Sto usando il classificatore multinomiale NaiveBayes in Apache Spark ML (versione 2.1.0) per prevedere alcune categorie di testo.
Il problema è come convertire l'etichetta di previsione (0.0, 1.0, 2.0) nella stringa senza DataFrame addestrato.
So che IndexToString può essere usato ma è utile solo se l'allenamento e la previsione sono entrambi allo stesso tempo. Ma, nel mio caso, il suo lavoro indipendente.
il codice sembra come
1) TrainingModel.scala: forma il modello e salva il modello nel file.
2) CategoryPrediction.scala: carica il modello addestrato dal file e fa la previsione sui dati di test.
Si prega di suggerire la soluzione:
TrainingModel.scala
val trainData: Dataset[LabeledRecord] = spark.read.option("inferSchema", "false")
.schema(schema).csv("trainingdata1.csv").as[LabeledRecord]
val labelIndexer = new StringIndexer().setInputCol("category").setOutputCol("label").fit(trainData).setHandleInvalid("skip")
val tokenizer = new RegexTokenizer().setInputCol("text").setOutputCol("words")
val hashingTF = new HashingTF()
.setInputCol("words")
.setOutputCol("features")
.setNumFeatures(1000)
val rf = new NaiveBayes().setLabelCol("label").setFeaturesCol("features").setModelType("multinomial")
val pipeline = new Pipeline().setStages(Array(tokenizer, hashingTF, labelIndexer, rf))
val model = pipeline.fit(trainData)
model.write.overwrite().save("naivebayesmodel");
CategoryPrediction.scala
val testData: Dataset[PredictLabeledRecord] = spark.read.option("inferSchema", "false")
.schema(predictSchema).csv("testingdata.csv").as[PredictLabeledRecord]
val model = PipelineModel.load("naivebayesmodel")
val predictions = model.transform(testData)
// val labelConverter = new IndexToString()
// .setInputCol("prediction")
// .setOutputCol("predictedLabelString")
// .setLabels(trainDataFrameIndexer.labels)
predictions.select("prediction", "text").show(false)
trainingdata1.csv
category,text
Drama,"a b c d e spark"
Action,"b d"
Horror,"spark f g h"
Thriller,"hadoop mapreduce"
testingdata.csv
text
"a b c d e spark"
"spark f g h"
risposte:
1 per risposta № 1Aggiungi un convertitore che tradurrà le categorie di previsione nelle tue etichette nella tua pipeline, qualcosa del genere:
val categoryConverter = new IndexToString()
.setInputCol("prediction")
.setOutputCol("category")
.setLabels(labelIndexer.labels)
val pipeline = new Pipeline().setStages(Array(tokenizer, hashingTF, labelIndexer, rf, categoryConverter))
Questo prenderà la previsione e la riconvertirà in un'etichetta usando labelIndexer.