外,通过使用 Apache Hadoop 库,Mahout 可以有效地扩展到云中。

Mahout的意思是大象的饲养者及驱赶者。Mahout 这个名称来源于该项目(有时)使用 Apache Hadoop —其徽标上有一头黄色的大象 —来实现可伸缩性和容错性。

Mahout 项目是由 Apache Lucene(开源搜索)社区中对机器学习感兴趣的一些成员发起的,他们希望建立一个可靠、文档翔实、可伸缩的项目,在其中实现一些常见的用于集群和分类 的机器学习算法。该社区最初基于 Ng et al. 的文章 “Map-Reduce for Machine Learning on Multicore”(见 参考资料),但此后在发展中又并入了更多广泛的机器学习方法。Mahout 的目标还包括:
- 建立一个用户和贡献者社区,使代码不必依赖于特定贡献者的参与或任何特定公司和大学的资金。
- 专注于实际用例,这与高新技术研究及未经验证的技巧相反。
- 提供高质量文章和示例

3 搭建Mahout环境

3.1 部署过程

3.1.1 下载Mahout

在Apache下载最新的Mahout软件包,点击下载会推荐最快的镜像站点,以下为下载地址:http://archive.apache.org/dist/mahout/0.6/

这里写图片描述

也可以在/home/shiyanlou/install-pack目录中找到该安装包,解压该安装包并把该安装包复制到/app目录中
- cd /home/shiyanlou/install-pack
- tar -xzf mahout-distribution-0.6.tar.gz
- mv mahout-distribution-0.6 /app/mahout-0.6

这里写图片描述

3.1.2 设置环境变量

使用如下命令编辑/etc/profile文件:
- sudo vi /etc/profile

声明mahout的home路径和在path加入bin的路径:
- export MAHOUT_HOME=/app/mahout-0.6
- export MAHOUT_CONF_DIR=/app/mahout-0.6/conf
- export PATH=PATH:MAHOUT_HOME/bin

这里写图片描述

编译配置文件/etc/profile,并确认生效
- source /etc/profile
- echo $PATH

3.1.3 验证安装完成

重新登录终端,确保hadoop集群启动,键入mahout –help命令,检查Mahout是否安装完好,看是否列出了一些算法:
- mahout –help

这里写图片描述

3.2 测试例子

3.2.1 下载测试数据

下载一个文件synthetic_control.data,下载地址:

http://labfile.oss.aliyuncs.com/courses/237/synthetic_control.data  

把这个文件放在$MAHOUT_HOME/testdata目录下

  • cd /home/shiyanlou/install-pack/class9
  • wget
  • mkdir /app/mahout-0.6/testdata
  • mv synthetic_control.data /app/mahout-0.6/testdata

这里写图片描述

3.2.2 启动Hadoop

通过下面命令启动hadoop并通过jps查看进程
- cd /app/hadoop-1.1.2/bin
- ./start-all.sh
- jps

这里写图片描述

3.2.3 使用kmeans算法

使用如下命令进行kmeans算法测试:
- cd /app/mahout-0.6/
- mahout org.apache.mahout.clustering.syntheticcontrol.kmeans.Job

这里写图片描述

这里需要说明下,当你看到下面的代码时以为是错的,其实不是,原因:MAHOUT_LOCAL:设置是否本地运行,如果设置该参数就不会在hadoop运行了,一旦设置这个参数那HADOOP_CONF_DIR 和HADOOP_HOME两个参数就自动失效了。

MAHOUT_LOCAL is not set, so we don't add HADOOP_CONF_DIR to classpath.
no HADOOP_HOME set , running locally

3.2.4 查看结果

结果会在根目录建立output新文件夹,如果下图结果表示mahout安装正确且运行正常:
- cd /app/mahout-0.6/output
- ll

这里写图片描述

4 测试例子:运行20newsgroup

4.1 算法流程

朴素贝叶斯分类是一种十分简单的分类算法,朴素贝叶斯的思想基础是这样的:对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率哪个最大,就认为此待分类项属于哪个类别。

这二十个新闻组数据集合是收集大约20,000新闻组文档,均匀的分布在20个不同的集合。这20个新闻组集合采集最近流行的数据集合到文本程序中 作为实验,根据机器学习技术。例如文本分类,文本聚集。我们将使用Mahout的Bayes Classifier创造一个模型,它将一个新文档分类到这20个新闻组集合范例演示

这里写图片描述

4.2 实现过程(mahout 0.6版本)

4.2.1 下载数据并解压数据

下载20Newsgroups数据集,地址为 http://qwone.com/~jason/20Newsgroups/ ,下载20news-bydate.tar.gz数据包,也可以在/home/shiyanlou/install-pack/class9目录中找到该测试数据文件:

这里写图片描述

解压20news-bydate.tar.gz数据包,解压后可以看到两个文件夹,分别为训练原始数据和测试原始数据:
- cd /home/shiyanlou/install-pack/class9
- tar -xzf 20news-bydate.tar.gz

这里写图片描述

在mahout根目录下建data文件夹,然后把20news训练原始数据和测试原始数据迁移到该文件夹下:
- mkdir /app/mahout-0.6/data
- mv 20news-bydate-t* /app/mahout-0.6/data
- ll /app/mahout-0.6/data

这里写图片描述

4.2.2 建立训练集

通过如下命令建立训练集,训练的数据在20news-bydate-train目录中,输出的训练集目录为 bayes-train-input:

 cd /app/mahout-0.6
 mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \
 -p /app/mahout-0.6/data/20news-bydate-train \
 -o /app/mahout-0.6/data/bayes-train-input \
 -a org.apache.mahout.vectorizer.DefaultAnalyzer \
 -c UTF-8

这里写图片描述

4.2.3 建立测试集

通过如下命令建立训练集,训练的数据在20news-bydate-test目录中,输出的训练集目录为 bayes-test-input:

 mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \
 -p /app/mahout-0.6/data/20news-bydate-test \
 -o /app/mahout-0.6/data/bayes-test-input \
 -a org.apache.mahout.vectorizer.DefaultAnalyzer \
 -c UTF-8

这里写图片描述

4.2.4 上传数据到HDFS

在HDFS中新建/class9/20news文件夹,把生成的训练集和测试集上传到HDFS的/class9/20news目录中:
- hadoop fs -mkdir /class9/20news
- hadoop fs -put /app/mahout-0.6/data/bayes-train-input /class9/20news
- hadoop fs -put /app/mahout-0.6/data/bayes-test-input /class9/20news
- hadoop fs -ls /class9/20news
- hadoop fs -ls /class9/20news/bayes-test-input

这里写图片描述

4.2.5 训练贝叶斯分类器

使用trainclassifier类训练在HDFS中/class9/20news/bayes-train-input的数据,生成的模型放到/class9/ 20news/newsmodel 目录中:

 mahout trainclassifier \
 -i /class9/20news/bayes-train-input \
 -o /class9/20news/newsmodel \
 -type cbayes \
 -ng 2 \
 -source hdfs

这里写图片描述

4.2.6 观察训练作业运行过程

注:实验楼为命令行界面,无法观测到该步骤界面,以下描述仅做参考
在训练过程中在JobTracker页面观察运行情况,链接地址为http://...:50030/jobtracker.jsp,训练任务四个作业,大概运行了15分钟左右:

这里写图片描述

点击查看具体作业信息
这里写图片描述

map运行情况
这里写图片描述

作业运行情况
这里写图片描述

4.2.7 查看生成模型

通过如下命令查看模型内容:
- hadoop fs -ls /class9/20news
- hadoop fs -ls /class9/20news/newsmodel
- hadoop fs -ls /class9/20news/newsmodel/trainer-tfIdf
这里写图片描述

4.2.8 测试贝叶斯分类器

使用testclassifier类训练在HDFS中./20news/bayestest-input的数据,使用的模型路径为./ 20news/newsmodel:

 mahout testclassifier \
 -m /class9/20news/newsmodel \
 -d /class9/20news/bayes-test-input \
 -type cbayes \
 -ng 2 \
 -source hdfs \
 -method mapreduce

这里写图片描述

4.2.9 观察训练作业运行过程

注:实验楼为命令行界面,无法观测到该步骤界面,以下描述仅做参考
在执行过程中在JobTracker页面观察运行情况,链接地址为http://hadoop:50030/jobtracker.jsp,训练任务1个作业,大概运行了5分钟左右:
这里写图片描述

作业的基本信息
这里写图片描述

map运行情况
这里写图片描述

reduce运行情况
这里写图片描述

4.2.10 查看结果

这个混合矩阵的意思说明:上述a到u分别是代表了有20类别,这就是我们之前给的20个输入文件,列中的数据说明每个类别中被分配到的字节个数,classified说明应该被分配到的总数
381 0 0 0 0 9 1 0 0 0 1 0 0 2 0 1 0 0 3 0 0 | 398 a = rec.motorcycles
意思为rec.motorcycles 本来是属于 a,有381篇文档被划为了a类,这个是正确的数据,其它的分别表示划到 b~u类中的数目。我们可以看到其正确率为 381/398=0.9573 ,可见其正确率还是很高的了。
这里写图片描述

4.3 实现过程(mahout 0.7+版本)

在0.7版本的安装目录下MAHOUTHOME/examples/binclassifu20newsgroups.shAPIshell0.7MahoutAPIprepare20newsgroupstrainclassifiertestclassifiershellMAHOUT_HOME/examples/bin/classify-20newsgroups.sh 四个选项中选择第一个选项,
这里写图片描述

执行结果如下:
这里写图片描述

5 问题解决

5.1 使用mahout0.7+版本对20Newsgroup数据建立训练集时出错

使用如下命令对20Newsgroupt数据建立训练集时:

 mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \
 -p /app/mahout-0.9/data/20news-bydate-train \
 -o /app/mahout-0.9/data/bayes-train-input \
 -a org.apache.mahout.vectorizer.DefaultAnalyzer\
 -c UTF-8

出现如下错误,原因在于从0.7版本开始,Mahout移除了命令行调用的prepare20newsgroups、 trainclassifier和testclassifier API,只能通过shell脚本执行$MAHOUT_HOME/examples/bin/classify-20newsgroups.sh进行

14/12/7 21:31:35 WARN driver.MahoutDriver: Unable to add class: org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups
14/12/7 21:31:35 WARN driver.MahoutDriver: No org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups.props found on classpath, will use command-line arguments only
Unknown program 'org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups' chosen.
Valid program names are:
  arff.vector: : Generate Vectors from an ARFF file or directory
  baumwelch: : Baum-Welch algorithm for unsupervised HMM training
  .......
收藏 推荐 打印 | 阅读:
相关新闻       hadoop  mahout