Recomendados
Más contenido relacionado
La actualidad más candente
Destacado
Similar a 今さら聞けないHadoop勉強会第２回 セントラルソフト株式会社（20120228）
Similar a 今さら聞けないHadoop勉強会第２回 セントラルソフト株式会社（20120228） (20)
Último
今さら聞けないHadoop勉強会第２回 セントラルソフト株式会社（20120228）
- 1. 今さら聞けない Hadoop 勉強会 第２回 アルゴリズム編 セントラルソフト株式会社 システム１部 システム開発課 奥山 洋平 1
- 2. 本勉強会の目的 2
- 3. 本セミナーの目的 Hadoop に関連する技術や培ったノウハウを、勉強会に参加された方 と 共有する SlideShare で公開 「今さら聞けないhadoop セントラ ルソフト」で見つかります スケジュール 第１回 Hadoop 基礎（１月１９日開催） HDFS と MapReduce の概念 ロールプレイ 第２回 アルゴリズム（本日２月２８日開催） k-means アルゴリズム TF-IDF アルゴリズム 第３回 「MapReduce 実装テクニック」を予定（３月予定） ワードカウント k-means TF-IDF 第４回 「理論・エコシステム編」を予定（４月予定） HDFS HBase Hive 3
- 4. 本日の目的 ２つのアルゴリズムを通してアルゴリズムからジョブ フローにする流れを知ってもらう 今回 アルゴリズム ジョブフロー 次回予定 MapReduce プログラム 4
- 5. 目次 k-means アルゴリズム アルゴリズムからジョブフローへ TF-IDF アルゴリズム アルゴリズムからジョブフローへ まとめと次回の予定 5
- 7. k-means アルゴリズムとは レコードの集合を k 個のよく似た特徴を持つ集合 （クラスタ）に分割（クラスタリング）するアルゴリ ズム k = 2 の例 クラスタ レコード 7
- 8. クラスタリングの活用例 機械学習 手書き文字認識 この数字は 「9」 この数字は 何？ 9のクラス 7のクラス タ タ 特徴抽出 「7」と「9」の分類に必要な特徴は？ 8
- 9. k-means アルゴリズム概要 k-menas アルゴリズムは「クラスタの割り当て」と 「クラスタの重心を求める」という処理を繰り返し、 最適な重心を求めるアルゴリズム 9
- 10. k-means アルゴリズムの手順（１） 1. 初期化 各レコードに対して、ランダムにクラスタを割り当てる 2. 割り当てたクラスタの重心を求める 3. 各レコードを、各クラスタの重心に一番近いクラスタ に 割り当て直す 4. クラスタの割り当て変化がある 終了 2 の処理 クラスタの割り当てに変化が無い 10 予め決めた回数クラスタの割り当てを行った
- 11. k-means アルゴリズムの手順（２） k=3 3. クラスタの再割り当て 1. 初期化（ランダムにクラスタを割り当てる） 2. クラスタの重心を求める ⇒ クラスタの割り当てが変化したので クラスタの割り当てが変化しなかったので 2 の処理へ 処理終了 11
- 13. ジョブフローを作る際に意識すること MapReduce は分散処理なので、複雑な処理はでき ない 複雑な処理は複数回の MapReduce で実現する 本勉強会の説明では１回の MapReduce を１ジョブとす る １ジョブの処理はシンプルにする 複雑な処理 ジョブ ２ 複雑な ジョブ ジョブ 処理 １ ４ ジョブ ３ 13
- 14. k-means アルゴリズム 1. 初期化 各レコードに対して、ランダムにクラスタを割り当てる 2. 割り当てたクラスタの重心を求める 3. 各レコードを、各クラスタの重心に一番近いクラスタ に 割り当て直す 4. クラスタの割り当て変化がある 終了 2 の処理 クラスタの割り当てに変化が無い 14 予め決めた回数クラスタの割り当てを行った
- 15. 処理の流れ 処理１：初期化 処理２：割り当てたクラスタの重心を求める 処理３：各レコードを、各クラスタの重心に一番近いクラ スタに 割り当て直す レコー ド集合 ：入力 ：出力 開始 処理１ 処理２ 処理３ 終了 ：フロー ：終了時 入力 出力 処理３の 処理１ 処理２ 処理３ 結果が ファイ ファイ 結果 結果 結果 ル ル 最終出力 15
- 16. MapReduce にできるか検討 それぞれの処理が１回の MapReduce で実現できそ うか 検討し、必要に応じて複数回のジョブで処理を実現 する 16
- 17. MapReduce の簡単な復習 MapReduce は以下の3つのフェーズで構成される 入力データの加工を行う「Map」 データの整理と分配を行う「Shuffle & Sort」 同じ key に対する value は一纏めにし、key 順にソートした データを Reduce を行うノードが受け取る まとめられたデータに対して処理を行う「Reduce」 それぞれのフェーズの入出力は key と value のペア 17
- 18. 処理１概要 処理 各レコードに対して、ランダムにクラスタを割り当てる 入力（クラスタリングするデータファイル） key : 入力ファイルの形式による value : １レコード 出力（ランダムにクラスタを割り当てられたレコー ド） key : 割り当てられたクラスタ番号 value : １レコード 18
- 19. 処理１検討 ＜入力形式によって異なるkey , １レコード＞ 入力 乱数 処理１ １回の MapReduce で実現できそう ＜ランダムに割り当てたクラスタ , １レコード＞ 出力 19
- 20. 処理２概要 処理 割り当てられたクラスタの重心を求める 入力（ランダムにクラスタを割り当てられたレコー ド） key : クラスタ番号 value : １レコード 出力（クラスタの重心） key : クラスタ番号 value : クラスタの重心の位置 20
- 21. 処理２検討 ＜クラスタ１, A＞＜クラスタ２, B＞ ＜クラスタ１, C＞ Map 出力 Shuffle & Sort で同じクラスタは一纏まりになり、 Shuffle & Sort その纏まりでクラスタの重心が計算できる ＜クラスタ１, [A , C]＞ ＜クラスタ２, [B]＞ １回の MapReduce で実現できそう Reduce 入力 21
- 22. 処理３概要 処理 各レコードを、一番近いクラスタに割り当て直す 入力１（クラスタの重心） key : クラスタ番号 value : クラスタの重心の位置 入力２（クラスタリングするデータファイル） key : ＜要検討＞ value : １レコード 出力（クラスタを割り当て直したレコード） key : 割り当てたクラスタ value : １レコード 22
- 23. 処理３検討 問題となりそうなところ ２つの形式のデータの入力はどうする？ クラスタの重心のデータはすべての Reduce を行うノー ドに 配布する必要があるがどうする？ すべてに配布しないと各レコードがどのクラスタに近いのか 比較できない 実現方法を知っていれば１回の MapReduce で 知らなければ MapReduce の回数を増やす 次回、１回の MapReduce で実現する方法を解説 予定 23
- 24. その他次回解説を行う問題 ＜要検討＞にしてあった部分 処理３の終了後、条件によって処理を終了するか、 処理２の処理に戻るか分岐する問題 MapReduce の実装レベルの内容は次回行う（予 定） 24
- 25. TF-IDF アルゴリズム 25
- 26. TF-IDF アルゴリズムとは 文書中の単語に関する重み付けのアルゴリズム その単語がその文書でどれくらい特徴的であるかを 単語ごと文書ごとに数値化（tfidf 値） 出てくる文書が少なく、特定の文書での出現回数が多い単語ほ ど その文書での数値が大きい キーワード抽出や Web 検索へ応用できる 例：ある文書中の tfidf 値 “Hadoop” : 0.3 文書 “HDFS” : 0.6 “MapReduce” : 0.5 26 …
- 27. tfidf 値の意味（１） 異なる文書の同じ単語の場合 単語の tfidf 値が高い文書ほど、その単語を特徴として持 つ文書 その単語がよく表れる文書 文書のキーワード 検索 文書A 文書B 文書C “Hadoop” : 0.3 “Hadoop” : 0.5 “Hadoop” : 0.2 “Hadoop” の検索結果は上位から 文書B , A , C 27
- 28. tfidf 値の意味（２） 一つの文書内の単語の場合 特定の文書中で tfidf 値が高い単語が、その文書を特徴付け る 文書のインデックス作成 文書のキーワード検索 の高速化 tfidf 値 インデックス “Hadoop” : 0.3 “HDFS” : 0.6 “HDFS” 文書A “Java” : 0.2 “MapReduce” “MapReduce” : 0.5 “Hadoop” “Ruby” : 0.1 … 28
- 29. TF-IDF アルゴリズム（tfidf 値の求め方）（１） tfidf 値は、単語の出現頻度（tf : term frequency）と 逆文書頻度（idf : inverse document frequency）の積で求め られる tfidf 単語の出現頻度 * 逆文書頻度 単語の出現頻度（tf）は以下の式で求められる 文書中の単語の出現回 数 単語の出現頻度 文書中の単語の総数 逆文書頻度（idf）は以下の式で求められる（この式は ジップの法則に由来する） 文書数 逆文書頻度 log10 単語が出現した文書数 29
- 30. TF-IDF アルゴリズム（tfidf 値の求め方）（２） 文書１ 文書２ 文書３ A tf:0.5 0.2385 単語の出現頻度 * 逆文書頻度 A 文書中の単語の出現回数 / 文書中の単語の総数 0.5 * 0.477 idf:0.477 ２/４ log10(文書数/単語が出現した文書数) tf:0.25 log10(3 / 1) tf:0.33 B 0.044 B単語ごとに共通の値 0.05808 idf:0.176 C tf:0.25 C tf:0.33 C tf:0.25 idf:0 0 0 0 D tf:0.33 D tf:0.5 0.05808 0.088 idf:0.17 D 6 tf:0.25 E 0.11925 idf:0.47 30 7
- 32. k-means アルゴリズムとの違い k-means はアルゴリズムの中でフローが決まってい た TF-IDF は計算式だけでフローが無いので、どのよう な順番で処理を行うのか考えなければならない 32
- 33. ジョブフローを作る際に意識すること（再掲） MapReduce は分散処理なので、複雑な処理はでき ない 複雑な処理は複数回の MapReduce で実現する ここでは１回の MapReduce を１ジョブとする １ジョブの処理はシンプルにする 複雑な処理 ジョブ ２ 複雑な ジョブ ジョブ 処理 １ ４ ジョブ ３ 33
- 34. MapReduce の簡単な復習（再掲） MapReduce は以下の3つのフェーズで構成される 入力データの加工を行う「Map」 データの整理と分配を行う「Shuffle & Sort」 同じ key に対する value は一纏めにし、key 順にソートした データを Reduce を行うノードが受け取る まとめられたデータに対して処理を行う「Reduce」 それぞれのフェーズの入出力は key と value のペア 34
- 35. アルゴリズムからジョブフローへの流れ 1. 大まかな処理に分ける 2. 処理の入出力を考える 3. データを Reduce からの参照のされ方で分ける 1. 全ての Reduce 2. 全てではないが複数の Reduce 3. 一つの Reduce 4. 処理ごとに簡単な MapReduce で実現できるか検討 し、 必要に応じてジョブを増やす 35
- 36. １．大まかな処理に分ける 必要なものを考え、大まかな処理に分ける 文書中の単語の出現回数を求める 文書中の単語の総数を求める 式に代入 tfidf 値 して計算 文書数を求める 単語が出現した文書数を求め る 文書中の単語の出現回 数 文書数 * log10 文書中の単語の総数 単語が出現した文書数 36
- 37. ２．処理の入出力を考える（１） どのような key と value のペアを出力するか考える 「式に代入して計算」の処理の場合 Hadoop : 0.3 文書A HDFS : 0.6 MapReduce : 0.5 … key は 文書名と単語のペ value は ア tfidf 値 文書 A の Hadoop の 値: 0.3 文書 A の HDFS の 値: 0.6 文書 A の MapReduce の 値: 0.5 37
- 38. ２．処理の入出力を考える（２） 同様にして考えると以下の表のようになる 処理 key value 式に代入して計算 文書名/単語 tfidf 値 文書中の単語の出現回数を求める 文書名/単語 出現回数 文書中の単語の総数を求める 文書名 単語の総数 文書数を求める ＜要検討＞ 文書数 単語が出現した文書数を求める 単語 出現した文書 数 38
- 39. ２．処理の入出力を考える（３） 入力ファイルから文書名を取得する必要があるので、 今回の入力ファイルは説明を簡単にするため以下の フォーマットを用いる 入力ファイル タイトル名１@バイトオフセット 文章 タイトル名１@バイトオフセット 文章 タイトル名１@バイトオフセット 文章 タイトル名１@バイトオフセット 文章 タイトル名２@バイトオフセット 文章 タイトル名２@バイトオフセット 文章 タイトル名２@バイトオフセット 文章 … 39
- 40. ３．データを Reduce からの参照のされ方で分ける（１） 「式に代入して計算」の処理の入力を考える 全体で共通の値 以下は計算式と必要な値を求める処理の出力 各文書で共通の値 全て異なる値 各単語で共通の 値 文書中の単語の出現回 数 文書数 * log10 文書中の単語の総数 単語が出現した文書数 処理 key value 文書中の単語の出現回数を求める 文書名/単語 出現回数 文書中の単語の総数を求める 文書名 単語の総数 文書数を求める ＜要検討＞ 文書数 単語が出現した文書数を求める 単語 出現した文書 数 40
- 41. ３．データを Reduce からの参照のされ方で分ける（２） 全体で共通の値 k-means のクラスタの中心データの配布と同じ方法を使 う 部分的に共通の値 ジョブ（MapReduce）を追加して全て異なる値と一緒に 扱う 全体で共通の値と同じ手法を使わない理由は次回 41
- 42. ここまでで構築した処理の流れ 文書数を求め 式に代入 る して計算 入力 文書中の単語の 出力 ファイ 出現回数を求める ファイル ル 値をまとめ 値をまとめ （tfidf る１ る２ 値） 単語が出現した 文書数を求める 文書中の単語の 総数を求める 42
- 44. 「文書数を求める」検討 入力ファイルから簡単な MapReduce で文書数を求 めることはできない 先に「文書のリスト作成」のジョブを作成してから だと、ワードカウントと同様にして文書数が求めら れる 文書数を求める 文書数を求め 文書名の る 文書名を数える リスト作成 44
- 45. 「文書中の単語の出現回数を求める」検討 入力から文書名と単語のペアを key にすれば、 ワードカウントと同様にして文書中の単語の出現回 数が求められる 45
- 46. 「単語が出現した文書数を求める」検討 入力ファイルから簡単な MapReduce で単語が出現 した文書数を求めることはできない 先に「文書で出現した単語のリスト」を作成しして からだと、ワードカウントと同様にして単語が出現 した文書数が求められる 単語が出現した文書数を求める 単語が出現し た文書数を求 リストから 文書で出現した める 単語が出現した 単語のリスト 文書数を求める 46
- 47. 「文書中の単語の総数を求める」検討 文書名を key にすれば、ワードカウントと同様にし て 文書中の単語の総数が求められる 47
- 48. ジョブフロー 文書数を求める 文書名の 文書名を数 式に代入 リスト作成 える して計算 文書中の単語の 出力 入力 出現回数を求める ファイ ファイル ル 値をまとめ 値をまとめ （tfidf 単語が出現した文書数を求める る１ る２ 値） 文書で出現し リストから た 単語が出現した 単語のリスト 文書数を求める 文書中の単語の 総数を求める 48
- 49. まとめと次回の予定 49
- 50. まとめ アルゴリズムからジョブフローにする手順 1. 大まかな処理に分ける 2. 処理の入出力を考える 3. データを Reduce からの参照のされ方で分ける 1. 全ての Reduce 2. 全てではないが複数の Reduce 3. 一つの Reduce 4. 処理ごとに簡単な MapReduce で実現できるか検討し、 必要に応じてジョブを増やす 50
- 51. 次回の予定 MapReduce プログラミング基礎とプログラミングテ クニック ワードカウント k-means TF-IDF 51