|
机器学习最常用的两个：监督学习和无监督学习，它们是Mahout支持的主要功能。 监督学习的任务是学习带标签的训练数据的功能，以便预测任何有效输入的值。常见例子包括将电子邮件消息分类为垃圾邮件，根据类别标记网页，以及识别手写输入。创建监督学习程序需要使用许多算法，最常见的包括神经网络、Support Vector Machines(SVMs)和Naive Bayes分类程序。 无监督学习的任务是发挥数据的意义，而不管数据的正确与否。它最常用于将类似的输入集成到逻辑分组中。它还可以用于减少数据集中的维度数据，以便只专注于最有用的属性，或者用于探明趋势。常见方法包括K-means、分层集群和自组织地图。 Mahout当前已实现三个具体的机器学习任务：协作筛选、集群和分类。 协作筛选（CF）是Amazon等公司极为推崇的一项技巧，它使用评分、单击和购买等用户信息为其他站点用户提供推荐产品。CF通常用于推荐各种消费品。CF应用程序根据用户和项目历史向系统的当前用户提供推荐。生成推荐的4种典型方法如下： 基于用户：通过查找相似的用户来推荐项目。由于用户的动态特性，这通常难以定量。 基于项目：计算项目之间的相似度并作出推荐。项目通常不会过多更改，因此这通常可以离线完成。 Slope-One:非常快速简单的基于项目的推荐方法，需要使用用户的评分信息。 基于模型：通过开发一个用户及评分模型来提供推荐。 所有CF方法最终都需要计算用户及其评分项目之间的相似度。可以通过许多方法来计算相似度，并且大多数CF系统都允许您插入不同的指标，以便确定最佳结果。 集群： 对于大型数据集来说，无论它们是文本还是数值，一般都可以将类似的项目自动组织，或 集群，到一起。举例来说，对于全美国某天内的所有的报纸新闻，您可能希望将所有主题相同的文章自动归类到一起；然后，可以选择专注于特定的集群和主题，而不需要阅读大量无关内容。另一个例子是：某台机器上的传感器会持续输出内容，您可能希望对输出进行分类，以便于分辨正常和有问题的操作，因为普通操作和异常操作会归类到不同的集群中。 与 CF 类似，集群计算集合中各项目之间的相似度，但它的任务只是对相似的项目进行分组。在许多集群实现中，集合中的项目都是作为矢量表示在 n维度空间中的。通过矢量，开发人员可以使用各种指标（比如说曼哈顿距离、欧氏距离或余弦相似性）来计算两个项目之间的距离。然后，通过将距离相近的项目归类到一起，可以计算出实际集群。 可以通过许多方法来计算集群，每种方法都有自己的利弊。一些方法从较小的集群逐渐构建成较大的集群，还有一些方法将单个大集群分解为越来越小的集群。在发展成平凡集群表示之前（所有项目都在一个集群中，或者所有项目都在各自的集群中），这两种方法都会通过特定的标准退出处理。流行的方法包括 k-Means 和分层集群。 分类： 分类（通常也称为 归类）的目标是标记不可见的文档，从而将它们归类不同的分组中。机器学习中的许多分类方法都需要计算各种统计数据（通过指定标签与文档的特性相关），从而创建一个模型以便以后用于分类不可见的文档。举例来说，一种简单的分类方法可以跟踪与标签相关的词，以及这些词在某个标签中的出现次数。然后，在对新文档进行分类时，系统将在模型中查找文档中的词并计算概率，然后输出最佳结果并通过一个分类来证明结果的正确性。 分类功能的特性可以包括词汇、词汇权重（比如说根据频率）和语音部件等。当然，这些特性确实有助于将文档关联到某个标签并将它整合到算法中。 Apache Mahout是Apache Software Foundation(ASF)开发的一个全新的开源项目，其主要目标是创建一些可伸缩的机器学习算法，供开发人员在Apache在许可下免费使用。Mahout包含许多实现，包括集群、分类、CP和进化程序。此外，通过使用Apache Hadoop库，Mahout可以有效地扩展到云中。 Taste是Apache Mahout提供的一个协同过滤算法的高效实现，它是一个基于Java实现的可扩展的、高效的推荐引擎。Taste既实现了最基本的基于用户的和基于内容的推荐算法，同时也提供了扩展接口，使用户可以方便的定义和实现自己的推荐算法。同时，Taste不仅仅只适用于Java应用程序，它可以作为内部服务器的一个组件以HTTP和Web Service的形式向外界提供推荐的逻辑。
Taste 由以下五个主要的组件组成：
|
|
|
