Spark機器學習實戰 (十一) - 文本情感分類項目實戰
將結合前述知識進行綜合實戰,以達到所學即所用。文本情感分類這個項目會將分類算法、文本特征提取算法等進行關聯,使大家能夠對Spark的具體應用有一個整體的感知與了解。
1 項目總體概況
2 數據集概述
- 數據集
3 數據預處理
4 文本特征提取
- 官方文檔介紹
提取,轉換和選擇特征
本節介紹了使用特征的算法,大致分為以下幾組: - 提取:從“原始”數據中提取特征
- 轉換:縮放,轉換或修改特征
- 選擇:從中選擇一個子集一組更大的特征局部敏感散列(LSH):這類算法將特征變換的各個方面與其他算法相結合。
(TF-IDF) 是在文本挖掘中廣泛使用的特征向量化方法,以反映術語對語料庫中的文檔的重要性。TF(t,d)
是術語t出現在文檔d中的次數,而文檔頻率DF(t,D)
是包含術語的文檔數T
如果我們僅使用術語頻率來衡量重要性,那麽過分強調經常出現但很少提供有關文檔的信息的術語非常容易,例如: “a”,“the”和“of”。
如果術語在語料庫中經常出現,則表示它不包含有關特定文檔的特殊信息。
- 反向文檔頻率是術語提供的信息量的數字度量:
其中| D |
是語料庫中的文檔總數。由於使用了對數,如果一個術語出現在所有文檔中,其IDF值將變為0.
請註意,應用平滑術語以避免語料庫外的術語除以零。
TF-IDF
測量僅僅是TF和IDF的乘積
術語頻率和文檔頻率的定義有幾種變體。在MLlib中,我們將TF和IDF分開以使它們變得靈活。
TF:HashingTF和CountVectorizer都可用於生成術語頻率向量。
HashingTF
是一個轉換器,它接受一組術語並將這些集合轉換為固定長度特征向量。
在文本處理中,“一組術語”可能是一些單詞。HashingTF
利用散列技巧。通過應用散列函數將原始特征映射到索引(術語)。這裏使用的哈希函數是MurmurHash 3.然後,基於映射的索引計算術語頻率。這種方法避免了計算全局術語到索引映射的需要,這對於大型語料庫來說可能是昂貴的,但是它遭受潛在的哈希沖突,其中不同的原始特征可能在散列之後變成相同的術語。為了減少沖突的可能性,我們可以增加目標特征維度,即哈希表的桶的數量。由於散列值的簡單模數用於確定向量索引,因此建議使用2的冪作為要素維度,否則要素將不會均勻映射到向量索引。默認要素尺寸為218 = 262,144218 = 262,144。可選的二進制切換參數控制術語頻率計數。設置為true時,所有非零頻率計數都設置為1.這對於模擬二進制而非整數計數的離散概率模型特別有用。
CountVectorizer將文本文檔轉換為術語計數向量
IDF:IDF是一個Estimator,它適合數據集並生成IDFModel。 IDFModel采用特征向量(通常從HashingTF或CountVectorizer創建)並縮放每個特征。直觀地說,它降低了在語料庫中頻繁出現的特征。
註意:spark.ml不提供文本分割工具.
在下面的代碼段中,我們從一組句子開始。我們使用Tokenizer將每個句子分成單詞。對於每個句子(單詞包),我們使用HashingTF將句子散列為特征向量。我們使用IDF重新縮放特征向量;這通常會在使用文本作為功能時提高性能。然後我們的特征向量可以傳遞給學習算法。
import org.apache.spark.ml.feature.{HashingTF, IDF, Tokenizer}
val sentenceData = spark.createDataFrame(Seq(
(0.0, "Hi I heard about Spark"),
(0.0, "I wish Java could use case classes"),
(1.0, "Logistic regression models are neat")
)).toDF("label", "sentence")
val tokenizer = new Tokenizer().setInputCol("sentence").setOutputCol("words")
val wordsData = tokenizer.transform(sentenceData)
val hashingTF = new HashingTF()
.setInputCol("words").setOutputCol("rawFeatures").setNumFeatures(20)
val featurizedData = hashingTF.transform(wordsData)
// alternatively, CountVectorizer can also be used to get term frequency vectors
val idf = new IDF().setInputCol("rawFeatures").setOutputCol("features")
val idfModel = idf.fit(featurizedData)
val rescaledData = idfModel.transform(featurizedData)
rescaledData.select("label", "features").show()
5 訓練分類模型
-
代碼
- data.show(false)
-
println(neg.count(),data.count())//合並
- result.show(false)
- println(s"""accuracy is $accuracy""")
6 Spark機器學習實踐系列
- 基於Spark的機器學習實踐 (一) - 初識機器學習
- 基於Spark的機器學習實踐 (二) - 初識MLlib
- 基於Spark的機器學習實踐 (三) - 實戰環境搭建
- 基於Spark的機器學習實踐 (四) - 數據可視化
- 基於Spark的機器學習實踐 (六) - 基礎統計模塊
- 基於Spark的機器學習實踐 (七) - 回歸算法
- 基於Spark的機器學習實踐 (八) - 分類算法
- 基於Spark的機器學習實踐 (九) - 聚類算法
- 基於Spark的機器學習實踐 (十) - 降維算法
- 基於Spark的機器學習實踐(十一) - 文本情感分類項目實戰
Spark機器學習實戰 (十一) - 文本情感分類項目實戰