Spark MLlib Kullanarak Kümeleme Analizi

Erkan ŞİRİN 8 Haziran 2017 Makine Öğrenmesi 0 1023 705 kelime - 5 dakika43

---

Bu yazıya puan ver

(No Ratings Yet)

Loading...

---

Şuan namenode sunucuda lokal diskte bulunan veri setini HDFS’e aktaralım. Bunun için şu komutları kullanıyorum: hdfs dfs -put /home/cloudera/iris.csv /user/cloudera

Veri seti artık HDFS’te. HDFS dizini olarak /user/cloudera/iris.csv Veri setini HDFS’e indirmeyi başardıktan sonra şimdi Jupyter’i açıp kümeleme çalışmaya başlayabiliriz. Gerekli kütüphaneleri indirelim.

from pyspark.mllib.clustering import KMeans, KMeansModel
from numpy import array
from math import sqrt

Veriyi alıp parse edelim ve Spark veri yapısında çalışmaya başlayalım.

data = sc.textFile("/user/cloudera/iris.csv")
parsedData = data.map(lambda line: array([x for x in line.split(',')]))

Bakalım veriyi Spark RDD olarak almış mıyız?

parsedData.take(5)
[array([u'5.1', u'3.5', u'1.4', u'0.2', u'Iris-setosa'], 
       dtype='<U11'), array([u'4.9', u'3.0', u'1.4', u'0.2', u'Iris-setosa'], 
       dtype='<U11'), array([u'4.7', u'3.2', u'1.3', u'0.2', u'Iris-setosa'], 
       dtype='<U11'), array([u'4.6', u'3.1', u'1.5', u'0.2', u'Iris-setosa'], 
       dtype='<U11'), array([u'5.0', u'3.6', u'1.4', u'0.2', u'Iris-setosa'], 
       dtype='<U11')]

Evet almışız ancak beşinci niteliğimiz olan çiçek sınıfı (Iris-setosa yazıp duran yerler :)) hala duruyor. Onu kaldırıyoruz çünkü denetimsiz öğrenmede hedef değişken ile işimiz yok. İlk dört niteliği float’a çevirip yeni bir RDD’ye atıyoruz.

iris_ilk_dort_nitelik = parsedData.map(lambda x: array([float(x[0]),float(x[1]),float(x[2]),float(x[3])]))
[array([ 5.1,  3.5,  1.4,  0.2]),
 array([ 4.9,  3. ,  1.4,  0.2]),
 array([ 4.7,  3.2,  1.3,  0.2]),
 array([ 4.6,  3.1,  1.5,  0.2]),
 array([ 5. ,  3.6,  1.4,  0.2])]

Şimdi hata fonksiyonumuzu yazalım. Yani küme merkezine olan uzaklığı hesaplayacak fonksiyon.

def error(point):
 center = clusters.centers[clusters.predict(point)]
 return sqrt(sum([x**2 for x in (point - center)]))

Şimdi her bir k değeri (ayırmak istediğimiz küme sayısı) için maliyetimize bir bakalım.

for k in range (1,6):
 clusters = KMeans.train(iris_ilk_dort_nitelik, k, maxIterations=10, initializationMode="random")
 WSSSE = iris_ilk_dort_nitelik.map(lambda point: error(point)).reduce(lambda x, y: x + y)
 
 print("With "+ str(k)+ " clusters: WSSSE: "+ str(WSSSE))
With 1 clusters: WSSSE: 291.455123856
With 2 clusters: WSSSE: 128.404195237
With 3 clusters: WSSSE: 97.3259242343
With 4 clusters: WSSSE: 83.7861984508
With 5 clusters: WSSSE: 80.4000863093

Bildiğimiz gibi iris veri seti üç doğal kümeden oluşuyor. Bununla ilgili yazımı inceleyebilirsiniz. Yukarıdaki listeye baktığımızda küme sayısı 2’den 3’e çıkınca en küçük kareler toplamı çok keskin bir düşüş yaşıyor. Bu da bize ideal k sayısı hakkında güzel bir işaret veriyor. Kısmet olursa önümüzdeki günlerde k sayısının nasıl seçileceği ve kategorik değişkenlerle nasıl kümeleme analizi yapılacağına dair yazılar yazmayı düşünüyorum. Şayet modelimizi daha sonra da kullanmayı düşünüyorsak modeli kaydedebiliriz.

clusters.save(sc, "K-OrtalamamarModeli-1")

Sonra modeli tekrar çağırmak istersek:

K_OrtalamamarModeli_1 = KMeansModel.load(sc, "K-OrtalamamarModeli-1")

Bu yazıda da bu kadar. Veriyle kalınız…