canopy是聚類演算法的一種實現
它是一種快速，簡單，但是不太準確的聚類演算法
canopy通過兩個人為確定的閾值t1，t2來對資料進行計算，可以達到將一堆混亂的資料分類成有一定規則的n個資料堆
由於canopy演算法本身的目的只是將混亂的資料劃分成大概的幾個類別，所以它是不太準確的
但是通過canopy計算出來的n個類別可以用在kmeans演算法中的k值的確定（因為人為無法準確的確定k值到底要多少才合適，而有kmeans演算法本身隨機產生的話結果可能不是很精確。有關kmeans演算法的解釋請看點選開啟鏈結）
canopy演算法流程如下：
（1）確定兩個閾值t1，t2（確保t1一定大於t2）
（2）從資料集合中隨機選出乙個資料，計算這個資料到canopy的距離（如果當前沒有canopy，則該點直接作為canopy）
（3）如果這個距離小於t1，則給這個資料標上弱標記，將t1加入這個canopy中（同時這個資料可以作為新的canopy來計算其他資料到這個點的距離）
（4）如果這個距離小於t2，則給這個資料標上強標記，並將其中資料集合中刪除，此時認為這個資料點距離該canopy已經足夠近了，不可能在形成新的canopy
（5）重複2-4的過程，直至資料集合中沒有資料
這裡的canopy指的是作為要劃分資料的中心點，以這個canopy為中心，t2為半徑，形成乙個小圓。t1為半徑，形成乙個大圓。在小圓範圍內的資料點被認為一定屬於這個canopy，不能作為乙個新的canopy來劃分資料，而小圓範圍外，大圓範圍內的資料則又可以作為新的canopy來劃分資料
劃分完之後的資料類似下圖
虛線的圈是t2，實線的圈是t1
可以看到canopy演算法將可以將一堆雜亂的資料大致的劃分為幾塊
所以canopy演算法一般會和kmeans演算法配合使用來到達使用者的目的
在使用canopy演算法時，閾值t1，t2的確定是十分重要的
t1的值過大，會導致更多的資料會被重複迭代，形成過多的canopy；值過小則導致相反的效果
t2的值過大，會導致乙個canopy中的資料太多，反之則過少
這樣的情況都會導致執行的結果不準確
canopy演算法流程 Canopy聚類演算法
一 概念 與傳統的聚類演算法 比如k means 不同，canopy聚類最大的特點是不需要事先指定k值 即clustering的個數 因此具有很大的實際應用價值。與其他聚類演算法相比，canopy聚類雖然精度較低，但其在速度上有很大優勢，因此可以使用canopy聚類先對資料進行 粗 聚類，得到k值後...
Canopy演算法實戰總結
通過canopy演算法實戰了解了mapreduce的coding套路，job input output format map reduce configuration等的設定，檔案序列化和反序列化sequencefile 理解文章要感謝mahout 原始碼解析之聚類 canopy演算法 下面大概說收...
機器學習 Canopy演算法
原理 先設定兩個先驗值r1，r2，我把他們理解為內圈外圈，大家可以跟我學。將所有樣本放入乙個列表，隨機選乙個樣本拿出來作為第乙個簇的簇中心點，然後從列表中剩下的所有樣本中隨機抽取乙個,計算其與簇中心點的距離。如果大於外圈r1，則不屬於此簇，而是拿出去單獨成為一簇，並作為簇中心點，從列表中刪除此樣本 ...