odps/static/algorithms/clustering.xml

<?xml version='1.0' encoding='UTF-8'?>
<algorithms baseClass="BaseProcessAlgorithm">
    <algorithm codeName="KMeans">
        <docs><![CDATA[
        K均值聚类是一种得到最广泛使用的聚类算法，把n个对象分为k个簇，使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来
        进行。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。

        算法首先随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离，将它赋给最近的
        簇，然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。

        它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。更多详细介绍请点击
        `这里 <http://www.cs.cmu.edu/~guestrin/Class/10701-S07/Slides/clustering.pdf>`_。

        %params%
        ]]></docs>
        <reloadFields>false</reloadFields>
        <params>
            <param name="inputTableName" required="true">
                <exporter>get_input_table_name</exporter>
                <inputName>input</inputName>
            </param>
            <param name="centerCount" required="true">
                <value>10</value>
                <docs>聚类数，单位整数型。默认是10</docs>
            </param>
            <param name="idxTableName" required="true">
                <exporter>get_output_table_name</exporter>
                <outputName>index</outputName>
                <docs>输出聚类编号表。行数等于输入表总行数，每行的值表示输入表对应行表示的点的聚类编号</docs>
            </param>
            <param name="modelName" required="true">
                <exporter>get_output_model_name</exporter>
                <outputName>model</outputName>
                <docs>输出聚类质心模型表</docs>
            </param>
            <param name="selectedColNames" required="true">
                <alias>cols</alias>
                <exporter>get_feature_columns</exporter>
                <inputName>input</inputName>
            </param>
            <param name="selectedPartitions">
                <exporter>get_input_partitions</exporter>
                <inputName>input</inputName>
            </param>
            <param name="loop">
                <value>100</value>
                <required>true</required>
                <docs>计算最大迭代次数， 整数型，默认为100</docs>
            </param>
            <param name="accuracy" required="true">
                <value>0.0</value>
                <docs>算法终止条件，如果两次迭代之间变化低于该值，算法终止</docs>
            </param>
            <param name="distanceType" required="true">
                <value>euclidean</value>
                <docs>距离测度方法。支持欧式距离(euclidean，)，绝度误差和(cityblock)，夹角余弦(cosine)。默认欧式距离(euclidean)</docs>
            </param>
            <param name="initCentersMethod" required="true">
                <value>sample</value>
                <docs>
                    初始质心位置选择，支持sample(随机选取)，topk(前K行)，uniform(分布范围均匀随机生成)，
                    matrix(指定表作为初始质心位置)，kmpp（kmeans++初始化）。默认sample
                </docs>
            </param>
            <param name="initCenterTableName">
                <exporter>get_input_table_name</exporter>
                <inputName>initCenter</inputName>
            </param>
            <param name="appendColsIndex">
                <exporter>$package_root.clustering._customize.get_kmeans_input_append_col_idx</exporter>
                <inputName>input</inputName>
            </param>
        </params>

        <ports>
            <port name="input">
                <ioType>INPUT</ioType>
                <sequence>1</sequence>
                <type>DATA</type>
            </port>
            <port name="initCenter">
                <ioType>INPUT</ioType>
                <sequence>2</sequence>
                <type>DATA</type>
                <required>false</required>
                <docs>初始质心表，仅在 init_centers_method 为 matrix 时有效</docs>
            </port>
            <port name="index">
                <ioType>OUTPUT</ioType>
                <sequence>1</sequence>
                <type>DATA</type>
                <schema>
                    <copyInput>input</copyInput>
                    <schema>cluster_index: bigint: predicted_class</schema>
                </schema>
            </port>
            <port name="model">
                <ioType>OUTPUT</ioType>
                <sequence>2</sequence>
                <type>MODEL</type>
            </port>
        </ports>
        <metas>
            <meta name="xflowName" value="KMeans"/>
            <meta name="xflowProjectName" value="algo_public"/>
        </metas>
    </algorithm>
</algorithms>