K均值聚类算法的最大的优点是：原理简单，实现起来也相对简单，同时执行效率和对于大数据量的可伸缩性还是较强的。然而缺点也是很明确的，首先它需要用户在执行聚类之前就有明确的聚类个数K的设置，这一点是用户在处理大部分问题时都不太可能事先知道的，一般需要通过多次试验找出一个最优的K值；其次就是，由于算法在最开始采用随机选择初始聚类中心的方法，所以算法对噪音和孤立点的容忍能力较差。所谓噪音就是待聚类对象中错误的数据，而孤立点是指与其他数据距离较远，相似性较低的数据。对于K均值算法，一旦孤立点和噪音在最开始被选作簇中心，对后面整个聚类过程将带来很大的问题，那么我们有什么方法可以先快速找出应该选择多少个簇，同时找到簇的中心，这样可 以大大优化K均值聚类算法的效率，下面就介绍另一个聚类方法：Canopy聚类算法。
Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两 个距离阈值 T1>T2来处理。基本的算法是，从一个点集合开始并且随机删除一个，创建一个包含这个店的Canopy，并在剩余的点集合上迭代。对于每个点，如果它的距离第一个点的距离小于T1,然后这个点就加入这个聚集中。除此之外，如果这个距离<T2,然后将这个点从这个集合中删除。这样非常靠近原点的点将避免所有的未来处理。这个算法循环到初始集合为空为止，聚集一个集合的Canopies，每个可以包含一个或者多个点。每个点可以包含在多于一个的Canopy中。
Canopy聚类经常被用作更加严格的聚类技术的初始步骤，像是K均值聚类。通过一个初始聚类，可以将更加耗费的距离度量的数量通过忽略初始canopies的点显著减少。
Canopy聚类算法经常用于K均值聚类算法的预处理，用来找合适的k值和簇中心。
K均值的最大问题是要求用户必须事先给出k的个数，k的选择一般都基于一些经验值和多次实验结果，对于不同的数据集， k的取值没有可借鉴性。另外，
K均值对“噪音”和孤立点数据是敏感的，少量这类的数据就能对平均值造成极大的影响。
虽然Canopy聚类算法的引用有效的解决了初始选K的个数这一问题，可以看到在 org.apache.mahout.clustering.syntheticcontrol.kmeans.job中是先调用了 CanopyDriver.run方法来进行初始选K及中心点，然后再调
KMeansDriver.run方法进行Kmeans聚类。
可是引进Canopy算法后，会带来新的问题，对于Canopy算法来说，阈值T1和
T2的选择又是一大问题，网上也查不到相关资料，直是让人头痛...
Canopy聚类是一种简单、快速、但不太准确的聚类方法。该算法需一种快速的近似距离度量方法和两个距离阈值T1＞T2。
while（没有标记的数据点）{
选择一个没有强标记的数据点p
把p看作一个新Canopyc的中心
离p距离＜T1的所有点都认为在c中，给这些点做上弱标记 离p距离＜T2的所有点都认为在c中，给这些点做上强标记}
Canopy聚类常作为更强聚类方法的初始步骤。
mahoutCanopy 聚类实现，采用了两个map-reducejob
第一个Joborg.apache.mahout.clustering.canopy.CanopyDriver：
mapper:org.apache.mahout.clustering.canopy.CanopyMapper
对划分到每个mapper的点根据阈值T1，T2标记Canopy，输出在该mapper上所有 Canopy的中心；
mahout实现对原算法略做改动，而避免需先保存所有的点
修改后的算法org.apache.mahout.clustering.canopy.addPointToCanopies对于一个数据点，遍历已有Canopy{
该点到某Canopy距离＜T1,则加入该Canopy；
若点到某Canopy距离＜T2,则标记该点已于该Canopy强关联；
}
若该点不存在强关联的Canopy，则为其创建一个新Canopy
reducer:org.apache.mahout.clustering.canopy.CanopyReducer整个Job就一个reduce任务，对mapper输出的所有点再次使用Canopy聚类，并输出中心点第二个 Joborg.apache.mahout.clustering.canopy.ClusterDriver使用第一个Job输出的中心点，采用最近距离原则对原数据点进行聚类用Canopy聚类作为其他方法的初始步骤时，通常不执行该Job
参数调整：
当T1过大时，会使许多点属于多个Canopy，可能会造成各个簇的中心点间距离较近，各簇
间区别不明显；
当T2过大时，增加强标记数据点的数量，会减少簇个个数；T2过小，会增加簇的个数，同时
增加计算时间
另外：mahout提供了几种常见距离计算的实现，均实现
org.apache.mahout.common.distance.DistanceMeasure接口
CosineDistanceMeasure：计算两向量间的夹角
SquaredEuclideanDistanceMeasure:计算欧式距离的平方EuclideanDis
tanceMeasure:计算欧式距离
Manhatt anDis tanceMeasure :马氏距离，貌似图像处理中用得比较多TanimotoDistanceMeasure：Jaccard相似度，T(a,b) = a.b / (|a「2+ |b「2- a.b)
以及带权重的欧式距离和马氏距离。
需要注意:
1.首先是轻量距离量度的选择，是选择数据模型其中的一个属性，还是其它外部属性这对canopy的分布最为重要。
2.Tl, T2的取值影响到canopy重叠率f,以及canopy的粒度。
3.Canopy有消除孤立点的作用，而K-means在这方面却无能为力。建立canopies之后，可以删除那些包含数据点数目较少的canopy，往往这些canopy是包含孤立点的。
4.根据canopy内点的数目，来决定聚类中心数目k,这样效果比较好
因篇幅问题不能全部显示，请点此查看更多更全内容