文档介绍：聚类分析
什么是聚类分析?
聚类（Clustering）就是将数据对象分组成为多个类或者簇（Cluster）,它的目标是：在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。所以，在很多应用中，一个簇中的数据对象可以被作为典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序，并且，在Mahout的最近版本中还加入了对ApacheHadoop的支持，使这些算法可以更高效的运行在云计算环境中。
关于ApacheMahout的安装和配置请参考《基于ApacheMahout构建社会化推荐引擎》，它是笔者09年发表的一篇关于基于
Mahout实现推荐引擎的developerWorks文章，其中详细介绍了Mahout的安装步骤。
回页首
Mahout中提供了常用的多种聚类算法，涉及我们刚刚讨论过的各种类型算法的具体实现，下面我们就进一步深入几个典型的聚类算法的原理，优缺点和实用场景，以及如何使用Mahout高效的实现它们。
深入聚类算法
深入介绍聚类算法之前，这里先对Mahout中对各种聚类问题的数据模型进行简要的介绍。
数据模型
Mahout的聚类算法将对象表示成一种简单的数据模型：向量（Vector）。在向量数据描述的基础上，我们可以轻松的计算两个对象的相
似性，关于向量和向量的相似度计算，本系列的上一篇介绍协同过滤算法的文章中已经进行了详细的介绍，请参考《“探索推荐引擎内部的秘密”系列-Part2:深入推荐引擎相关算法-协同过滤》。
Mahout中的向量Vector是一个每个域是浮点数(double)的复合对象，最容易联想到的实现就是一个浮点数的数组。但在具体应用由
于向量本身数据内容的不同，比如有些向量的值很密集，每个域都有值；有些呢则是很稀疏，可能只有少量域有值，所以Mahout提供了多个实现：
DenseVector，它的实现就是一个浮点数数组，对向量里所有域都进行存储，适合用于存储密集向量。
RandomAccessSparseVector基于浮点数的HashMap实现的，key是整形(int)类型，value是浮点数(double)类型，它只存储向量中不为空的值，并提供随机访问。
SequentialAccessVector实现为整形(int)类型和浮点数(double)类型的并行数组，它也只存储向量中不为空的值，但只提供顺序访问。
用户可以根据自己算法的需求选择合适的向量实现类，如果算法需要很多随机访问，应该选择DenseVector或者
RandomAccessSparseVector，如果大部分都是顺序访问，SequentialAccessVector的效果应该更好。
介绍了向量的实现，下面我们看看如何将现有的数据建模成向量，术语就是“如何对数据进行向量化”，以便采用Mahout的各种高效的聚类算法。
简单的整形或浮点型的数据
这种数据最简单，只要将不同的域存在向量中即可，比如n维空间的点，其实本身可以被描述为一个向量。
枚举类型数据
这类数据是对物体的描述，只是取值范围有限。举个例子，假设你有一个苹果信息的数据集，每个苹果的数据包括：大小，重量，颜色等，我们以颜色为例，设苹果的颜色数据包括：红色，黄色和绿色。在对数据进行建模时，我们可以用数字来表示颜色，红色=1,黄色=2,绿色=3,那么大小直径8cm，，颜色是红色的苹果，建模的向量就是<8,,1>。
下面的清单1给出了对以上两种数据进行向量化的例子。

//创建一个二维点集的向量组
publicstaticfinaldouble[][]points={{1,1},{2,1},{1,2},
{2,2},{3,3},{8,8},{9,8},{8,9},{9,9},{5,5},
{5,6},{6,6}};
publicstaticList<Vector>getPointVectors(double[][]raw){
List<Vector>points=newArrayList<Vector>();
for(inti=0;i<;i++){
double]]fr=raw[i];
//这里选择仓建RandomAccessSparseVector
Vectorvec=newRandomAccessSparseVector();
//将数据存放在创建的Vector中
(fr);
(vec);
}
returnpoints;
Mahout中的向量Vector是一个每个域是浮点数(double)的复合对象，最容易联想到的实现就是一个浮点数的数组。但在具体