Question

我正在尝试为PySpark 1.3中的数据运行朴素贝叶斯分类器

这是我的数据样本：

使用文本文件，我将其转换为LabeledPoint对象

67，[0,1,2,3,4,5,6,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22， 23,24,25,26,27,28,29,30,31,32,3 ..... 60,66]，[0.45,0.441666666667,0.475,0.0,0.717763157895,0.0,0.497300944669,0.476608187135,0.0， 0.0,0.45183714002,0.616666666667,0.966666666667,0.0790064102564，-0.364093614847,0.0679487179487,0.256043956044,0.7,0.449583333333,0.231904697754,0.341666666667,0.06 ....，0.0]

data = MLUtils.loadLibSVMFile(sc, 'path to file')

training, test = data.randomSplit([0.7, 0.3], seed=0)

model = NaiveBayes.train(training, 1.0)

predictionAndLabel = test.map(lambda p: (model.predict(p.features), p.label))

accuracy = (
    1.0 * predictionAndLabel.filter(lambda (x, v): x == v).count() / test.count()
)

PySpark似乎永远在计算变量模型上。有没有其他人以前遇到过这个问题？感谢。

Answer 1

Spark中的Naive Bayes算法要求没有任何要素（例如x值）为负数。您可以在LabeledPoints中看到-0.364093614847为负数。这应该是一个错误。因此，尝试返回原始数据并找到将负值转换为正值的方法。在下面的示例中，我的数据都在-1.0和1.0之间。我只是将1.0添加到所有值，以便分布/均值/标准偏差保持不变。

您的data看起来像这样：

[LabeledPoint(1.0,(1,[0,1,2,3],[-0.5,0.5,0.0,0.8]))], 
[LabeledPoint(0.0,(1,[0,1,2,3],[0.1,0.5,0.5,-0.6]))],
[LabeledPoint(1.0,(1,[0,1,2,3],[0.9,0.1,-0.2,0.7]))]

问题是Spark中的数据结构基本上是不可变的。因此，您需要返回当您的数据尚未转换为LabeledPoint对象时（例如，当它仍然是文本时）。下面是一些关于如何读取文本文件（带有一些缺失值）的示例代码，为每个功能添加一个，然后转换为LabeledPoint。请注意，这是针对csv的，但如果您更改split中的内容，则可以更改tsv或其他分隔符。

sc.textFile("/your/directory/your-file/*") \
     .map(lambda x: [unicode("") if x1=="nan" else x1 for x1 in x.split(',')[1:]])\
     .map(lambda x: x[0] + " " + " ".join([str(i+1)+":"+str(float(x1)+1) for i,x1 in enumerate(x[1:4]) if x1 != ''])) \ 
     .saveAsTextFile("/your/directory/new-directory/no-neg")

这假定您拥有的原始文件采用以下形式：

Label, X1, X2, X3, X4

naive bayes pyspark 1.3没有回复

1 个答案: