1. 調用庖丁分詞器,分詞
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
共處理:10205個文件,耗時 6 分鐘
分詞後的結果:
badminton 尤伯 伯杯 中國 泰國 挺進 決賽 王儀 儀涵 機敏 回球 月 日 中國 中國隊 選手 王儀 儀涵 比賽 中回 回球 她最 最終 戰勝 泰國 隊 選手 手拉 差諾 當日 武漢 體育 中心 中心體 體育 體育館 舉行 年尤 尤伯 伯杯 羽毛 羽毛球 球賽 決賽 半決賽 中 中國 中國隊 總比 比分 戰勝 泰國 隊 晉級 決賽 新華 新華社 記者 孟永 永民 民攝 關注 體育 瞭解 更多 體壇 資訊
badminton 尤伯 伯杯 中國 泰國 挺進 決賽 王儀 儀涵 比賽 中 發球 月 日 中國 中國隊 選手 王儀 儀涵 比賽 中 發球 她最 最終 戰勝 泰國 隊 選手 手拉 差諾 當日 武漢 體育 中心 中心體 體育 體育館 舉行 年尤 尤伯 伯杯 羽毛 羽毛球 球賽 決賽 半決賽 中 中國 中國隊 總比 比分 戰勝 泰國 隊 晉級 決賽 新華 新華社 記者 孟永 永民 民攝 關注 體育 瞭解 更多 體壇 資訊
2. load 分詞集
grunt> processed = load'/home/grid/output/sportwords' as (category:chararray, doc:chararray);
3. 隨機 20% 生成 測試集
grunt> test = sample processed 0.2;
4. 生成訓練集
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. 導出測試集和訓練集
grunt> store test into '/home/grid/data/lesson8.2/test';
6. 統計測試集分類
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. 統計訓練集
grunt> train_ct= foreach(group train by category) generate group, COUNT(train.category);
grunt> dump train_ct;
8. 利用樸素貝葉斯分類器,來訓練模型
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. 測試模型
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
14/08/31 23:45:52 INFO bayes.BayesClassifierDriver: ======================================================= Confusion Matrix ------------------------------------------------------- a b c d e f g h i j <--Classified as 190 0 1 1 0 3 0 0 0 0 | 195 a = basketball 0 249 0 0 0 0 1 0 0 0 | 250 b = billiards 0 0 198 0 0 1 0 0 0 0 | 199 c = badminton 0 0 0 224 0 0 0 0 0 0 | 224 d = football 0 0 0 0 190 0 0 0 0 0 | 190 e = volleyball 0 0 0 0 0 181 0 0 0 0 | 181 f = swim 0 1 0 0 0 0 204 0 0 0 | 205 g = pingpong 1 0 0 0 0 0 0 193 0 0 | 194 h = golf 0 0 0 0 0 0 0 0 196 0 | 196 i = f1 0 0 0 0 0 0 1 0 0 206 | 207 j = tennis
10. 用戶瀏覽記錄分詞,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 生成的模型對用戶瀏覽內容進行分類
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