论文部分内容阅读
针对模糊C均值算法需要不断迭代来计算样本数据的隶属度值以及聚类中心的特点，利用MapReduce模型解决海量数据下的模糊C均值问题，进而提出高效的模糊C均值算法。在Map阶段和Reduce阶段分别完成隶属度和聚类中心的计算，每次迭代都需要启动一次完整的MapReduce执行过程。通过多次迭代计算出隶属度值以及聚类中心，并更新聚类中心文件，供下一轮作业使用，重复执行这一过程直至得到最终聚类结果。实验结果表明，该算法能够有效减少MapReduce计算过程中的迭代次数，从而提高整体执行效率。