Mahout Naive Bayes中文新闻分类示例
来源:互联网 发布:淘宝物品怎么靠前搜到 编辑:程序博客网 时间:2024/05/24 03:19
转载原文:http://www.cnblogs.com/panweishadow/p/4320720.html
一、简介
关于Mahout的介绍,请看这里:http://mahout.apache.org/
关于Naive Bayes的资料,请戳这里:
Mahout实现了Naive Bayes分类算法,这里我用它来进行中文的新闻文本分类。
官方有一组分类例子,使用20 newsgroups data (http://people.csail.mit.edu/jrennie/20Newsgroups/20news-bydate.tar.gz) 总大小约为85MB。
对于中文文本,相比英文文本,只多一步切词的步骤,使用搜狗实验室的语料库,总大小约为300M。请戳这里:http://www.sogou.com/labs/resources.html?v=1
二、详细步骤
1.写切词小程序,工具包为IK,用空格分开,将所有新闻集中到一个文本中,一行代表一篇新闻~
2.上传数据到hdfs,数据量大小,亲测数小时~~~
user@hadoop:~/workspace$hadoop dfs -cp /share/data/Mahout_examples_Data_Set/20news-all .
3.从20newsgroups data创建序列文件(sequence files)
user@hadoop:~/workspace$mahout seqdirectory -i 20news-all -o 20news-seq
4.将序列文件转化为向量
user@hadoop:~/workspace$mahout seq2sparse -i ./20news-seq -o ./20news-vectors -lnorm -nv -wt tfidf
5.将向量数据集分为训练数据和检测数据,以随机40-60拆分
user@hadoop:~/workspace$mahout split -i ./20news-vectors/tfidf-vectors --trainingOutput ./20news-train-vectors --testOutput ./20news-test-vectors --randomSelectionPct 40 --overwrite --sequenceFiles -xm sequential
6.训练朴素贝叶斯模型
user@hadoop:~/workspace$mahout trainnb -i ./20news-train-vectors -el -o ./model -li ./labelindex -ow -c
7.检验朴素贝叶斯模型
user@hadoop:~/workspace$mahout testnb -i ./20news-train-vectors -m ./model -l ./labelindex -ow -o 20news-testing –c
8.检测模型分类效果
user@hadoop:~/workspace$mahout testnb -i ./20news-test-vectors -m ./model -l ./labelindex -ow -o ./20news-testing -c
参考资料:http://openresearch.baidu.com/activitybulletin/448.jhtml;jsessionid=28BD4187550DCA6F8AD6FEA4DCCA2480
- Mahout Naive Bayes中文新闻分类示例
- Mahout分类算法学习之实现Naive Bayes分类示例
- Naive Bayes分类示例
- mahout中naive bayes分类模型实现过程
- mahout测试naive Bayes算法
- Spark MLlib实现的中文文本分类–Naive Bayes
- Spark MLlib实现的中文文本分类–Naive Bayes
- Spark MLlib实现的中文文本分类–Naive Bayes
- Mahout bayes分类器
- Mahout Bayes分类
- hadoop学习-mahout-Bayes分类算法示例程序
- hadoop学习-mahout-Bayes分类算法示例程序
- 文本分类—Naive Bayes
- Naive Bayes分类器详解
- mahout-0.6中naive bayes训练过程
- mahout中naive bayes测试实现
- 分类:朴素贝叶斯(Naive Bayes)
- 朴素贝叶斯分类器 Naive Bayes Classifier
- uv纹理坐标设定与贴图规则
- 第十章 信号
- iOS开发UI篇—使用storyboard创建导航控制器以及控制器的生命周期
- 图解Linux命令之--spell命令
- JQ点击切换验证码
- Mahout Naive Bayes中文新闻分类示例
- 单源最短路径-Bellman-ford算法
- 伪分布式安装Hadoop笔记
- 正则表达式详解
- java synchronized详解
- 求出最小公倍数
- 《Maven实战》学习汇总
- 2016年计蒜客初赛第六场 微软的员工福利(中等)
- Oracle 常用命令