基于Canopy的K-means多核算法

基于Map-reduce,提出了面向多核处理器应用于大规模集群的并行编程方法,应用该方法运行数据挖掘算法Canopy和K-means。针对K-means算法对初始聚类中心敏感,提出了基于Canopy的K-means优化算法。基于实际数据集的实验结果表明,多核Canopy-K-means聚类算法的准确度和执行效率随着核数的增多呈线性增长。

基于Canopy的高效K-means算法

基于Map-reduce的并行编程方法,针对大规模集群多处理器多集群的聚类算法K-means的应用。提出了基于Cano-py的改进K-means优化算法。实验结果证明,多核Canopy-K-means聚类算法的运行效率和准确度与处理器核数成线性比例。