【甘道夫】通过Mahout构建贝叶斯文本分类器案例具体解释

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：

1. 积累很多其它，更有具代表性的样本；
2. 在文本预处理阶段选择更好的分词算法；
3. 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

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMDk2NzM4Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

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：

 

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMDk2NzM4Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

---

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

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMDk2NzM4Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

 

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）：

 

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMDk2NzM4Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">