mahout ida mele. introduzione machine learning data mining web mining: web content mining web...
TRANSCRIPT
Mahout
Ida Mele
Introduzione
• Machine Learning
• Data Mining
• Web Mining:
• Web content mining
• Web structure mining
• Web usage mining
Pagina 2Mahout
Introduzione
• Tecniche di data mining:• Clustering – apprendimento non
supervisionato• Classificazione – apprendimento
supervisionato• Alberi di decisione• Analisi delle associazioni• Reti neurali
Pagina 3Mahout
Clustering
• Raggruppamento di oggetti in cluster.• Obiettivo: oggetti simili dovranno
appartenere allo stesso cluster.• Gli algoritmi di clustering raggruppano gli
oggetti considerando la somiglianza tra essi. • Tale somiglianza è tipicamente misurata
come distanza reciproca tra oggetti.
Pagina 4Mahout
Clustering
• Il clustering può essere condotto con:• Metodi aggregativi • Metodi divisivi
• Possibili clustering:• esclusivo • non esclusivo• partitivo• gerarchico
Pagina 5Mahout
Classification
• È una forma di apprendimento supervisionato o apprendimento con rinforzo.
• Nella classificazione i dati sono divisi in Training set e Test set.• Il Training set è utilizzato nella fase di
addestramento per la costruzione del modello. In questa fase si assume che le istanze appartengono a classi e la classe di appartenenza è specificata dall’attributo di classe.
Pagina 6Mahout
Classification
• Il Test set viene utilizzato per valutare l’accuratezza del modello. È importante che sia diverso dal training set in modo da evitare stime ottimistiche.
• Il modello realizzato è applicato per la classificazione delle istanze la cui classe è ignota.
Pagina 7Mahout
Mahout: introduzione
• Apache Mahout:
– Librerie scalabili per il machine learning.
– Adatto a grandi data sets.
– Gli algoritmi sono implementati su Apache Hadoop utilizzando il paradigma map/reduce.
Pagina 8Mahout
Mahout: introduzione
• Link utili: – Homepage: http://mahout.apache.org/– Wiki:
https://cwiki.apache.org/confluence/display/MAHOUT/Mahout+Wiki
– Download: http://www.apache.org/dyn/closer.cgi/mahout/
Pagina 9Mahout
Mahout: introduzione
• Mahout possiede numerose funzionalità:– Collaborative Filtering– User and Item based recommenders– K-Means, Fuzzy K-Means clustering– Mean Shift clustering– Dirichlet process clustering– Latent Dirichlet Allocation– Singular value decomposition– Parallel Frequent Pattern mining– Complementary Naive Bayes classifier– Random forest decision tree based classifier
Pagina 10Mahout
Installazione
• Scaricare l’ultima release di Mahout (esempio la 0.5).
• Prerequisiti: – Java JDK 1.6– Maven 2.0.11 o superiore
(http://maven.apache.org/). Solo se si desidera installare Mahout a partire dal source code.
Pagina 11Mahout
Installazione
• Posizionarsi nella directory con il core di Mahout e digitare:mvn compile
• In alternativa si può fare direttamente l’installazione. Posizionarsi nella directory di Mahout e digitare:mvn installVerrà generato in core/target/ un file jar il cui nome conterrà la versione di Mahout. Ad esempio se si usa la release 0.5 il file sarà: mahout-core-0.5.jar.
Pagina 12Mahout
Clustering
Clustering of synthetic control data– Scaricare synthetic_control.data.txt da:
http://archive.ics.uci.edu/ml/databases/synthetic_control/synthetic_control.data
– Copiare l’input nell’HDFS: creare testdata all’interno di Hadoop e copiarvi i dati scaricati.• cd $HADOOP_HOME• bin/hadoop fs -mkdir testdata• bin/hadoop fs –put
$PATH_DATI/synthetic_control.data.txt testdata
Nota: $HADOOP_HOME è la path della directory di Hadoop, mentre $PATH_DATI è la path della cartella con il file dati.
Pagina 13Mahout
Clustering
– Il job Example di Mahout non esiste ed è necessario crearlo:• cd $MAHOUT_HOME• mvn clean install // include tutti gli unit testsOppure• mvn clean install -DskipTests=true // senza gli unit tests
Nota: $MAHOUT_HOME è la root directory di Mahout.Se tutto è andato a buon fine comparirà: BUILD
SUCCESSFUL, il job verrà generato nella directory examples/target di Mahout e si chiamerà: mahout-examples-0.5.job.jar (es. se si usa Mahout 0.5).
Pagina 14Mahout
Clustering
– In Hadoop settare la JAVA_HOME:• cd $HADOOP_HOME • export JAVA_HOME=/Library/Java/Home
– Eseguire il clustering, ad esempio utilizziamo canopy:• $MAHOUT_HOME/bin/mahout
org.apache.mahout.clustering.syntheticcontrol.canopy.Job
– In Hadoop verrà creata la cartella output con il risultato del clustering. Per visualizzare i file di output utilizzare:• bin/hadoop fs -lsr output
Pagina 15Mahout
Output
• Per analizzare l’output dobbiamo prima farne il dump.
• Utilizziamo il Cluster Dumper di Mahout.• Il comando clusterdump riceve: – La directory con il risultato del clustering;– La directory con i clustered points;– Il file dove dovrà essere creato il dump
Pagina 16Mahout
Creazione del dump
• Copiare il risultato del clustering nella cartella examples di Mahout:- bin/hadoop fs -get output $MAHOUT_HOME/examples
• Spostarsi in Mahout e dopo aver settato la JAVA_HOME eseguire il dump con clusterdump:- cd $MAHOUT_HOME- export JAVA_HOME=/Library/Java/Home- bin/mahout clusterdump --seqFileDir
examples/output/clusters-0 --pointsDir examples/output/clusteredPoints/ --output examples/output/clusteranalyze.txt
Pagina 17Mahout
Creazione del dump
• Contenuto di clusteranalyze.txt– more examples/output/clusteranalyze.txtC-0{n=21 c=[29.552, 33.073, 35.876, 36.375, 35.118, 32.761, 29.566, 26.983, 25.272,
24.967, 25.691, 28.252, 30.994, 33.088, 34.015, 34.349, 32.826, 31.053, 29.116, 27.975, 27.879, 28.103, 28.775, 30.585, 31.049, 31.652, 31.956, 31.278, 30.719, 29.901, 29.545, 30.207, 30.672, 31.366, 31.032, 31.567, 30.610, 30.204, 29.266, 29.753, 29.296, 29.930, 31.207, 31.191, 31.474, 32.154, 31.746, 30.771, 30.250, 29.807, 29.543, 29.397, 29.838, 30.489, 30.705, 31.503, 31.360, 30.827, 30.426, 30.399] r=[0.979, 3.352, 5.334, 5.851, 4.868, 3.000, 3.376, 4.812, 5.159, 5.596, 4.940, 4.793, 5.415, 5.014, 5.155, 4.262, 4.891, 5.475, 6.626, 5.691, 5.240, 4.385, 5.767, 7.035, 6.238, 6.349, 5.587, 6.006, 6.282, 7.483, 6.872, 6.952, 7.374, 8.077, 8.676, 8.636, 8.697, 9.066, 9.835, 10.148, 10.091, 10.175, 9.929, 10.241, 9.824, 10.128, 10.595, 9.799, 10.306, 10.036, 10.069, 10.058, 10.008, 10.335, 10.160, 10.249, 10.222, 10.081, 10.274, 10.145]}
Weight: Point:
1.0: [28.781, 34.463, 31.338, 31.283, 28.921, 33.760, 25.397, 27.785, 35.248, 27.116, 32.872, 29.217, 36.025, 32.337, 34.525, 32.872, 34.117, 26.524, 27.662, 26.369, 25.774, 29.270, 30.733, 29.505, 33.029, 25.040, 28.917, …
Pagina 18Mahout
Visualizzazione
Visualizing Sample Clusters
• Spostarsi nella sottocartella examples di mahout:– cd examples
• Eseguire il DisplayClustering:– mvn -q exec:java -
Dexec.mainClass=org.apache.mahout.clustering.display.DisplayClustering
Il risultato della visualizzazione è il dataset random originale con delle ellissi semi-illustrative.
Pagina 19Mahout
DisplayClustering: risultato
Pagina 20Mahout
DisplayCanopy: risultato
Pagina 21Mahout
mvn -q exec:java -Dexec.mainClass=org.apache.mahout.clustering.display.DisplayCanopy
DisplayMeanShift: risultato
Pagina 22Mahout
mvn -q exec:java -Dexec.mainClass=org.apache.mahout.clustering.display.DisplayMeanShift
Classification
Pagina 23Mahout
Classificare un dump di dati da Wikipedia utilizzando Naive Bayes.
• Il Wikipedia dump è diviso in chunk e ognuno di essi è ulteriormente diviso per paese.
• A partire da queste suddivisioni si effettua il training del classificatore, il quale dovrà predire il paese di provenienza dei nuovi articoli (articoli mai visti, di cui non si conosce la provenienza).
• Scaricare e scompattare il dump di Wikipedia:http://download.wikimedia.org/enwiki/latest/enwiki-latest-pages-articles.xml.bz2 -- Attenzione: sono circa 8GB --
Classification
• Creare in examples di Mahout la cartella temp e copiarvi il file enwiki-latest-pages-articles10.xml.
• Dividere i dati:– bin/mahout wikipediaXMLSplitter –d
examples/temp/enwiki-latest-pages-articles10.xml -o wikipedia/chunks -c 64
• Il risultato verrà fatto nell’HDFS, la lista di file la si può visualizzare con il comando:– hadoop fs -ls wikipedia/chunks
Pagina 24Mahout
Classification
• Dividere i dati in base ai paesi:– bin/mahout wikipediaDataSetCreator -i
wikipedia/chunks -o wikipediainput –c /examples/src/test/resources/country.txt
• Training:– bin/mahout trainclassifier -i wikipediainput -o
wikipediamodel• Test:
– bin/mahout testclassifier -m wikipediamodel -d wikipediainput
Pagina 25Mahout
Formato Vector
Clustering e classificazione dei propri dati.• Per prima cosa è necessario convertire i prorpi dati
nel formato Vector di Mahout.• È possibile creare vettori da:– Indice in formato Lucene,– Directory contenente documenti,– File in formato ARFF
Pagina 26Mahout
Formato Vector
Creare vettori da file di testo.• Mahout mette a disposizione delle utilities per generare
vettori da cartelle con file di testo. Prima di creare il vettore è necessario convertire i documenti nel formato SequenceFile.– bin/mahout seqdirectory --input <PARENT DIR WHERE
DOCS ARE LOCATED> --output <OUTPUT DIRECTORY> <-c <CHARSET NAME OF THE INPUT DOCUMENTS> {UTF-8|cp1252|ascii...}> <-chunk <MAX SIZE OF EACH CHUNK in Megabytes> 64> <-prefix <PREFIX TO ADD TO THE DOCUMENT ID>>
Pagina 27Mahout
Formato Vector
Creare vettori da file di testo.• Una volta fatta la conversione si può creare il vettore:
– bin/mahout seq2sparse -i <PATH TO THE SEQUENCEFILES> -o <OUTPUT DIRECTORY WHERE VECTORS AND DICTIONARY IS GENERATED> <-wt <WEIGHTING METHOD USED> {tf|tfidf}><-chunk <MAX SIZE OF DICTIONARY CHUNK IN MB TO KEEP IN MEMORY> 100> <-a <NAME OF THE LUCENE ANALYZER TO TOKENIZE THE DOCUMENT> org.apache.lucene.analysis.standard.StandardAnalyzer> <--minSupport <MINIMUM SUPPORT> 2> <--minDF <MINIMUM DOCUMENT FREQUENCY> 1> <--maxDFPercent <MAX PERCENTAGE OF DOCS FOR DF. VALUE BETWEEN 0-100> 99> <--norm <REFER TO L_2 NORM ABOVE>{INF|integer >= 0}>"<-seq <Create SequentialAccessVectors>{false|true required for running some algorithms(LDA,Lanczos)}>"
Pagina 28Mahout
Formato Vector
Creare vettori da file ARFF.• Il formato ARFF di Weka può essere convertito
utilizzando: org.apache.mahout.utils.arff.Driver• Usage:
[--input <input> --output <output> --max <max number of vectors> --help --dictOut <dictOut>--outputWriter <outputWriter> --delimiter <delimiter>]
• Esempio, creare la directory arff_data con un po’ di file .arff:– bin/mahout arff.vector --input $PATH_ARFF/arff_data/
--dictOut examples/output/dict.txt --output examples/output/convert
Pagina 29Mahout