文档介绍：2
Hadoop物联网数据挖掘的算法分析
摘要：介绍了物联网数据处理的若干关键技术，如大数据采集、大数据存储、大数据的分析与挖掘等。以Hadoop为平台对物联网数据进行挖掘与分析，为了提高处理浩大数据的实效性，基于MapReduce且合并同一KEY值，再通过Reduce函数化简，最终输出最终结果值。
6
3数据挖掘算法分析
MapReduce架构具有简易性、效率高、靠谱性以及并行的运算方式等特点，同时MapReduce架构的运用广度也有局限性，不能实现全部算法的应用。因此，最关键的是此算法需满足可伸缩性的特点，这里接受三类算法：分类算法、聚类算法和关联规章算法，争论改造并且能够应用到MapReduce架构中。
朴实贝叶斯分类算法[5]（NaiveBayesianclassifi-cation，NBC），即将全部数据进行分类，先以一个特定的点定义好类别，建筑一个分类器，其作用是将待定的数据先通过映射，划分到确定的类别。简言之，首先需构建一个分类器，获得某个已知样本的先验概率的前提，再运用贝叶斯公式：()()()()PABPBPBAPA=⑴得出一个后验概率，最终确定后验概率最大的类是对象所属的类。朴实贝叶斯分类算法接受的是扫描式方式，其算法操作如下：⑴Main函数：读取数据集；⑵Map函数：计算离散属性取值的总和、其连续属性的平均值μ以及标准差δ；⑶Reduce函数：整合输出统计值；⑷Main函数：由步骤3的结果生成分类器。
7
-modes聚类算法
K-modes聚类算法[6]，即先将对象进行聚集划分成不同的类别和子集，通过静态分类的方法将相像的成员对象分为一类，以区分于其他簇中的对象。由于这种方式不需要进行人工标注处理，因而具有确定的自适应性即无需看管监督的算法。K-modes算法不仅其算法思想简洁实现，而且本身简洁易用，因此成为最常用的聚类算法之一。K-modes算法是K-means算法基础上的延长，不仅可以处理数值型数值，也可以处理分类属性型的数据，这是一个大的改进。K-modes算法可以很好的处理数量少的数据集，同时也可以高效处理浩大的数据集，其算法时间简洁度为O（tnkm），共同准备于迭代数t，数据集中对象数n，划分子类数k，以及属性数量m。K-modes算法中modes可直接描述每一个类的属性和特性，便于解析聚类结果。K-modes算法是收敛的。以上是传统的K-modes算法的优点，其也有缺点。K-modes算法虽然是收敛的，但是Huang证明其只能在局限收敛中实现最小值，在全局收敛中实现不了。聚类算法的好坏取决于相异度度量方法，K-modes算法在呈现两者的差异性不占优势。聚类算法中modes准备了结果的精确度，而此算法的modes不是独一无二的。因此，接受改进的K-modes算法。K-modes聚类算法[7]接受迭代式的方式，其算法操作如下。⑴main函数：读取数据集中的初始中心点。⑵map函数：主要计算差异值、众数和目标函数值。⑶main函数：最终读取和推断目标函数值，若连续两轮的结果无变化，则结束这次过程，得出中心点，反之需要进行下一轮的迭代进程。因此，聚类算法的应用能够将类内对象的相像性达到最大，类间对象的相像性尽量的小，从而可以更好的区分对象间的差别。
7
关联规章挖掘算法的主要作用是找出不同项集之间的关联性，并且应用到大数据中。例如，顾客去便利超市买东西，观看分析顾客的购物车，会发觉商品间的联系。因而调整商品的摆放位置，可以更好的促销商品。ECLAT算法[8]其本质是一种频繁项集挖掘算法，其异于传统的数据结构，是基于垂直数据结构格式。其工作流程如下：首先全面扫描全部数据，然后将数据的格式呈现为垂直的，最终得到一个项集的长度值，即项集支持度的计数。依据算法Apriori的特性，从K=1开头，对频繁K项集的交进行计算，构建备选的K+1项集并且选出第K+1项时，反复操作，将K的值加一，当不能挖掘出频繁项集便结束这个工作。ECLAT频繁项集挖掘算法也是接受迭代式，其算法操作如下。⑴Main函数：读取上一轮的挖掘数据。⑵Map函数：存储垂直K项集。⑶Reduce函数：对垂直K项集挖掘出频繁K项集。⑷Main函数：读取最终的Reduce函数中的结果，假如不是空值，连续进行下一轮挖掘，反之就结束此程序。因此，ECLAT算法的最大优势是更快地找出数据间的关联性，为数据挖掘供应了很好的解决方法。
8
4应用前景
随着物联网技术的进