1

我正在尝试使用 Mahout 训练朴素贝叶斯分类器。

我不太清楚的第一件事是我的训练数据应该是什么样子。我的数据集包含一个意见，如果它是正面的还是负面的（1 表示正面，-1 表示负面。）根据我从 Mahout in Action 书中关于分类的章节中的理解，我已经像这样设置了我的训练数据：

 1   'Content of positive opinion'
-1   'Content of negative opinion'

我已使用 seqdirectory 将此数据转换为序列文件，并使用以下命令训练分类器：

$MAHOUT_HOME/bin/mahout trainnb -i seq_data/chunk-0 -o bmodel -ow

输出此错误：

Exception in thread "main" java.io.FileNotFoundException: File temp/labelIndex does not exist.

查看 trainnb 接受的选项，我看到了 --labelIndex 选项。我不确定这是做什么的，我可以对此进行一些澄清。

然后我像这样运行命令（其中 lindex 是我创建的文件）：

$MAHOUT_HOME/bin/mahout trainnb -i seq_data/chunk-0 -o bmodel -ow -li lindex

输出此错误：

java.lang.ClassCastException: org.apache.hadoop.io.Text cannot be cast to org.apache.mahout.math.VectorWritable
    at org.apache.mahout.classifier.naivebayes.training.IndexInstancesMapper.map(IndexInstancesMapper.java:29)
    at org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:144)
    at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:764)
    at org.apache.hadoop.mapred.MapTask.run(MapTask.java:370)
    at org.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:212)

如果我的方法不正确，我想知道我在这里做错了什么。我应该如何构建训练数据并运行命令？

4

1 回答 1

0

这是关于什么是序列文件的 Hadoop 文档（链接）

因此，从您的错误来看，trainnb 步骤似乎需要 VectorWritable 而不是 Text。

seqdirectory步骤似乎以 Text、Text 形式生成数据。我相信你必须在你的序列文件上运行seq2sparse命令来生成 TF 或 TF-IDF 加权向量。

此链接通过一个示例介绍如何进行文本分析。可能值得一看。

于 2012-07-23T08:41:39.890 回答