StreamingKMeansクラスタは、通常の関数kmeans

Question

対異なるセンタリングされて、なぜ私は2つのモデルが以下のように同じデータに関数kmeansモデルを使用して訓練があります。

int numIterations = 20; 
    int numClusters = 5; 
    int runs = 10; 
    double epsilon = 1.0e-6; 

    KMeans kmeans = new KMeans(); 
    kmeans.setEpsilon(epsilon); 
    kmeans.setRuns(runs); 
    kmeans.setMaxIterations(numIterations); 
    kmeans.setK(numClusters); 
    KMeansModel model = kmeans.run(trainDataVectorRDD.rdd()); 

、以下のようなStreamingKmeans：

int numOfDimensions = 3; 
    int numClusters = 5; 
    StreamingKMeans kmeans = new StreamingKMeans() 
      .setK(numClusters) 
      .setDecayFactor(1.0)    
      .setRandomCenters(numOfDimensions, 1.0, 0); 

    kmeans.trainOn(trainDataVectorRDD); 

アイデアをストリーミングの1つは、私はkafkaキューからすべてを読んでモデルを訓練し、新しいデータが入ってくると自動的に更新されるということです。

私は2つの異なるcl両方のモデルのusterセンター。どこで私は間違えましたか？ 通常のKMeansが正しいものです。私は5つのクラスターセンターのうち2つをここに掲載しています。どんな助けもありがとう、ありがとう=）。

クラスタ：関数kmeans

clusterCenter：[1.41012161E9,20.9157142857143,68.01750871080174]

clusterCenter：[2.20259211E8,0.6811821903787257,36.58268423745944]

クラスタ：StreamingKmeans

clusterCenter： - 0.07896129994296074,1.0194960760532714、-0.4783789312386866

clusterCenter： [1.3712228467872134、-0.16614353149605163,0.24283231360124224]

Answer 1

k-手段は、ランダム化である。 2回実行すると、おそらく2つの異なる結果が得られます。特に、それらは整列しない（すなわち、クラスタ1は、他の結果においてクラスタ1と一致しない可能性がある）。

さらに、ストリーミングk-meansは、データを1回だけ通過する可能性が高いため、結果は、1反復後にk-means と多少似ていると予想されます。

更新：Sparks StreamingKMeans setRandomCentersは、N（0; 1）分布から初期中心を選択します。あなたのデータによっては、これは良い考えではないかもしれません。また、いくつかのクラスタセンター（例えば、負の座標）は、永遠に空のままです。私の意見では、これは本当に愚かな初期化メソッドであり、ほとんどのアプリケーションでは役に立たない。