Hadoop平臺(tái)下基于密度的K-Medoids聚類算法的研究與實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展，人們所面臨的數(shù)據(jù)幾乎呈爆炸性的增長(zhǎng)，而傳統(tǒng)的數(shù)據(jù)挖掘算法在處理大數(shù)據(jù)時(shí)已不能滿足人們對(duì)時(shí)間性能的要求，那么如何能快速的從大量數(shù)據(jù)中提取有效的信息呢？針對(duì)這一問題，本文基于一種經(jīng)典的聚類算法——K-Medoids，結(jié)合目前較為流行的Hadoop平臺(tái)，提出了一種基于密度的K-Medoids并行算法。
　　本文的主要工作主要有以下兩點(diǎn)：
　　1.針對(duì)傳統(tǒng)的K-Medoids聚類算法存在的不足之處——聚類結(jié)

2、果會(huì)隨隨機(jī)選擇的k個(gè)初始聚類中心的不同波動(dòng)較大，本文提出了一種基于密度的K-Medoids算法。算法首先對(duì)初始數(shù)據(jù)進(jìn)行一次基于密度的聚類，然后選擇k個(gè)密度較大的類簇的中心作為K-Medoids聚類的初始聚類中心。實(shí)驗(yàn)證明，本文算法要比傳統(tǒng)的K-Medoids算法的聚類精度要高。
　　2.為了解決算法在處理海量數(shù)據(jù)時(shí)產(chǎn)生的延時(shí)問題，結(jié)合了目前較為流行的Hadoop平臺(tái)，將提出的算法MapReduce化。該過程的關(guān)鍵工作主要有兩點(diǎn)：其