Привет, я пытаюсь запустить SimpleKmeanClustering Код, из Github, чтобы посмотреть, как работает кластеризация, Я могу усвоить код на моих окнах Eclipse.Класс не найден Исключение в KMeanClustering - Mahout
Я сделал банку моего проекта, я хочу запустить его на одном узле кластера Hadoop (CHD-4.2.1), с установленным на нем махаутом. Примеры mahout отлично работают на этом кластере, поэтому нет проблем с установкой.
Я использую следующую команду в команде Promt, чтобы запустить мою банку, я не уверен, правильно ли я пытаюсь.
пользователь @ INFPH01463U: ~ $ погонщик баночка /home/user/apurv/Kmean.jar tryout.SimpleKMeansClustering
Я получил соответствующие ошибки
MAHOUT_LOCAL не установлен; добавление HADOOP_CONF_DIR в путь к классам. Запуск на hadoop, используя/usr/lib/hadoop/bin/hadoop и HADOOP_CONF_DIR =/etc/hadoop/conf MAHOUT-JOB: /usr/lib/mahout/mahout-examples-0.7-cdh4.3.0-job. баночка 13/06/06 14:42:18 WARN driver.MahoutDriver: Невозможно добавить класс: банка java.lang.ClassNotFoundException: банка в java.net.URLClassLoader $ 1.Run (URLClassLoader.java:202) в java.security.AccessController.doPrivileged (Native Method) at java.net.URLClassLoader.findClass (URLClassLoader.java:190) в java.lang.ClassLoader.loadClass (ClassLoader.java:306) в java.lang.ClassLoader .loadClass (ClassLoader.java:247) по адресу java.lang.Class.forName0 (собственный метод) at java.lang.Class.forName (Class.java:169) at org.apache.mahout.driver.MahoutDriver.addClass (MahoutDriver.java:236) at org.apache.mahout.driver.MahoutDriver.main (MahoutDriver. Java: 128) на sun.reflect.NativeMethodAccessorImpl.invoke0 (нативный метод) на sun.reflect.NativeMethodAccessorImpl.invoke (NativeMethodAccessorImpl.java:39) на sun.reflect.DelegatingMethodAccessorImpl.invoke (DelegatingMethodAccessorImpl.java:25) в java.lang.reflect.Method.invoke (Method.java:597) на org.apache.hadoop.util.RunJar.main (RunJar.java:208) 13.06.06 14:42:18 WARN драйвер. MahoutDriver: Нет jar.props, найденный на classpath, будет использовать аргументы командной строки только Неизвестная программа 'jar' . Допустимыми именами программ являются: arff.vector:: Генерировать векторы из файла или каталога ARFF baumwelch:: алгоритм Baum-Welch для неконтролируемый тренировочный тент HMM:: Canopy clustering cat:: Распечатать файл или ресурс в качестве моделей логистической регрессии будет видеть его
cleansvd:: Очистка и проверка выходного SVD clusterdump:: самосвала выход кластера текста clusterpp:: Группы кластеризация Выходные данные в кластеры cmdump:: Дамп матрицы путаницы в HTML или текстовые форматы
CVB:: LDA через Свернутые вариации Байес (0-й производный пример)
cvb0_local:: LDA через сложенную вариацию Байес в локальной памяти.
Дирихля:: Дирихль Кластеризация eigencuts:: Eigencuts спектрален кластеризация evaluateFactorization:: вычислить СКО и МАЮ рейтинга матричной прогонки против зондов fkmeans:: Fuzzy K-средства кластеризации FPG:: Частое шаблон hmmpredict Рост:: Генерация случайные последовательность наблюдений по заданным значениям HMM:: Вычисление сходства позиций предметов для совместной работы на основе предметов фильтрация kmeans:: K-означает кластеризация lucene.vector:: Generate Векторы из индекса матрицы Lucene:: матрица дампа в CSV format matrixmult:: Возьмите произведение двух матриц, означающее «ведение»:: Среднее значение Смещение кластеризации minhash:: Запуск кластеризации Minhash parallelALS:: ALS-WR факторизация рейтинговой матрицы recommendfactorized:: рекомендации Compute, используя разложение рейтинговой матрицы
recommenditembased:: рекомендации Compute с использованием элемента на основе совместной фильтрации regexconverter:: Преобразование текстовых файлов на на линии основе по регулярные выражения RowId:: Карта SequenceFile в {SequenceFile, SequenceFile} rowsimilarity:: Рассчитывают попарных сходств строк матрицы runAdaptiveLogistic:: оценки новых производственные данных с использованием, вероятно, обученная и проверенной AdaptivelogisticRegression модели runlogistic:: Запустить логистику регрессионная модель с данными CSV seq2encoded: Закодированная разреженное Вектора поколение из последовательности Текстовых файлов seq2sparse:: разреженный Вектора поколение из последовательности Текстовых файлов seqdirectory:: Генерация файлов последовательность (из текста) из каталога seqdumper:: Generic Sequence самосвал файла seqmailarchives:: Создает SequenceFile из каталога , содержащий сжатый почтовые архивы seqwiki:: Википедия XML дампа spectralkmeans файла последовательности: Спектральные к-средства кластеризации раскола:: данные Split ввода в тест и поезд наборы splitDataset:: разделить рейтинг набор данных в учебные и пробные части ssvd:: Stochastic SVD svd:: Lanczos Singular Value Decomposition testnb: : Протестируйте Vector-bas ред байесовский классификатор trainAdaptiveLogistic:: Поезд AdaptivelogisticRegression модель trainlogistic:: Поезд логистической регрессии с использованием стохастического градиентного спуска trainnb:: Поезд Вектор на основе Байеса классификатор транспонирования:: Возьмите транспонирование матрицы validateAdaptiveLogistic:: Проверка в AdaptivelogisticRegression model from hold-out data set vecdist: : вычислить расстояния между множеством векторов (или кластером или Canopy, они должны вписываться в память) и список векторов vectordump:: Дамп-векторы из файла последовательности в текст viterbi:: Viterbi декодирование скрытых состояний с заданной последовательностью выходных состояний 13/06/06 14:42:18 INFO driver.MahoutDriver: программа взята 2 мс (Протокол: 3.3333333333333335E-5)
Вот мой код, который я использую:
Код
package tryout;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.mahout.math.RandomAccessSparseVector;
import org.apache.mahout.math.Vector;
import org.apache.mahout.math.VectorWritable;
import org.apache.mahout.clustering.kmeans.Kluster;
import org.apache.mahout.clustering.classify.WeightedVectorWritable;
import org.apache.mahout.clustering.kmeans.KMeansDriver;
import org.apache.mahout.common.distance.EuclideanDistanceMeasure;
public class SimpleKMeansClustering {
public static final double[][] points = { {1, 1}, {2, 1}, {1, 2},
{2, 2}, {3, 3}, {8, 8},
{9, 8}, {8, 9}, {9, 9}};
public static void writePointsToFile(List<Vector> points,
String fileName,FileSystem fs,Configuration conf) throws IOException {
Path path = new Path(fileName);
@SuppressWarnings("deprecation")
SequenceFile.Writer writer = new SequenceFile.Writer(fs, conf,path, LongWritable.class, VectorWritable.class);
long recNum = 0;
VectorWritable vec = new VectorWritable();
for (Vector point : points) {
vec.set(point);
writer.append(new LongWritable(recNum++), vec);
} writer.close();
}
public static List<Vector> getPoints(double[][] raw) {
List<Vector> points = new ArrayList<Vector>();
for (int i = 0; i < raw.length; i++) {
double[] fr = raw[i];
Vector vec = new RandomAccessSparseVector(fr.length);
vec.assign(fr);
points.add(vec);
}
return points;
}
public static void main(String args[]) throws Exception {
int k = 2;
List<Vector> vectors = getPoints(points);
File testData = new File("testdata");
if (!testData.exists()) {
testData.mkdir();
}
testData = new File("testdata/points");
if (!testData.exists()) {
testData.mkdir();
}
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(conf);
writePointsToFile(vectors, "testdata/points/file1", fs, conf);
Path path = new Path("testdata/clusters/part-00000");
@SuppressWarnings("deprecation")
SequenceFile.Writer writer = new SequenceFile.Writer(fs, conf,path, Text.class, Kluster.class);
for (int i = 0; i < k; i++) {
Vector vec = vectors.get(i);
Kluster cluster = new Kluster(vec, i, new EuclideanDistanceMeasure());
writer.append(new Text(cluster.getIdentifier()), cluster);
}
writer.close();
KMeansDriver.run(conf, new Path("testdata/points"), new Path("testdata/clusters"),
new Path("output"), new EuclideanDistanceMeasure(), 0.001, 10,
true,0.0, false);
@SuppressWarnings("deprecation")
SequenceFile.Reader reader = new SequenceFile.Reader(fs,new Path("output/" + Kluster.CLUSTERED_POINTS_DIR+ "/part-m-00000"), conf);
IntWritable key = new IntWritable();
WeightedVectorWritable value = new WeightedVectorWritable();
while (reader.next(key, value)) {
System.out.println(value.toString() + " belongs to cluster " + key.toString());
}
reader.close();
}
}
Может кто-нибудь Веди меня за это ...