Spark機器學習實戰 (十一) - 文字情感分類專案實戰

weixin_33766168發表於2019-04-19

0 相關原始碼

將結合前述知識進行綜合實戰,以達到所學即所用。文字情感分類這個專案會將分類演算法、文字特徵提取演算法等進行關聯,使大家能夠對Spark的具體應用有一個整體的感知與瞭解。

1 專案總體概況

2 資料集概述

3 資料預處理

4 文字特徵提取

提取,轉換和選擇特徵
本節介紹了使用特徵的演算法,大致分為以下幾組:

  • 提取:從“原始”資料中提取特徵
  • 轉換:縮放,轉換或修改特徵
  • 選擇:從中選擇一個子集一組更大的特徵區域性敏感雜湊(LSH):這類演算法將特徵變換的各個方面與其他演算法相結合。
    (TF-IDF) 是在文字挖掘中廣泛使用的特徵向量化方法,以反映術語對語料庫中的文件的重要性。

用t表示一個術語,用d表示文件,用D表示語料庫。術語頻率TF(t,d)是術語t出現在文件d中的次數,而文件頻率DF(t,D)是包含術語的文件數T

如果我們僅使用術語頻率來衡量重要性,那麼過分強調經常出現但很少提供有關文件的資訊的術語非常容易,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件的特殊資訊。

  • 反向文件頻率是術語提供的資訊量的數字度量:

其中| D |是語料庫中的文件總數。由於使用了對數,如果一個術語出現在所有文件中,其IDF值將變為0.
請注意,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

術語頻率和文件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徵向量。
在文字處理中,“一組術語”可能是一些單詞。 HashingTF利用雜湊技巧。通過應用雜湊函式將原始特徵對映到索引(術語)。這裡使用的雜湊函式是MurmurHash 3.然後,基於對映的索引計算術語頻率。這種方法避免了計算全域性術語到索引對映的需要,這對於大型語料庫來說可能是昂貴的,但是它遭受潛在的雜湊衝突,其中不同的原始特徵可能在雜湊之後變成相同的術語。為了減少衝突的可能性,我們可以增加目標特徵維度,即雜湊表的桶的數量。由於雜湊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對映到向量索引。預設要素尺寸為218 = 262,144218 = 262,144。可選的二進位制切換引數控制術語頻率計數。設定為true時,所有非零頻率計數都設定為1.這對於模擬二進位制而非整數計數的離散概率模型特別有用。

CountVectorizer將文字文件轉換為術語計數向量

IDF:IDF是一個Estimator,它適合資料集並生成IDFModel。 IDFModel採用特徵向量(通常從HashingTF或CountVectorizer建立)並縮放每個特徵。直觀地說,它降低了在語料庫中頻繁出現的特徵。

注意:spark.ml不提供文字分割工具.

在下面的程式碼段中,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將句子雜湊為特徵向量。我們使用IDF重新縮放特徵向量;這通常會在使用文字作為功能時提高效能。然後我們的特徵向量可以傳遞給學習演算法。

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

  • 程式碼
  • data.show(false)
  • println(neg.count(),data.count())//合併
  • result.show(false)
  • println(s"""accuracy is $accuracy""")

6 Spark機器學習實踐系列

相關文章