利用贝叶斯分类器进行文本挖掘---笔记

原文地址：http://now51jq.blog.51cto.com/3474143/1547434

1. 调用庖丁分词器，分词

grid@server01:~/data$ hadoop jar mrtokenize.jar tokenize.TokenizeDriver /home/grid/data/lesson8 /home/grid/output/sportwords

14/08/31 21:59:33 INFO input.FileInputFormat: Total input paths to process : 10205

.....

14/08/31 22:05:25 INFO mapred.JobClient:     Map output records=10205

共处理：10205个文件，耗时 6 分钟

分词后的结果：

badminton       尤伯 伯杯 中国 泰国 挺进 决赛 王仪 仪涵 机敏 回球 月 日 中国 中国队 选手 王仪 仪涵 比赛 中回 回球 她最 最终 战胜 泰国 队 选手 手拉 差诺 当日 武汉 体育 中心 中心体 体育 体育馆 举行 年尤 尤伯 伯杯 羽毛 羽毛球 球赛 决赛 半决赛 中 中国 中国队 总比 比分 战胜 泰国 队 晋级 决赛 新华 新华社 记者 孟永 永民 民摄 关注 体育 了解 更多 体坛 资讯 

badminton       尤伯 伯杯 中国 泰国 挺进 决赛 王仪 仪涵 比赛 中 发球 月 日 中国 中国队 选手 王仪 仪涵 比赛 中 发球 她最 最终 战胜 泰国 队 选手 手拉 差诺 当日 武汉 体育 中心 中心体 体育 体育馆 举行 年尤 尤伯 伯杯 羽毛 羽毛球 球赛 决赛 半决赛 中 中国 中国队 总比 比分 战胜 泰国 队 晋级 决赛 新华 新华社 记者 孟永 永民 民摄 关注 体育 了解 更多 体坛 资讯 

2. load 分词集

grunt> processed = load'/home/grid/output/sportwords' as (category:chararray, doc:chararray);

3. 随机 20% 生成 测试集

grunt> test = sample processed 0.2;

4. 生成训练集

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;

5. 导出测试集和训练集

grunt> store test into '/home/grid/data/lesson8.2/test'；

6. 统计测试集分类 

grunt> test_ct= foreach(group test by category) generate group, COUNT(test.category);

grunt> dump test_ct;   

result：

(f1,196)

(golf,206)

(swim,170)

(tennis,187)

(football,209)

(pingpong,220)

(badminton,212)

(billiards,236)

(basketball,201)

(volleyball,204)

7. 统计训练集

grunt> train_ct= foreach(group train by category) generate group, COUNT(train.category);

grunt> dump train_ct;

8. 利用朴素贝叶斯分类器，来训练模型

grid@server01:~/data$ mahout trainclassifier \

> -i /home/grid/data/lesson8.2/train \

> -o /home/grid/output/model-bayes8.2 \

> -type bayes \

> -ng 1 \

> -source hdfs

result:

14/08/31 23:31:15 INFO mapred.JobClient:     Map output records=228211

14/08/31 23:31:15 INFO common.HadoopUtil: Deleting /home/grid/output/model-bayes8.2/trainer-docCount

14/08/31 23:31:15 INFO common.HadoopUtil: Deleting /home/grid/output/model-bayes8.2/trainer-termDocCount

14/08/31 23:31:15 INFO common.HadoopUtil: Deleting /home/grid/output/model-bayes8.2/trainer-featureCount

14/08/31 23:31:15 INFO common.HadoopUtil: Deleting /home/grid/output/model-bayes8.2/trainer-wordFreq

14/08/31 23:31:15 INFO common.HadoopUtil: Deleting /home/grid/output/model-bayes8.2/trainer-tfIdf/trainer-vocabCount

14/08/31 23:31:15 INFO driver.MahoutDriver: Program took 1265118 ms (Minutes: 21.0853)

9. 测试模型 

grid@server01:~/data$ mahout testclassifier \

> -d /home/grid/data/lesson8.2/test \

> -m /home/grid/output/model-bayes8.2 \

> -type bayes \

> -ng 1 \

> -source hdfs \

> -method mapreduce

10. 用户浏览记录分词，同1

grid@server01:~/data$ hadoop jar mrtokenize.jar tokenize.TokenizeDriver /home/grid/data/les8-usersport /home/grid/lesson8/output/userwords

11. 利用sport 生成的模型对用户浏览内容进行分类

grid@server01:~/data$ hadoop jar mrclassify.jar  classifier.ClassifierDriver \

> /home/grid/lesson8/output/userwords \

> /home/grid/lesson8/output/classify \

> /home/grid/output/model-bayes8.2 \

> bayes

result:

grid@server01:~/data$ hadoop fs -cat /home/grid/lesson8/output/classify/part-r-00000 | head -20

Warning: $HADOOP_HOME is deprecated.

10511838|badminton|7

10511838|basketball|5

10511838|billiards|8

10511838|f1|7

10511838|football|11

10511838|golf|5

10511838|pingpong|5

10511838|tennis|2

10511838|volleyball|12

10564290|badminton|2

10564290|basketball|12

10564290|billiards|11

10564290|f1|12

10564290|football|16

10564290|golf|1

10564290|pingpong|18

10564290|swim|6

10564290|tennis|3

10564290|volleyball|7

107879|basketball|7