- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个自由文本描述,我需要根据它来执行分类。例如,描述可以是事件的描述。根据事件的描述,我需要预测与该事件相关的风险。例如:“镇上的谋杀案” - 此描述属于“高”风险。
我尝试了逻辑回归,但意识到目前仅支持二元分类。对于基于自由文本描述的多类分类(只有三个可能的值),最合适的算法是什么? (线性回归或朴素贝叶斯)
最佳答案
由于您正在使用 spark ,我假设你有 bigdata ,所以-我不是专家-但在阅读您的回答后,我想提出一些观点。
Create the Training (80%) and Testing Data Sets (20%)
我会将数据划分为训练 (60-70%)、测试 (15-20%) 和评估 (15- 20%)套..
这个想法是你可以微调你的分类算法。训练集,但我们真正想做的分类任务是让它们对看不见的数据进行分类。因此,使用测试集微调您的算法,完成后,使用评估集,以真正了解事物的工作原理!
Stop words
如果您的数据是来自报纸等的文章,我个人没有看到使用更复杂的停用词删除方法有任何显着的改进...
但这只是个人陈述,但如果我是你,我就不会关注这一步。
Term Frequency
使用 Term Frequency-Inverse Document Frequency (TF-IDF) 怎么样?相反,术语权重?您可能想阅读:How can I create a TF-IDF for Text Classification using Spark?
我会尝试两者并进行比较!
Multinomial
您有什么特别的理由尝试多项分布吗?如果不是,因为当 n 为 1 并且 k 为 2 时,多项分布是伯努利分布,如 Wikipedia 中所述。 ,其中is supported .
尝试两者并进行比较(如果你想让你的模型更好,这是你必须习惯的!:))
<小时/>我还看到 apache-spark-mllib优惠Random forests ,至少值得一读! ;)
<小时/>如果您的数据不是那么大,我也会尝试支持向量机 (SVM),来自 scikit-learn ,但是支持 python ,所以你应该切换到 pyspark或普通python ,放弃spark 。顺便说一句,如果你真的想要 sklearn,这可能会派上用场:How to split into train, test and evaluation sets in sklearn? ,因为 Pandas 与 sklearn 配合得很好。
希望这有帮助!
<小时/>离题:
这确实不是在 Stack Overflow 中提问的方式。阅读 How to ask a good question?
就我个人而言,如果我是你,我会先做你在答案中所做的所有事情,然后发布一个问题,总结我的方法。
关于赏金,你可能想阅读:How does the Bounty System work?
关于apache-spark - 使用 Spark ML 进行文本分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39316140/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!