【甘道夫】经过Mahout构建贝叶斯文本分类器案例详解
【甘道夫】通过Mahout构建贝叶斯文本分类器案例详解
Step1：将所需用到的原始数据sport和user-sport文件夹上传到hdfs
step2：对sport文件夹进行分词
Step6：处理上一步的输出数据，得到每个用户访问次数最多的分类
背景&目标：
1、sport.tar 是体育类的文章，一共有10个类别；
用这些原始材料构造一个体育类的文本分类器，并测试对比bayes和cbayes的效果；
记录分类器的构造过程和测试结果。
2、user-sport.tar 是用户浏览的文章，每个文件夹对应一个用户；
利用上题构造的文本分类器，计算每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，测试集
5.对模型的训练
6.对模型准确性测试
测试分类器模型时，如果觉得模型效果不够满意，可以对过程进行调整，然后重新生成模型。
可调整的方面包括：
- 积累更多，更有具代表性的样本；
- 在文本预处理阶段选择更好的分词算法；
- 在训练分类器时，对训练参数进行调整。
不断重复以上过程，直到得到满意的模型为止。
对文本进行分类：
建立完文本分类器以后，就可以输入一个文本，输出一个分类。
Step1：将所需用到的原始数据sport和user-sport文件夹上传到hdfs
sport文件夹：
- 用于训练文本分类器
- 包含了多个子文件夹，每个子文件夹都是一个分类的文章
- 在现实项目中，该原始数据需要人工收集
user-sport：
- 待分类的文本
注意：user-sport文件夹下的子文件夹名称是用户id，子文件夹内包含了多个文本文件，都是该用户浏览过的文章。
step2：对sport文件夹进行分词
用到MRTokenize.jar中的tokenize.TokenizeDriver
到此为止，原始数据已经分好词，并且已经处理成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：划分训练集和测试集
我们把经过分词处理的原始数据划分为训练集和测试集，训练集用于训练模型，测试集用于测试模型效果。
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：
Step4：训练贝叶斯模型
我们分别训练bayes模型和cbayes模型，后面测试两者的效果做对比。
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
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：测试模型
测试贝叶斯模型命令如下：
casliyang@singlehadoop:~$ mahout testclassifier -d /dataguru/hadoopdev/week8/test -m /dataguru/hadoopdev/week8/model-bayes -type bayes -ng 1 -source hdfs -method mapreduce
测试结果：
测试C贝叶斯模型命令如下：
casliyang@singlehadoop:~$ mahout testclassifier -d /dataguru/hadoopdev/week8/test -m /dataguru/hadoopdev/week8/model-cbayes -type cbayes -ng 1 -source hdfs -method mapreduce
测试结果：
Step5：处理待分类数据
我们的待分类数据全存储在user-sport文件夹下，每个子文件夹都存储了一个用户浏览过的文章，子文件夹的名称就是用户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
执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，并统计每个用户浏览每个分类的次数
Hadoop环境下调用Mahout分类器的程序细节参见：
第八周（4）文本挖掘-贝叶斯-Mahout
将程序打jar包后拷贝到集群上执行。
执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：
参数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
参数2：输出路径，即统计好的用户浏览各个分类的数量
参数3：模型所在路径
参数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，得到每个用户访问次数最多的分类
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）：