Question

我使用NaiveBayes（版本1.5.1）中的Apache Spark ML分类器来预测某些文本类别。但是，分类器输出的标签与我的训练集中的标签不同。我做错了吗？

这是一个可以粘贴到例如Zeppelin笔记本：

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.classification.NaiveBayes
import org.apache.spark.ml.feature.{HashingTF, Tokenizer}
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.sql.Row

// Prepare training documents from a list of (id, text, label) tuples.
val training = sqlContext.createDataFrame(Seq(
  (0L, "X totally sucks :-(", 100.0),
  (1L, "Today was kind of meh", 200.0),
  (2L, "I'm so happy :-)", 300.0)
)).toDF("id", "text", "label")

// Configure an ML pipeline, which consists of three stages: tokenizer, hashingTF, and lr.
val tokenizer = new Tokenizer()
  .setInputCol("text")
  .setOutputCol("words")
val hashingTF = new HashingTF()
  .setNumFeatures(1000)
  .setInputCol(tokenizer.getOutputCol)
  .setOutputCol("features")
val nb = new NaiveBayes()

val pipeline = new Pipeline()
  .setStages(Array(tokenizer, hashingTF, nb))

// Fit the pipeline to training documents.
val model = pipeline.fit(training)

// Prepare test documents, which are unlabeled (id, text) tuples.
val test = sqlContext.createDataFrame(Seq(
  (4L, "roller coasters are fun :-)"),
  (5L, "i burned my bacon :-("),
  (6L, "the movie is kind of meh")
)).toDF("id", "text")

// Make predictions on test documents.
model.transform(test)
  .select("id", "text", "prediction")
  .collect()
  .foreach { case Row(id: Long, text: String, prediction: Double) =>
    println(s"($id, $text) --> prediction=$prediction")
  }

小程序的输出：

(4, roller coasters are fun :-)) --> prediction=2.0
(5, i burned my bacon :-() --> prediction=0.0
(6, the movie is kind of meh) --> prediction=1.0

预测标签{0.0,1.0,2.0}的集合与我的训练集标签{100.0,200.0,300.0}不相交。

问题：如何将这些预测的标签映射回我原来的训练集标签？

奖金问题：为什么训练集标签必须是双倍的，当任何其他类型的标签与标签一样好时？似乎没必要。

Answer 1

但是，分类器输出的标签与我的训练集中的标签不同。我做错了吗？

有点儿。据我所知，你正在解决SPARK-9137所描述的问题。一般来说，ML中的所有分类器都期望基于0的标签（0.0,1.0,2.0，...），但ml.NaiveBayes中没有验证步骤。引擎盖下的数据传递给mllib.NaiveBayes，但没有此限制，因此培训过程顺利进行。

当模型转换回ml时，预测函数只是假定标签正确，returns predicted label using Vector.argmax，因此得到的结果。您可以使用例如StringIndexer修复标签。

为什么训练集标签必须是双倍的，当任何其他类型的标签与标签一样好的时候？

我想这主要是保持简单和可重用的API。这种方式LabeledPoint可用于分类和回归问题。此外，它在内存使用和计算成本方面是一种有效的表示。

为什么Spark ML NaiveBayes输出的标签与训练数据不同？

1 个答案: