Question

所以，我正在尝试训练一个天真的贝叶斯分类器。在预处理数据方面遇到了很多麻烦，我现在已经生成了两个RDD：

Traininng集：由一组稀疏向量组成;
标签：每个向量的对应的标签列表（0,1）。

我需要运行这样的东西：

# Train a naive Bayes model.
model = NaiveBayes.train(training, 1.0)

但“training”是一个源自运行的数据集：

def parseLine(line):
    parts = line.split(',')
    label = float(parts[0])
    features = Vectors.dense([float(x) for x in parts[1].split(' ')])
    return LabeledPoint(label, features)

data = sc.textFile('data/mllib/sample_naive_bayes_data.txt').map(parseLine)

基于python here的文档。我的问题是，鉴于我不想从txt文件加载数据，并且我已经以映射到稀疏向量（RDD）和相应的标记列表的记录形式创建了训练集，我该怎么办？跑天真的贝叶斯？

以下是我的代码的一部分：

# Function
def featurize(tokens_kv, dictionary):
    """
    :param tokens_kv: list of tuples of the form (word, tf-idf score)
    :param dictionary: list of n words
    :return: sparse_vector of size n
    """

    # MUST sort tokens_kv by key
    tokens_kv = collections.OrderedDict(sorted(tokens_kv.items()))

    vector_size = len(dictionary)
    non_zero_indexes = []
    index_tfidf_values = []

    for key, value in tokens_kv.iteritems():
        index = 0
        for word in dictionary:
            if key == word:
                non_zero_indexes.append(index)
                index_tfidf_values.append(value)
            index += 1

    print non_zero_indexes
    print index_tfidf_values

    return SparseVector(vector_size, non_zero_indexes, index_tfidf_values)

# Feature Extraction
Training_Set_Vectors = (TFsIDFs_Vector_Weights_RDDs
                        .map(lambda (tokens): featurize(tokens, Dictionary_BV.value))
                        .cache())

...而标签只是1和0的列表。我知道我可能需要以某种方式以某种方式使用labelpoint，但我很困惑如何...... RDD不是一个列表，而标签是一个列表我希望有一些简单的方法来创建标记点objets [i]结合稀疏矢量[i]，相应标签[i]各自的值......任何想法？

Answer 1

我能够通过首先收集SparseVectors RDD来解决这个问题 - 有效地将它们转换为列表。然后，我运行一个构造列表的函数 labelledpoint对象：

def final_form_4_training(SVs, labels):
    """
    :param SVs: List of Sparse vectors.
    :param labels: List of labels
    :return: list of labeledpoint objects
    """

    to_train = []
    for i in range(len(labels)):
        to_train.append(LabeledPoint(labels[i], SVs[i]))
    return to_train

# Feature Extraction
Training_Set_Vectors = (TFsIDFs_Vector_Weights_RDDs
                        .map(lambda (tokens): featurize(tokens, Dictionary_BV.value))
                        .collect())

raw_input("Generate the LabeledPoint parameter... ")
labelled_training_set = sc.parallelize(final_form_4_training(Training_Set_Vectors, training_labels))

raw_input("Train the model... ")
model = NaiveBayes.train(labelled_training_set, 1.0)

然而，这假设RDD在整个流程管道中保持其顺序（我没有弄乱）。我也讨厌我必须收集主人的一切。有更好的想法吗？

NaiveBayes使用pyspark进行单独训练集和数据的模型训练

1 个答案: