Apache Mahout 是 ApacheSoftware Foundation (ASF) 旗下的一个开源项目，提供一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序，并且，在 Mahout 的最近版本中还加入了对Apache Hadoop 的支持，使这些算法可以更高效的运行在云计算环境中。
在Mahout实现的机器学习算法见下表：
| 算法类 | 算法名 | 中文名 |
| 分类算法 | Logistic Regression | 逻辑回归 |
| Bayesian | 贝叶斯 | |
| SVM | 支持向量机 | |
| Perceptron | 感知器算法 | |
| Neural Network | 神经网络 | |
| Random Forests | 随机森林 | |
| Restricted Boltzmann Machines | 有限波尔兹曼机 | |
| 聚类算法 | Canopy Clustering | Canopy聚类 |
| K-means Clustering | K均值算法 | |
| Fuzzy K-means | 模糊K均值 | |
| Expectation Maximization | EM聚类（期望最大化聚类） | |
| Mean Shift Clustering | 均值漂移聚类 | |
| Hierarchical Clustering | 层次聚类 | |
| Dirichlet Process Clustering | 狄里克雷过程聚类 | |
| Latent Dirichlet Allocation | LDA聚类 | |
| Spectral Clustering | 谱聚类 | |
| 关联规则挖掘 | Parallel FP Growth Algorithm | 并行FP Growth算法 |
| 回归 | Locally Weighted Linear Regression | 局部加权线性回归 |
| 降维/维约简 | Singular Value Decomposition | 奇异值分解 |
| Principal Components Analysis | 主成分分析 | |
| Independent Component Analysis | 独立成分分析 | |
| Gaussian Discriminative Analysis | 高斯判别分析 | |
| 进化算法 | 并行化了Watchmaker框架 | |
| 推荐/协同过滤 | Non-distributed recommenders | Taste(UserCF, ItemCF, SlopeOne） |
| Distributed Recommenders | ItemCF | |
| 向量相似度计算 | RowSimilarityJob | 计算列间相似度 |
| VectorDistanceJob | 计算向量间距离 | |
| 非Map-Reduce算法 | Hidden Markov Models | 隐马尔科夫模型 |
| 集合方法扩展 | Collections | 扩展了java的Collections类 |
Mahout最大的优点就是基于hadoop实现，把很多以前运行于单机上的算法，转化为了MapReduce模式，这样大大提升了算法可处理的数据量和处理性能。
Mahout下个性化推荐引擎Taste介绍
Taste是 Apache Mahout 提供的一个个性化推荐引擎的高效实现，该引擎基于java实现，可扩展性强，同时在mahout中对一些推荐算法进行了MapReduce编程模式转化，从而可以利用hadoop的分布式架构，提高推荐算法的性能。
在Mahout0.5版本中的Taste， 实现了多种推荐算法，其中有最基本的基于用户的和基于内容的推荐算法，也有比较高效的SlopeOne算法，以及处于研究阶段的基于SVD和线性插值的算法，同时Taste还提供了扩展接口，用于定制化开发基于内容或基于模型的个性化推荐算法。
Taste 不仅仅适用于 Java 应用程序，还可以作为内部服务器的一个组件以 HTTP 和 Web Service 的形式向外界提供推荐的逻辑。Taste 的设计使它能满足企业对推荐引擎在性能、灵活性和可扩展性等方面的要求。
下图展示了构成Taste的核心组件：
从上图可见，Taste由以下几个主要组件组成：
DataModel：DataModel是用户喜好信息的抽象接口，它的具体实现支持从指定类型的数据源抽取用户喜好信息。在Mahout0.5中，Taste 提供JDBCDataModel 和 FileDataModel两种类的实现，分别支持从数据库和文件文件系统中读取用户的喜好信息。对于数据库的读取支持，在Mahout 0.5中只提供了对MySQL和PostgreSQL的支持，如果数据存储在其他数据库，或者是把数据导入到这两个数据库中，或者是自行编程实现相应的类。
UserSimilarit和ItemSimilarity：前者用于定义两个用户间的相似度，后者用于定义两个项目之间的相似度。Mahout支持大部分驻留的相似度或相关度计算方法，针对不同的数据源，需要合理选择相似度计算方法。
UserNeighborhood：在基于用户的推荐方法中，推荐的内容是基于找到与当前用户喜好相似的“邻居用户”的方式产生的，该组件就是用来定义与目标用户相邻的“邻居用户”。所以，该组件只有在基于用户的推荐算法中才会被使用。
Recommender：Recommender是推荐引擎的抽象接口，Taste 中的核心组件。利用该组件就可以为指定用户生成项目推荐列表。
Mahout源码目录说明
在windows xp下利用Eclipse构建Mahout
1. Mahout构建的先决条件
1） JDK，使用1.6版本。需要说明一下，因为要基于Eclipse构建，所以在设置path的值之前要先定义JAVA_HOME变量。
2） Maven，使用2.0.11版本或以上。在eclipse上安装maven插件—m2eclipse。
2. mahout源码获取
与其他Apache下开源项目类似，可以有两种获取源码的方法：
一是通过Subversion检出，检出命令和地址如下
svn co http://svn.apache.org/repos/asf/mahout/trunk
二是直接下载发行版本，下载地址：http://apache.etoak.com//mahout/，打开该地址，可以看到如下目录组织：
到发文为止mahout的发行版本到0.5，点击进入0.5/，进入源码页，如下图：
红色框中的就是mahout的源码压缩文件，可以根据安装的解压工具选择任意一个进行下载。
另外，下载发行版也可以到maven的在线资源库中下载，地址如下：
http://repo2.maven.org/maven2/org/apache/mahout/
3. mahout构建
1）解压mahout源码压缩文件，了解目录结构
利用解压工具把下载的压缩包解压到当前目录，点击进入，可以看到如下目录结构（使用subversion检出的可以在检出的当前目下看到如下目录结构）：
2）把源码导入eclipse中
打开eclipse，点击file->import 在开打的对话框中，选择导入maven项目如下图，然后点击next
通过浏览方式，确定mahout源码的根目录，如下图，然后点击finish：
至此，通过eclipse的package explore 可以查看导入的mahout项目的组成，如下图：
3）运行编译
运行时，点开mahout-distribution-0.5，选中其下的pom.xml文件，然后右键选择run as项，就可以对mahout进行构建、编译、测试以及安装等操作。
如果只是要对某个子项目进行操作，可以点击子项目的pom.xml进行运行。
