Mahout Ida Mele Introduzione • Machine Learning • Data Mining • Web Mining: • Web content mining • Web structure mining • Web usage mining Mahout Pagina 2 Introduzione • Tecniche di data mining: • Clustering – apprendimento non supervisionato • Classificazione – apprendimento supervisionato • Alberi di decisione • Analisi delle associazioni • Reti neurali Mahout Pagina 3 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. Mahout Pagina 4 Clustering • Il clustering può essere condotto con: • Metodi aggregativi • Metodi divisivi • Possibili clustering: • esclusivo • non esclusivo • partitivo • gerarchico Mahout Pagina 5 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. Mahout Pagina 6 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. Mahout Pagina 7 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. Mahout Pagina 8 Mahout: introduzione • Link utili: – Homepage: http://mahout.apache.org/ – Wiki: https://cwiki.apache.org/confluence/display/MAH OUT/Mahout+Wiki – Download: http://www.apache.org/dyn/closer.cgi/mahout/ Mahout Pagina 9 Mahout: introduzione • Mahout possiede numerose funzionalità: – – – – – – – – – – Mahout 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 10 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. Mahout Pagina 11 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 install Verrà 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. Mahout Pagina 12 Clustering Clustering of synthetic control data – Scaricare synthetic_control.data.txt da: http://archive.ics.uci.edu/ml/databases/synthetic_control/sy nthetic_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. Mahout Pagina 13 Clustering – Il job Example di Mahout non esiste ed è necessario crearlo: • cd $MAHOUT_HOME • mvn clean install // include tutti gli unit tests Oppure • 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: mahoutexamples-0.5.job.jar (es. se si usa Mahout 0.5). Mahout Pagina 14 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.J ob – In Hadoop verrà creata la cartella output con il risultato del clustering. Per visualizzare i file di output utilizzare: • bin/hadoop fs -lsr output Mahout Pagina 15 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 Mahout Pagina 16 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 Mahout Pagina 17 Creazione del dump • Contenuto di clusteranalyze.txt – more examples/output/clusteranalyze.txt C-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, … Mahout Pagina 18 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.Dis playClustering Il risultato della visualizzazione è il dataset random originale con delle ellissi semi-illustrative. Mahout Pagina 19 DisplayClustering: risultato Mahout Pagina 20 DisplayCanopy: risultato mvn -q exec:java Dexec.mainClass=org.apache.mahout.clustering.display.DisplayCanopy Mahout Pagina 21 DisplayMeanShift: risultato mvn -q exec:java Dexec.mainClass=org.apache.mahout.clustering.display.DisplayMeanShift Mahout Pagina 22 Classification 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/enwikilatest-pages-articles.xml.bz2 -- Attenzione: sono circa 8GB -Mahout Pagina 23 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 Mahout Pagina 24 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 Mahout Pagina 25 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 Mahout Pagina 26 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>> Mahout Pagina 27 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)}>" Mahout Pagina 28 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 Mahout Pagina 29