在 Scala Spark 中使用数据帧的朴素贝叶斯多项式文本分类器

Question

我正在尝试构建一个朴素贝叶斯分类器，将数据从数据库加载为包含（标签，文本）的数据帧。下面是数据示例（多项式标签）：

label|             feature|
+-----+--------------------+
|    1|combusting prepar...|
|    1|adhesives for ind...|
|    1|                    |
|    1| salt for preserving|
|    1|auxiliary fluids ...|

我使用以下转换进行标记化、停用词、n 元语法和哈希TF

：

val selectedData = df.select("label", "feature")
// Tokenize RDD
val tokenizer = new Tokenizer().setInputCol("feature").setOutputCol("words")
val regexTokenizer = new   RegexTokenizer().setInputCol("feature").setOutputCol("words").setPattern("\W")
val tokenized = tokenizer.transform(selectedData)
tokenized.select("words", "label").take(3).foreach(println)
// Removing stop words
val remover = new        StopWordsRemover().setInputCol("words").setOutputCol("filtered")
val parsedData = remover.transform(tokenized) 
// N-gram
val ngram = new NGram().setInputCol("filtered").setOutputCol("ngrams")
val ngramDataFrame = ngram.transform(parsedData) 
ngramDataFrame.take(3).map(_.getAs[Stream[String]]("ngrams").toList).foreach(println)
//hashing function
val hashingTF = new HashingTF().setInputCol("ngrams").setOutputCol("hash").setNumFeatures(1000)
val featurizedData = hashingTF.transform(ngramDataFrame)

转换的输出：

+-----+--------------------+--------------------+--------------------+------    --------------+--------------------+
|label|             feature|               words|            filtered|                  ngrams|                hash|
+-----+--------------------+--------------------+--------------------+------    --------------+--------------------+
|    1|combusting prepar...|[combusting, prep...|[combusting, prep...|    [combusting prepa...|(1000,[124,161,69...|
|    1|adhesives for ind...|[adhesives, for, ...|[adhesives, indus...| [adhesives indust...|(1000,[451,604],[...|
|    1|                    |                  []|                  []|                     []|        (1000,[],[])|
|    1| salt for preserving|[salt, for, prese...|  [salt, preserving]|   [salt   preserving]|  (1000,[675],[1.0])|
|    1|auxiliary fluids ...|[auxiliary, fluid...|[auxiliary, fluid...|[auxiliary fluids...|(1000,[661,696,89...|

要构建朴素贝叶斯模型，我需要将标签和特征转换为LabelPoint。按照以下方法，我尝试将数据帧转换为RDD并创建标签点：

val rddData = featurizedData.select("label","hash").rdd
val trainData = rddData.map { line =>
  val parts = line.split(',')
  LabeledPoint(parts(0), parts(1))
}

val rddData = featurizedData.select("label","hash").rdd.map(r =>   (Try(r(0).asInstanceOf[Integer]).get.toDouble,   Try(r(1).asInstanceOf[org.apache.spark.mllib.linalg.SparseVector]).get))
val trainData = rddData.map { line =>
  val parts = line.split(',')
  LabeledPoint(parts(0).toDouble,   Vectors.dense(parts(1).split(',').map(_.toDouble)))
}

我收到以下错误：

 scala> val trainData = rddData.map { line =>
 |   val parts = line.split(',')
 |   LabeledPoint(parts(0).toDouble, Vectors.dense(parts(1).split(',').map(_.toDouble)))
 | }
 <console>:67: error: value split is not a member of (Double,    org.apache.spark.mllib.linalg.SparseVector)
     val parts = line.split(',')
                      ^
<console>:68: error: not found: value Vectors
     LabeledPoint(parts(0).toDouble,   Vectors.dense(parts(1).split(',').map(_.toDouble)))

---

编辑 1：

根据下面的建议，我已经创建了 LabelPoint 并训练了模型。

val trainData = featurizedData.select("label","features")
val trainLabel = trainData.map(line =>  LabeledPoint(Try(line(0).asInstanceOf[Integer]).get.toDouble,Try(line(1).asInsta nceOf[org.apache.spark.mllib.linalg.SparseVector]).get))
val splits = trainLabel.randomSplit(Array(0.8, 0.2), seed = 11L)
val training = splits(0)
val test = splits(1)
val model = NaiveBayes.train(training, lambda = 1.0, modelType = "multinomial")
val predictionAndLabels = test.map { point => 
   val score = model.predict(point.features)
   (score, point.label)}

使用 N-gram 和没有 N-gram 以及不同的哈希特征编号，我在 40% 左右的准确度较低。我的数据集包含 5000 行和 45 个多项式标签。有什么方法可以提高模型性能吗？提前致谢

Answer 1

你

不需要将你的featurizedData转换为RDD，因为Apache Spark有两个库ML和MLLib，第一个使用DataFrame s，而MLLib使用RDD s。因此，您可以使用ML，因为您已经有一个 DataFrame .

为了实现这一点，你只需要将列重命名为（label，features），并适合你的模型，如朴素贝叶斯所示，例如下面。

df = sqlContext.createDataFrame([
    Row(label=0.0, features=Vectors.dense([0.0, 0.0])),
    Row(label=0.0, features=Vectors.dense([0.0, 1.0])),
    Row(label=1.0, features=Vectors.dense([1.0, 0.0]))])
nb = NaiveBayes(smoothing=1.0, modelType="multinomial")
model = nb.fit(df)

关于你得到的错误，是因为你已经有一个SparseVector，而该类没有split方法。所以仔细想想，你的RDD几乎有你实际需要的结构，但你必须把Tuple转换为LabeledPoint。

有一些技术可以提高性能，我想到的第一个是删除停用词（例如the，a，an，to，虽然等...），第二个是计算文本中不同单词的数量，然后手动构造向量，即这是因为如果哈希数很低，那么不同的单词可能具有相同的哈希， 因此表现不佳。