【甘道夫】通过Mahout构建贝叶斯文本分类器案例具体解释
2017-04-25 18:36 tlnshuju 阅读(450) 评论(0) 编辑 收藏 举报背景&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：
- 积累很多其它，更有具代表性的样本；
- 在文本预处理阶段选择更好的分词算法；
- 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
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。
step2：对sport目录进行分词
用到MRTokenize.jar中的tokenize.TokenizeDriver
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：
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：
casliyang@singlehadoop:~$ mahout trainclassifier -i /dataguru/hadoopdev/week8/train -o /dataguru/hadoopdev/week8/model-bayes -type
bayes -ng 1 -source hdfs
然后训练cbayes模型：
casliyang@singlehadoop:~$ mahout trainclassifier -i /dataguru/hadoopdev/week8/train -o /dataguru/hadoopdev/week8/model-cbayes -type cbayes -ng 1 -source
hdfs
训练结果：
Step5：測试模型
測试贝叶斯模型命令例如以下：
casliyang@singlehadoop:~$ 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：
測试C贝叶斯模型命令例如以下：
casliyang@singlehadoop:~$ 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：
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：
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：
casliyang@singlehadoop:~/Myfiles$ hadoop jar MRTokenize.jar tokenize.TokenizeDriver /dataguru/hadoopdev/week8/user-sport /dataguru/hadoopdev/week8/user-sport-fenciout
结果：
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：
casliyang@singlehadoop:~/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
分类并统计的结果：
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）：
