只有這個算法思想比較對，其他 的都沒有一開始的remove: 原網址：http://www.shahuwang.com/?p=1021
Canopy Clustering 這個算法是2000年提出來的，此后與Hadoop配合，已經成為一個比較流行的算法了。確切的說，這個算法獲得的並不是最終結果，它是為其他算法服務的，比如k-means算法。它能有效地降低k-means算法中計算點之間距離的復雜度。Mahout中已經實現了這個算法，不知道其他的機器學習類庫和工具中，有多少是實現了這個算法的。感覺上這個算法要實現不難，難在和Hadoop如何結合上。Hadoop完全不懂，這里我就不說那么多了。
首先，我覺得很有必要看一個圖先，這個圖很好得展示了Canopy聚類的過程。圖來自http://picksesame.blogspot.com/2011/05/canopy-clustering.html 可能要翻牆。
圖中有一個T1,一個T2,我們稱之為距離閥值，顯然T1>T2，這兩個值有什么用呢？我們先確定了一個中心，然后計算其他點到這個中心間的距離，當距離大於T1時，小於T1大於T2時，小於T2時，對這個點的處理都是不一樣的。http://micahlabrams.blogspot.com/2011/10/canopy-clustering.html 這篇文章提供了一個很好的偽代碼，我覺得看完之后，加上我稍加的解釋，就能明白canopy聚類的實現過程了：
while D is not empty
select element d from D to initialize canopy c
remove d from D
Loop through remaining elements in D
if distance between d_i and c < T1 : add element to the canopy c
if distance between d_i and c < T2 : remove element from D
end
add canopy c to the list of canopies C
end
這里有幾點要說明的：D指代一組數據，d_i表示D中的各個數據。
是不是還不夠明白？下面用中文進行說明：
1：給我一組存放在數組里面的數據D
2：給我兩個距離閾值T1,T2,且T1>T2
3：隨機取D中的一個數據d作為中心，並將d從D中移除
4：計算D中所有點到d的距離distance
5：將所有distance<T1的點都歸如到d為中心的canopy1類中（注意哦，小於T2的也是小於T1的，所以也是歸入到canopy1中的哦）
6：將所有distance<T2的點，都從D中移除。（這一步很關鍵的，你回去看上面那個圖，就明白了）
7：重復步驟4到6，直到D為空，形成多個canopy類
通過上面的描述，能理解T1和T2的作用了否？當與中心的距離大於T1時，這些點就不會被歸入到中心所在的這個canopy類中。然當距離小於T1大於T2時，這些點會被歸入到該中心所在的canopy中，但是它們並不會從D中被移除，也就是說，它們將會參與到下一輪的聚類過程中，成為新的canopy類的中心或者成員。亦即，兩個Canopy類中有些成員是重疊的。這是canopy比較關鍵和高明的地方了，當然內在的高明之處我也講不出來，水平不夠。而當距離小於T2的時候，這些點就會被歸入到該中心的canopy類中，而且會從D中被移除，也就是不會參加下一次的聚類過程了。
不知道現在能明白了否？
如果需要用Python利用Hadoop實現canopy的話，可以參考這篇文章http://atbrox.com/2010/02/08/parallel-machine-learning-for-hadoopmapreduce-a-python-example/ 暫時我是理解不了這篇文章先。如果你會，希望能教一下我。