朴素贝叶斯 pyspark 1.3 无响应

Question

我正在尝试在 PySpark 1.3 中为我的数据运行朴素贝叶斯分类器

这是我的数据样本：

使用文本文件，我将其转换为 LabeledPoint 对象

67,[0,1,2,3,4,5,6,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22, 23,24,25,26,27,28,29,30,31,32,3.....60,66],[0.45,0.441666666667,0.475,0.0,0.717763157895,0.0,0.497300944669,0.476608187135,0.0, 0.0.0.451866666666666666666666666666666666667,0.0.0.0.76666666666666666666666666，0.0.0.0.76666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666668666666666666666666666666684>>>>>>>>>>>>是否

data = MLUtils.loadLibSVMFile(sc, 'path to file')

training, test = data.randomSplit([0.7, 0.3], seed=0)

model = NaiveBayes.train(training, 1.0)

predictionAndLabel = test.map(lambda p: (model.predict(p.features), p.label))

accuracy = (
    1.0 * predictionAndLabel.filter(lambda (x, v): x == v).count() / test.count()
)

PySpark 似乎永远挂在计算变量模型上。以前有没有其他人遇到过这个问题？谢谢。

Answer 1

Spark 中的朴素贝叶斯算法要求没有任何特征（例如 x 值）为负数。您可以在 LabeledPoints 中看到 -0.364093614847 是负数。这应该会引发错误。因此，请尝试回顾您的原始数据，并找到一种将任何负值转换为正值的方法。在下面的示例中，我的数据都在 -1.0 和 1.0 之间。我只是将 1.0 添加到所有值，以便分布/均值/标准偏差都保持不变。

您的data 如下所示：

[LabeledPoint(1.0,(1,[0,1,2,3],[-0.5,0.5,0.0,0.8]))], 
[LabeledPoint(0.0,(1,[0,1,2,3],[0.1,0.5,0.5,-0.6]))],
[LabeledPoint(1.0,(1,[0,1,2,3],[0.9,0.1,-0.2,0.7]))]

问题在于 Spark 中的数据结构基本上是不可变的。因此，您需要返回数据尚未转换为 LabeledPoint 对象的时间（例如，当它还是文本时）。这是一些关于如何读取文本文件（有一些缺失值）的示例代码，为每个特征添加一个，然后转换为 LabeledPoint。请注意，这是针对 csv 的，但如果您更改 split 中的内容，您可以将其更改为 tsv 或其他分隔符。

sc.textFile("/your/directory/your-file/*") \
     .map(lambda x: [unicode("") if x1=="nan" else x1 for x1 in x.split(',')[1:]])\
     .map(lambda x: x[0] + " " + " ".join([str(i+1)+":"+str(float(x1)+1) for i,x1 in enumerate(x[1:4]) if x1 != ''])) \ 
     .saveAsTextFile("/your/directory/new-directory/no-neg")

这假定您拥有的原始文件采用以下形式：

Label, X1, X2, X3, X4