2

我正在尝试实现一个非常简单的 ML 学习问题,我使用文本来预测一些结果。在 R 中,一些基本示例是:

导入一些虚假但有趣的文本数据

library(caret)
library(dplyr)
library(text2vec)

dataframe <- data_frame(id = c(1,2,3,4),
                        text = c("this is a this", "this is 
                        another",'hello','what???'),
                        value = c(200,400,120,300),
                        output = c('win', 'lose','win','lose'))

> dataframe
# A tibble: 4 x 4
     id            text value output
  <dbl>           <chr> <dbl>  <chr>
1     1  this is a this   200    win
2     2 this is another   400   lose
3     3           hello   120    win
4     4         what???   300   lose

用于text2vec获取我的文本的稀疏矩阵表示(另请参见https://github.com/dselivanov/text2vec/blob/master/vignettes/text-vectorization.Rmd

#these are text2vec functions to tokenize and lowercase the text
prep_fun = tolower
tok_fun = word_tokenizer 

#create the tokens
train_tokens = dataframe$text %>% 
  prep_fun %>% 
  tok_fun

it_train = itoken(train_tokens)     
vocab = create_vocabulary(it_train)
vectorizer = vocab_vectorizer(vocab)
dtm_train = create_dtm(it_train, vectorizer)

> dtm_train
4 x 6 sparse Matrix of class "dgCMatrix"
  what hello another a is this
1    .     .       . 1  1    2
2    .     .       1 .  1    1
3    .     1       . .  .    .
4    1     .       . .  .    .

最后,训练算法(例如,使用)以使用我的稀疏矩阵caret进行预测。output

mymodel <- train(x=dtm_train, y =dataframe$output, method="xgbTree")

> confusionMatrix(mymodel)
Bootstrapped (25 reps) Confusion Matrix 

(entries are percentual average cell counts across resamples)

          Reference
Prediction lose  win
      lose 17.6 44.1
      win  29.4  8.8

 Accuracy (average) : 0.264

我的问题是:

我看到了如何将数据导入 到h20usingspark_read_csv和. 但是,对于上面的第 2 点和第 3 点,我完全迷失了。rsparklingas_h2o_frame

有人可以给我一些提示或告诉我这种方法是否可行h2o

非常感谢!!

4

1 回答 1

1

您可以通过以下两种方式解决这个问题——1.首先在 R 中,然后移至 H2O 进行建模,或者 2.使用 H2O 的 word2vec 实现完全在 H2O 中。

使用 R data.frames 和text2vec,然后将稀疏矩阵转换为 H2O 框架并在 H2O 中进行建模。

 # Use same code as above to get to this point, then:

 # Convert dgCMatrix to H2OFrame, cbind the response col
 train <- as.h2o(dtm_train)
 train$y <- as.h2o(dataframe$output)

 # Train any H2O model (e.g GBM)
 mymodel <- h2o.gbm(y = "y", training_frame = train,
                   distribution = "bernoulli", seed = 1)

或者您可以在 H2O 中训练 word2vec 嵌入,将其应用于您的文本以获得等效的稀疏矩阵。然后训练一个 H2O 机器学习模型 (GBM)。稍后我将尝试使用您的数据使用工作示例编辑此答案,但与此同时,这里有一个示例演示了在 R 中使用 H2O 的 word2vec 功能。

于 2017-06-15T06:25:22.790 回答