python - 如何使用 spark 朴素贝叶斯分类器对 IDF 进行文本分类？

Question

我想使用 tf-idf 将文本文档转换为特征向量，然后训练朴素贝叶斯算法对其进行分类。

我可以轻松加载没有标签的文本文件，并使用 HashingTF() 将其转换为向量，然后使用 IDF() 根据单词的重要性对单词进行加权。但是，如果我这样做，我就摆脱了标签，而且似乎不可能将标签与矢量重新组合，即使顺序相同也是如此。

另一方面，我可以在每个单独的文档上调用 HashingTF() 并保留标签，但是我无法在其上调用 IDF()，因为它需要整个文档语料库(并且标签会进入方式)。

朴素贝叶斯的 spark 文档只有一个示例，其中的点已经被标记和矢量化，因此没有太大帮助。

我也看过这个指南:http://help.mortardata.com/technologies/spark/train_a_machine_learning_model但在这里他只在没有 idf 的情况下对每个文档应用哈希函数。

所以我的问题是，是否有一种方法不仅可以对朴素贝叶斯分类器使用 idf 的词进行矢量化，还可以对词进行加权？主要问题似乎是 sparks 坚持只接受标记点的 rdds 作为 NaiveBayes 的输入。

def parseLine(line):
    label = row[1] # the label is the 2nd element of each row
    features = row[3] # the text is the 4th element of each row
    features = tokenize(features)
    features = hashingTF.transform(features)
    return LabeledPoint(label, features)
labeledData = data1.map(parseLine)

Answer 1

标准 PySpark 方法(拆分 -> 转换 -> 压缩)似乎工作得很好:

from pyspark.mllib.feature import HashingTF, IDF
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.classification import NaiveBayes   

training_raw = sc.parallelize([
    {"text": "foo foo foo bar bar protein", "label": 1.0},
    {"text": "foo bar dna for bar", "label": 0.0},
    {"text": "foo bar foo dna foo", "label": 0.0},
    {"text": "bar foo protein foo ", "label": 1.0}])


# Split data into labels and features, transform
# preservesPartitioning is not really required
# since map without partitioner shouldn't trigger repartitiong
labels = training_raw.map(
    lambda doc: doc["label"],  # Standard Python dict access 
    preservesPartitioning=True # This is obsolete.
)

tf = HashingTF(numFeatures=100).transform( ## Use much larger number in practice
    training_raw.map(lambda doc: doc["text"].split(), 
    preservesPartitioning=True))

idf = IDF().fit(tf)
tfidf = idf.transform(tf)

# Combine using zip
training = labels.zip(tfidf).map(lambda x: LabeledPoint(x[0], x[1]))

# Train and check
model = NaiveBayes.train(training)
labels_and_preds = labels.zip(model.predict(tfidf)).map(
    lambda x: {"actual": x[0], "predicted": float(x[1])})

要获得一些统计数据，您可以使用 MulticlassMetrics:

from pyspark.mllib.evaluation import MulticlassMetrics
from operator import itemgetter

metrics = MulticlassMetrics(
    labels_and_preds.map(itemgetter("actual", "predicted")))

metrics.confusionMatrix().toArray()
## array([[ 2.,  0.],
##        [ 0.,  2.]])

相关

• Handling continuous data in Spark NaiveBayes