KNN算法基于Hadoop平台实现的的MapReduce实现+源代码+文档说明

# 基于Mapreduce的KNN实现 ## 项目介绍 - 该项目实现了KNN算法在Hadoop平台基于***欧拉距离***，***加权欧拉距离***，***高斯函数***的MapReduce实现。 - 特色或创意：在网上KNN实现的例子上添加了基于***欧拉距离***，***加权欧拉距离***，***高斯函数***的实现。 - 解决的问题来自[http://archive.ics.uci.edu/ml/datasets/Iris](http://archive.ics.uci.edu/ml/datasets/Iris)。 使用的是著名的鸢尾花数据集。据集内包含 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour, iris-virginica）中的哪一品种。 训练集中数据为：属性值1，属性值2，.......，标签 测试集中数据为：属性值1，属性值2，......., 正确标签 ## 运行方法 - 运行程序时需要输入 **hadoop jar KNN.jar KNN train/iris_train.csv output** - 执行普通KNN需要把加权KNN和高斯函数注释掉 - 执行加权KNN请把KNN和高斯函数注释掉 - Reduce里也要相应地注释掉 ## 部署文件 部署hadoop只需按照实验二再过一遍就行了，此处我直接采用超算习堂的环境进行实验。 ## 代码描述 ### mapper mapper的任务是读取测试集并计算测试样本与训练集样本的相似度。 - setup负责将测试集数据读入进来，每一行存为一个list，再将这些list存入一个测试集list中（即ArrayList<ArrayList<Float>>） ```java protected void setup(org.apache.hadoop.mapreduce.Mapper<Object, Text, Text, Text>.Context context) throws java.io.IOException, InterruptedException { // load the test vectors FileSystem fs = FileSystem.get(context.getConfiguration()); BufferedReader br = new BufferedReader(new InputStreamReader(fs.open(new Path(context.getConfiguration().get( "org.niubility.learning.test", "./test/iris_test_data.csv")))));//读取该路径下的测试集 String line = br.readLine(); int count = 0; while (line != null) {//按行读取 String[] s = line.split(",");//以,分割 ArrayList<Float> testcase = new ArrayList<Float>(); for (int i = 0; i < s.length-1; i++){ testcase.add(Float.parseFloat(s[i]));//存储到list中 } test.add(testcase);//将存储每一行的list放到另一个list中 line = br.readLine(); count++; } br.close(); } ``` - map负责计算测试样本与训练集样本距离 ```java public void map(Object key, Text value, Context context) throws IOException, InterruptedException { //key是训练数据行号 context.setStatus(key.toString()); //设置 String[] s = value.toString().split(",");//将value按‘,’分开 String label = s[s.length - 1]; //标签存储在行的最后一个 for (int i=0; i<test.size(); i++){//遍历test ArrayList<Float> curr_test = test.get(i);//读取每一行的list double tmp = 0; for(int j=0; j<curr_test.size(); j++){ //计算所有训练集距离 x^2+y^2+... tmp += (curr_test.get(j) - Float.parseFloat(s[j]))*(curr_test.get(j) - Float.parseFloat(s[j])); } context.write(new Text(Integer.toString(i)), new Text(Double.toString(tmp)+","+label)); //测试样例编号,所有训练集距离&标签 } } ``` ### combiner combiner中设定k值，即排序选择前k个，并取其中最多的作为结果。然后分别根据欧拉距离，加权欧拉距离，高斯函数得到结果。 ```java public static class KNNCombiner extends Reducer<Text, Text, Text, Text> { public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { ArrayList<Dis_Label> dis_Label_set = new ArrayList<Dis_Label>(); for (Text value : values){ String[] s = value.toString().split(","); //拆开所有 距离+标签 Dis_Label tmp = new Dis_Label(); tmp.label = s[1]; tmp.dis = Float.parseFloat(s[0]);//转为float dis_Label_set.add(tmp);//加入list中 } //排序 Collections.sort(dis_Label_set, new Comparator<Dis_Label>(){ @Override public int compare(Dis_Label a, Dis_Label b){ if (a.dis > b.dis){ return 1; //小的在前 } return -1; } }); final int k = 5; //K值 ········ } } ``` 其中三种计算方法对应的操作如下： ```java //统计前K个最近样例的标签 KNN for (int i=0; i<dis_Label_set.size() && i<k; i++){ context.write(key, new Text(dis_Label_set.get(i).label)); } //KNN end ``` ```java //加权KNN HashMap<String, Double> label_dis = new HashMap<String, Double>(); //label , confidence for (int i=0; i<dis_Label_set.size() && i<k; i++){ String cur_l = dis_Label_set.get(i).label; if (!label_dis.containsKey(cur_l)) label_dis.put(cur_l, 0.0); label_dis.put(cur_l, label_dis.get(cur_l) + 1.0/(0.5+dis_Label_set.get(i).dis)); } for (String l:label_dis.keySet()){ context.write(key, new Text(Double.toString(label_dis.get(l))+","+l)); } //加权KNN End ``` ```java //高斯函数 HashMap<String, Double> label_dis = new HashMap<String, Double>(); //label , confidence for (int i=0; i<dis_Label_set.size() && i<k; i++){ String cur_l = dis_Label_set.get(i).label; if (!label_dis.containsKey(cur_l)) label_dis.put(cur_l, 0.0); label_dis.put(cur_l, label_dis.get(cur_l) + Math.exp(Math.pow(dis_Label_set.get(i).dis,2)/0.5)); } for (String l:label_dis.keySet()){ context.write(key, new Text(Double.toString(label_dis.get(l))+","+l)); } //高斯函数 End ``` 实际运行时，需要注释掉其他两种计算。 ### reducer reducer就是将结果进行输出，获取其对应的标签输出出来。 ```java public static class KNNReducer extends Reducer<Text, Text, Text, Text> { public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { //KNN部分 // HashMap<String, Integer> ans = new HashMap<String, Integer>(); // for(Text val:values) // { // if (!ans.containsKey(val)){ // ans.put(val.toString(), 0); // } // ans.put(val.toString(), ans.get(val.toString())+1); // } // //确定标签 // int mx = -1; // String ansLabel = ""; // for (String l:ans.keySet()){ // if (mx < ans.get(l)){ // mx = ans.get(l); // ansLabel = l; // } // } // context.write(key, new Text(ansLabel)); //KNN End //加权KNN & 高斯函数 double mx = -1; String ansLabel = ""; for (Text val: values){ String[] s = val.toString().split(","); if (Double.parseDouble(s[0]) > mx){ mx = Double.parseDouble(s[0]); ansLabel = s[1]; } } context.write(key, new Text(ansLabel)); //加权KNN & 高斯 End } } ``` 同样地，实际运行时需要注释掉其余两种。 ## 文件组成 ``` Hadoop_knn ├── img //运行结果截图 ├── result //存放结果输出文件夹 | ├── part-r-00000(1) //基于欧拉距离计算结果 | ├── part-r-00000(2) //基于加权欧拉距离计算结果 | ├── part-r-00000(3) //基于高斯函数计算结果 ├── test //测试集文件夹 | ├── iris_test_data.csv 类型 ├── train //测试集文件夹 | ├── iris_train.csv ├── KNN.jar ├── KNN.java //源代码文件 ├── README.MD ├── REPORT.MD //报告文件 ```