Mahout分類演算法學習之實現Naive Bayes分類示例
阿新 • • 發佈：2018-12-31
1.簡介
(1) 貝葉斯分類器的分類原理髮源於古典概率理論，是通過某物件的先驗概率，利用貝葉斯公式計算出其後驗概率，即該物件屬於某一類的概率，選擇具有最大後驗概率的類作為該物件所屬的類。樸素貝葉斯分類器(Naive Bayes Classifier)做了一個簡單的假定：給定目標值時屬性之間相互條件獨立，即給定元組的類標號，假定屬性值有條件地相互獨立，即在屬性間不存在依賴關係。樸素貝葉斯分類模型所需估計的引數很少，對缺失資料不太敏感，演算法也比較簡單。(2) Mahout 實現了Traditional Naive Bayes 和Complementary Naive Bayes，後者是在前者的基礎上增加了結果分析功能(Result Analyzer).
(3) 主要相關的Mahout類:
org.apache.mahout.classifier.naivebayes.NaiveBayesModel
org.apache.mahout.classifier.naivebayes.StandardNaiveBayesClassifier
org.apache.mahout.classifier.naivebayes.ComplementaryNaiveBayesClassifier
2.資料
使用20 newsgroups data (http://people.csail.mit.edu/jrennie/20Newsgroups/20news-bydate.tar.gz) ，資料集按時間分為訓練資料和測試資料，總大小約為85MB，每個資料檔案為一條資訊，檔案頭部幾行指定訊息的傳送者、長度、型別、使用軟體，以及主題等，然後用空行將其與正文隔開，正文沒有固定的格式。
3.目標
根據新聞文件內容，將其分到不同的文件型別中。
4.程式
使用Mahout自帶示例程式，主要的訓練類和測試類分別為TrainNaiveBayesJob.java和TestNaiveBayesDriver.java，JAR包為mahout-core-0.7-job.jar，詳細程式碼見(mahout-distribution-0.7/core/src/main/java/org/apache/mahout/classifier/naivebayes/trainning,mahout-distribution-0.7/core/src/main/java/org/apache/mahout/classifier/naivebayes/test).
5.步驟
(1) 資料準備
①將20news-bydate.tar.gz解壓，並將20news-bydate中的所有子文夾中的內容複製到20news-all中，該步驟已經完成，20news-all資料夾存放在hdfs:/share/data/ Mahout_examples_Data_Set中
②將20news-all放在hdfs的使用者根目錄下
[email protected]:~/workspace$hadoop dfs -cp /share/data/Mahout_examples_Data_Set/20news-all .
③從20newsgroups data建立序列檔案(sequence files)
[email protected]
④將序列檔案轉化為向量
[email protected]:~/workspace$mahout seq2sparse -i ./20news-seq -o ./20news-vectors -lnorm -nv -wt tfidf
⑤將向量資料集分為訓練資料和檢測資料，以隨機40-60拆分
[email protected]:~/workspace$mahout split -i ./20news-vectors/tfidf-vectors --trainingOutput ./20news-train-vectors --testOutput ./20news-test-vectors --randomSelectionPct 40 --overwrite --sequenceFiles -xm sequential
(2)訓練樸素貝葉斯模型
[email protected]:~/workspace$mahout trainnb -i ./20news-train-vectors -el -o ./model -li ./labelindex -ow -c(3)檢驗樸素貝葉斯模型
[email protected]:~/workspace$mahout testnb -i ./20news-train-vectors -m ./model -l ./labelindex -ow -o 20news-testing -c
結果如下：
(4)檢測模型分類效果
[email protected]:~/workspace$mahout testnb -i ./20news-test-vectors -m ./model -l ./labelindex -ow -o ./20news-testing -c
結果如下：
(5)檢視結果，將序列檔案轉化為文字
[email protected]:~/workspace$mahout seqdumper -i ./20news-testing/part-m-00000 -o ./20news_testing.res
[email protected]:~/workspace$cat 20news_testging.res
結果如下：
