首页 文章

为什么Spark ML NaiveBayes输出的标签与训练数据不同？

提问于
浏览 次
4

我在Apache Spark ML（版本1.5.1）中使用NaiveBayes分类器来预测某些文本类别 . 但是，分类器输出的标签与我的训练集中的标签不同 . 我做错了吗？

这是一个可以粘贴到例如Zeppelin笔记本：

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.classification.NaiveBayes
import org.apache.spark.ml.feature.{HashingTF, Tokenizer}
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.sql.Row

// Prepare training documents from a list of (id, text, label) tuples.
val training = sqlContext.createDataFrame(Seq(
  (0L, "X totally sucks :-(", 100.0),
  (1L, "Today was kind of meh", 200.0),
  (2L, "I'm so happy :-)", 300.0)
)).toDF("id", "text", "label")

// Configure an ML pipeline, which consists of three stages: tokenizer, hashingTF, and lr.
val tokenizer = new Tokenizer()
  .setInputCol("text")
  .setOutputCol("words")
val hashingTF = new HashingTF()
  .setNumFeatures(1000)
  .setInputCol(tokenizer.getOutputCol)
  .setOutputCol("features")
val nb = new NaiveBayes()

val pipeline = new Pipeline()
  .setStages(Array(tokenizer, hashingTF, nb))

// Fit the pipeline to training documents.
val model = pipeline.fit(training)

// Prepare test documents, which are unlabeled (id, text) tuples.
val test = sqlContext.createDataFrame(Seq(
  (4L, "roller coasters are fun :-)"),
  (5L, "i burned my bacon :-("),
  (6L, "the movie is kind of meh")
)).toDF("id", "text")

// Make predictions on test documents.
model.transform(test)
  .select("id", "text", "prediction")
  .collect()
  .foreach { case Row(id: Long, text: String, prediction: Double) =>
    println(s"($id, $text) --> prediction=$prediction")
  }

小程序的输出：

(4, roller coasters are fun :-)) --> prediction=2.0
(5, i burned my bacon :-() --> prediction=0.0
(6, the movie is kind of meh) --> prediction=1.0

预测标签{0.0,1.0,2.0}的集合与我的训练集标签{100.0,200.0,300.0}不相交 .

问题：如何将这些预测标签映射回原始训练集标签？

奖金问题：为什么训练集标签必须是双打，当任何其他类型的标签和标签一样好？似乎没必要 .

scala apache-spark machine-learning naivebayes apache-spark-ml

1 回答

  • 3

    但是，分类器输出的标签与我的训练集中的标签不同 . 我做错了吗？

    的种类 . 据我所知，你正在达到SPARK-9137描述的问题 . 一般来说，ML中的所有分类器都期望基于0的标签（0.0,1.0,2.0，...），但 ml.NaiveBayes 中没有验证步骤 . 引擎盖下的数据传递给 mllib.NaiveBayes ，但没有这个限制，因此训练过程顺利进行 .

    当模型转换回 ml 时，预测函数只是假设标签正确，并且returns predicted label using Vector.argmax，因此得到的结果 . 您可以使用例如 StringIndexer 来修复标签 .

    为什么训练集标签必须是双打，当任何其他类型的标签和标签一样好？

    我想这主要是保持简单和可重用的API . 这样 LabeledPoint 可以用于分类和回归问题 . 此外，它在内存使用和计算成本方面是一种有效的表示 .

    回复于

相关问题