codemosi的专栏，点击我可以跳到目录一栏

（原文地址：http://blog.youkuaiyun.com/codemosi/article/category/2777041，转载麻烦带上原文地址。hadoop hive hbase mahout storm spark kafka flume,等连载中，做个爱分享的人）1 那么问题又来了  ????    如何实现一个推荐系统？    1 ： 基于内容的推荐，比如用户

一.假设数据集：项的集合：  I   (A,B,C,D,E,F,G,H…Z)交易数据库：D  (001,002,003…007)TIDItem1Item2Item3Item4001ABC 002BC

在关联规则挖掘领域最经典的算法法是Apriori，其致命的缺点是需要多次扫描事务数据库。于是人们提出了各种裁剪（prune）数据集的方法以减少I/O开支，韩嘉炜老师的FP-Tree算法就是其中非常高效的一种。支持度和置信度严格地说Apriori和FP-Tree都是寻找频繁项集的算法，频繁项集就是所谓的“支持度”比较高的项集，下面解释一下支持度和置信度的概念。设事务数据库为：

2014年2月14日刘 小飞发表回复原创文章，转载请注明： 转载自慢慢的回味本文链接地址: Fuzzykmeans集群算法(cluster-reuters)理论分析集群中心点计算1 随机从待分类的向量中选出20个作为20个集群的中心。2 对所有的点，计算其和每个中心的距离，得到点归属于每个集群的概率。3 重新对每个集群计算新的

2014年2月14日刘 小飞发表回复原创文章，转载请注明： 转载自慢慢的回味本文链接地址: Canopy集群算法(org.apache.mahout.clustering.canopy.CanopyDriver)理论分析集群中心点计算1 选择T1和T2，T1>T2。其中T1为弱归属距离，T2为强归属距离。2 对每个点进行到中心点的

2014年1月23日刘 小飞发表回复原创文章，转载请注明： 转载自慢慢的回味本文链接地址: 贝叶斯分类（classify-20newsgroups）一 理论分析Tackling the Poor Assumptions of Naive Bayes Text Classifiers贝叶斯的多项式模型如下公式。表示一个文档由一系列单词构

2014年1月26日刘 小飞发表回复原创文章，转载请注明： 转载自慢慢的回味本文链接地址: kmeans集群算法(cluster-reuters)理论分析集群中心点计算1 随机从待分类的向量中选出20个作为20个集群的中心。2 对所有的点，计算其和每个中心的距离，距离最小者为当前点的集群归属。3 重新对每个集群计算新的中心，并

1 研究mahout之前要想给mahout定位好，他是hadoop生态圈里做机器学习的子系统，提供了多种数据挖掘的算法。      数据挖掘是从海量数据中挖掘出有用的商业价值，如客户分类，新闻分类等。挖掘类型分为，聚类，分类，预测，关联。4种类型的挖掘任务。数据挖掘的过程 原始数据 --》 抽取特征向量  --》  训练模型 -》评估模型 -》 最终模型。      mah

2014年1月24日刘 小飞发表回复原创文章，转载请注明： 转载自慢慢的回味本文链接地址: Parallel-ALS推荐算法(factorize-movielens-1M)一 理论分析Large-scale Parallel Collaborative Filtering for the Netflix Prize设表示为user和m

频繁模式挖掘，mahout的实现是fpgrowth算法。贴样板马克一下。/** * 关联规则挖掘实现 * 李国忠 */public final class PatternFinder extends AbstractJob {    private static final Logger log = LoggerFactory.getLogger(PatternFind