甘道夫通过Mahout构建贝叶斯文本分类器案例具体解释

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了甘道夫通过Mahout构建贝叶斯文本分类器案例具体解释相关的知识,希望对你有一定的参考价值。

背景&目标:
1、sport.tar 是体育类的文章,一共同拥有10个类别。
   用这些原始材料构造一个体育类的文本分类器,并測试对照bayes和cbayes的效果;
   记录分类器的构造过程和測试结果。

2、user-sport.tar 是用户浏览的文章,每一个目录相应一个用户。
   利用上题构造的文本分类器,计算每一个用户浏览各类文章的占比。
   记录计算过程和结果。


实验环境:
Hadoop-1.2.1
Mahout0.6
Pig0.12.1
Ubuntu12
Jdk1.7


原理&流程
建立文本分类器
1.分类体系的确定
2.文本样本的积累
3.文本的预处理(分词)
4.划分训练集,測试集
5.对模型的训练
6.对模型准确性測试

測试分类器模型时,假设认为模型效果不够惬意,能够对过程进行调整,然后又一次生成模型。
可调整的方面包含:
  1. 积累很多其它,更有具代表性的样本;
  2. 在文本预处理阶段选择更好的分词算法;
  3. 在训练分类器时,对训练參数进行调整。
不断反复以上过程。直到得到惬意的模型为止。

对文本进行分类:
建立完文本分类器以后。就能够输入一个文本,输出一个分类。


Step1:将所需用到的原始数据sport和user-sport目录上传到hdfs

sport目录:
  • 用于训练文本分类器
  • 包括了多个子目录,每一个子目录都是一个分类的文章
  • 在现实项目中。该原始数据须要人工收集
user-sport:
  • 待分类的文本
技术分享

技术分享

技术分享
技术分享
注意:user-sport目录下的子目录名称是用户id。子目录内包括了多个文本文件。都是该用户浏览过的文章。
技术分享
技术分享


step2:对sport目录进行分词
用到MRTokenize.jar中的tokenize.TokenizeDriver
技术分享
技术分享

技术分享

技术分享
技术分享

技术分享

技术分享
技术分享

到此为止,原始数据已经分好词,而且已经处理成Mahout训练文本分类器要求的输入格式:
  • 每行一篇文章
  • 每行的格式为:分类名称 文章分词结果


Step3:划分训练集和測试集
我们把经过分词处理的原始数据划分为训练集和測试集。训练集用于训练模型,測试集用于測试模型效果。

该过程通过pig实现:
grunt> processed = load‘/dataguru/hadoopdev/week8/fenciout/part-r-00000‘ as (category:chararray,doc:chararray);
grunt> test = sample processed 0.2;
grunt> jnt = join processed by (category,doc) left outer, test by (category,doc);
grunt> filt_test = filter jnt by test::category is null;
grunt> train = foreach filt_test generate processed::category as category,processed::doc as doc;
grunt> store test into ‘/dataguru/hadoopdev/week8/test‘;

grunt> store train into ‘/dataguru/hadoopdev/week8/train‘;

结果截图:
技术分享 技术分享


Step4:训练贝叶斯模型
我们分别训练bayes模型和cbayes模型,后面測试两者的效果做对照。


首先训练bayes模型:
[email protected]:~$ mahout trainclassifier -i /dataguru/hadoopdev/week8/train -o /dataguru/hadoopdev/week8/model-bayes -type bayes -ng 1 -source hdfs
技术分享
技术分享 
然后训练cbayes模型:
[email protected]:~$ mahout trainclassifier -i /dataguru/hadoopdev/week8/train -o /dataguru/hadoopdev/week8/model-cbayes -type cbayes -ng 1 -source hdfs
技术分享
技术分享
训练结果:
技术分享 技术分享


Step5:測试模型
測试贝叶斯模型命令例如以下:
[email protected]:~$ mahout testclassifier -d /dataguru/hadoopdev/week8/test -m /dataguru/hadoopdev/week8/model-bayes -type bayes -ng 1 -source hdfs -method mapreduce

測试结果:
技术分享 技术分享

測试C贝叶斯模型命令例如以下:
[email protected]:~$ mahout testclassifier -d /dataguru/hadoopdev/week8/test -m /dataguru/hadoopdev/week8/model-cbayes -type cbayes -ng 1 -source hdfs -method mapreduce

測试结果:
技术分享 技术分享


Step5:处理待分类数据
我们的待分类数据全存储在user-sport目录下。每一个子目录都存储了一个用户浏览过的文章,子目录的名称就是用户id:
技术分享
技术分享 技术分享

技术分享

Mahout的文本分类器要求输入数据为分词后的文章,我们直接使用训练分类器时用到的MRTokenize.jar中的tokenize.TokenizeDriver来对文章进行分词。输出格式为:
  • 每行一篇文章
  • 每行的格式为:用户ID 文章分词结果

运行命令对待分类数据进行分词:
[email protected]:~/Myfiles$ hadoop jar MRTokenize.jar tokenize.TokenizeDriver /dataguru/hadoopdev/week8/user-sport /dataguru/hadoopdev/week8/user-sport-fenciout

结果:
技术分享 技术分享


Step6:Hadoop环境下。对待分类数据进行分类。并统计每一个用户浏览每一个分类的次数
Hadoop环境下调用Mahout分类器的程序细节參见:
第八周(4)文本挖掘-贝叶斯-Mahout
将程序打jar包后复制到集群上运行。

运行命令对待分类数据进行分类:
[email protected]:~/Myfiles$ hadoop jar MRClassify.jar classifier.ClassifierDriver /dataguru/hadoopdev/week8/user-sport-fenciout /dataguru/hadoopdev/week8/user-sport-bayesout /dataguru/hadoopdev/week8/model-bayes bayes

说明:
參数1:输入路径。即上一步分词处理好的待分类的文章存储路径
參数2:输出路径,即统计好的用户浏览各个分类的数量
參数3:模型所在路径
參数4:模型的算法

技术分享
技术分享

分类并统计的结果:
技术分享 技术分享
结果的每行格式:用户ID | 分类 | 浏览次数



Step6:处理上一步的输出数据。得到每一个用户訪问次数最多的分类
使用pig处理:
grunt> u_ct = load‘/dataguru/hadoopdev/week8/user-sport-bayesout‘ using PigStorage(‘|‘) as (user:chararray, category:chararray, times:int);
grunt> u_stat = foreach(group u_ct by user)
>> {
>> sorted = order u_ct by times desc;
>> top = limit sorted 1;
>> generate flatten(top),SUM(u_ct.times);
>> };
grunt> store u_stat into ‘/dataguru/hadoopdev/week8/user-sport-pigout‘; 

结果(第一列是用户id,第二列是浏览量最多的类别,第三列是该类别的浏览次数,第四列是该用户总共的浏览量):
技术分享 技术分享








































以上是关于甘道夫通过Mahout构建贝叶斯文本分类器案例具体解释的主要内容,如果未能解决你的问题,请参考以下文章

甘道夫怎样在cdh5.2上执行mahout的itemcf on hadoop

使用对数概率的复杂化 - 朴素贝叶斯文本分类器

重要朴素贝叶斯分类器详解及中文文本舆情分析(附代码实践)

文本分类-贝叶斯分类器

《机器学习实战》基于朴素贝叶斯分类算法构建文本分类器的Python实现

朴素贝叶斯构建“饥饿站台”豆瓣短评情感分类器