如何准备mllib中的训练数据-Java 学习之路

TL;DR; 如何使用 mllib 训练我的维基数据（文本和类别）以预测推文？

我无法弄清楚如何转换我的标记化维基数据，以便可以通过 NaiveBayes 或 LogisticRegression 进行训练 . 我的目标是使用经过训练的模型与推文进行比较* . 我已经尝试使用带有LR的管道和带有 IDF 的 HashingTF 用于 NaiveBayes ，但我一直得到错误的预测 . 在这里_1184927已尝试：

*请注意，我想在我的标签中使用维基数据中的许多类别...我只看到二元分类（它是一个或另一个类别）....是否可以做我想要的？

管道w LR

import org.apache.spark.rdd.RDD
import org.apache.spark.SparkContext
import org.apache.spark.ml.feature.HashingTF
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.ml.feature.RegexTokenizer

case class WikiData(category: String, text: String)
case class LabeledData(category: String, text: String, label: Double)

val wikiData = sc.parallelize(List(WikiData("Spark", "this is about spark"), WikiData("Hadoop","then there is hadoop")))

val categoryMap = wikiData.map(x=>x.category).distinct.zipWithIndex.mapValues(x=>x.toDouble/1000).collectAsMap

val labeledData = wikiData.map(x=>LabeledData(x.category, x.text, categoryMap.get(x.category).getOrElse(0.0))).toDF

val tokenizer = new RegexTokenizer()
  .setInputCol("text")
  .setOutputCol("words")
  .setPattern("/W+")
val hashingTF = new HashingTF()
  .setNumFeatures(1000)
  .setInputCol(tokenizer.getOutputCol)
  .setOutputCol("features")
val lr = new LogisticRegression()
  .setMaxIter(10)
  .setRegParam(0.01)
val pipeline = new Pipeline()
  .setStages(Array(tokenizer, hashingTF, lr))

val model = pipeline.fit(labeledData)

model.transform(labeledData).show

朴素贝叶斯

val hashingTF = new HashingTF()
val tf: RDD[Vector] = hashingTF.transform(documentsAsWordSequenceAlready)

import org.apache.spark.mllib.feature.IDF

tf.cache()
val idf = new IDF().fit(tf)
val tfidf: RDD[Vector] = idf.transform(tf)

tf.cache()
val idf = new IDF(minDocFreq = 2).fit(tf)
val tfidf: RDD[Vector] = idf.transform(tf)

//to create tfidfLabeled (below) I ran a map set the labels...but again it seems to have to be 1.0 or 0.0?

NaiveBayes.train(tfidfLabeled)
  .predict(hashingTF.transform(tweet))
  .collect

1 回答

ML LogisticRegression 尚不支持多项分类，但MLLib NaiveBayes 和 LogisticRegressionWithLBFGS 都支持它 . 在第一种情况下，它应该默认工作：

import org.apache.spark.mllib.classification.NaiveBayes

val nbModel = new NaiveBayes()
  .setModelType("multinomial") // This is default value
  .run(train)

但是对于逻辑回归，你应该提供一些类：

import org.apache.spark.mllib.classification.LogisticRegressionWithLBFGS

val model = new LogisticRegressionWithLBFGS()
  .setNumClasses(n) // Set number of classes
  .run(trainingData)

关于预处理步骤，这是一个相当广泛的主题，如果没有访问您的数据，很难给您一个有意义的建议，所以您在下面找到的所有内容只是一个疯狂的猜测：

据我所知，您使用维基数据进行培训和推文进行测试 . 如果这是真的，一般来说这是一个坏主意 . 您可以预期两组使用显着不同的词汇，语法和拼写
简单的正则表达式标记符可以在标准化文本上很好地执行，但根据我的经验，它不会像推文那样在非正式文本上运行良好
HashingTF 可以是获得基线模型的好方法，但它是极其简化的方法，特别是如果您不应用任何过滤步骤 . 如果您决定使用它，至少应增加功能数量或使用默认值（2 ^ 20）

EDIT （用IDF为朴素贝叶斯准备数据）

使用ML管道：

import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.ml.feature.IDF
import org.apache.spark.sql.Row

val tokenizer = ???

val hashingTF = new HashingTF()
  .setNumFeatures(1000)
  .setInputCol(tokenizer.getOutputCol)
  .setOutputCol("rawFeatures")

val idf = new IDF()
  .setInputCol(hashingTF.getOutputCol)
  .setOutputCol("features")

val pipeline = new Pipeline().setStages(Array(tokenizer, hashingTF, idf))
val model = pipeline.fit(labeledData)

model
 .transform(labeledData)
 .select($"label", $"features")
 .map{case Row(label: Double, features: Vector) => LabeledPoint(label, features)}

使用MLlib变换器：

import org.apache.spark.mllib.feature.HashingTF
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.mllib.feature.{IDF, IDFModel}

val labeledData = wikiData.map(x => 
  LabeledData(x.category, x.text, categoryMap.get(x.category).getOrElse(0.0)))

val p = "\\W+".r
val raw = labeledData.map{
    case LabeledData(_, text, label) => (label, p.split(text))}

val hashingTF: org.apache.spark.mllib.feature.HashingTF = new HashingTF(1000)
val tf = raw.map{case (label, text) => (label, hashingTF.transform(text))}

val idf: org.apache.spark.mllib.feature.IDFModel = new IDF().fit(tf.map(_._2))
tf.map{
  case (label, rawFeatures) => LabeledPoint(label, idf.transform(rawFeatures))}

注意：由于变换器需要JVM访问，因此MLlib版本在PySpark中不起作用 . 如果你更喜欢Python，你必须split data transform and zip .

EDIT （为ML算法准备数据）：

虽然下面的代码看起来有点乍一看

val categoryMap = wikiData
  .map(x=>x.category)
  .distinct
  .zipWithIndex
  .mapValues(x=>x.toDouble/1000)
  .collectAsMap

val labeledData = wikiData.map(x=>LabeledData(
    x.category, x.text, categoryMap.get(x.category).getOrElse(0.0))).toDF

它不会为 ML 算法生成有效标签 .

首先 ML 期望标签在（0.0,1.0，...，n.0）中，其中n是类的数量 . 如果你的示例管道中有一个类得到标签0.001，你将得到如下错误：

ERROR LogisticRegression：分类标签应在{0到0中找到1个无效标签 .

显而易见的解决方案是在生成映射时避免除法

.mapValues(x=>x.toDouble)

虽然它适用于 LogisticRegression 其他 ML 算法仍然会失败 . 例如 RandomForestClassifier 你会得到

给RandomForestClassifier输入了无效的标签列标签，没有指定的类数 . 请参见StringIndexer .

有趣的是， RandomForestClassifier 的ML版本与 MLlib 版本不同，它没有提供设置多个类的方法 . 事实证明，它希望在 DataFrame 列上设置特殊属性 . 最简单的方法是使用错误消息中提到的 StringIndexer ：

import org.apache.spark.ml.feature.StringIndexer

val indexer = new StringIndexer()
  .setInputCol("category")
  .setOutputCol("label")

val pipeline = new Pipeline()
  .setStages(Array(indexer, tokenizer, hashingTF, idf, lr))

val model = pipeline.fit(wikiData.toDF)

回复于 2024-05-06T09:06:27+08:00

如何准备mllib中的训练数据

管道w LR

朴素贝叶斯

1 回答

相关问题