SparkML机器学习之特征工程（一）特征提取（TF-IDF、Word2Vec、CountVectorizer）
特征工程 我们都知道特征工程在机器学习中是很重要的，然而特征工程到底是什么？怎么样通俗的理解它呢？打个比方，即使你有再好的渔具，如果给你一片没有鱼的池塘，那也是白费力气的。而特征工程就是找有鱼的那片水域。所以我们可以这么理解，特征是数据中抽取出来的对结果预测有用的信息（水域），而特征工程就是使用专业知识来处理数据，筛选出具有价值的特征（从100个水域中挑选出鱼最多最好的水域）。所以有句话是这么说的：算法再牛逼，其上限也是由特征工程决定的，就像你渔具再好，捕鱼多少也是由水域这个特征决定的。在SparkML中、对于特征工程的操作主要分为特征提取，特征转化、特征选择。 特征提取 从原始数据中提取特征 TF-IDF (Term frequency-inverse document frequency) TF-IDF称为词频-逆文件频率，先搞清楚它有什么作用吧！很经典的一个问题，如何得到一篇文章的关键词？？大家都能想到，看看这篇文章什么词出现最多！思路是没问题，但是，一篇文章，出现最多的，应该都是诸如“的”之类的停用词吧？这就没意义了啊！那就把这些停用词过滤掉呗，这样还是会出问题。比如一篇文章，叫做中国功夫，中国和功夫出现了同样多次数，可是显而易见，该文重点应该是功夫。而出现问题的原因，是因为中国是个热门词。这让我想到我曾写过的基于物品的协同过滤算法，也是要将热门物品做一个惩罚，否则会导致推荐不精确。TF-IDF完美的解决了这个问题，TF-IDF作用就是体现一个文档中词语重要程度。TF是某个词或短语在一篇文章中出现的频率。而IDF，就是一种对热门词语的惩罚，对于较热门词语比如"中国"会给予较小的权重，较少见的词“功夫”给予较大的权重。至于如何判断它是否为热门词，则通过该词在整个语料库的出现次数决定。比如中国这个词，语料库一共1000篇文章他就出现了100次，自然为热门词，而功夫，1000篇文章只有1篇出现了，那就为冷门词了。 package ml.test import org.apache.spark.ml.feature.{HashingTF, IDF, Tokenizer} import org.apache.spark.sql.SparkSession /** * Created by LYL on 2018/4/4. */ object TFDemo { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("TF-IDF Demo").master("local").getOrCreate() val sentenceData = spark.createDataFrame(Seq( (0.0, "china kungfu kungfu is good"), (1.0, "I lova china"), (2.0, "I love china shenzhen") )).toDF("label", "sentence") //Tokenizer分词器 将句子分成单词 val tokenizer = new Tokenizer().setInputCol("sentence").setOutputCol("words") val wordsData = tokenizer.transform(sentenceData) //将每个词转换成Int型，并计算其在文档中的词频（TF） //setNumFeatures(200)表示将Hash分桶的数量设置为200个,可以根据你的词语数量来调整,一般来说，这个值越大不同的词被计算为一个Hash值的概率就越小，数据也更准确，但需要消耗更大的内存 val hashingTF = new HashingTF().setInputCol("words").setOutputCol("TF Features").setNumFeatures(200) val featurizedData = hashingTF.transform(wordsData) //计算IDF val idf = new IDF().setInputCol("TF Features").setOutputCol("TF-IDF features") val idfModel = idf.fit(featurizedData) val rescaledData = idfModel.transform(featurizedData) rescaledData.select("words","TF Features","TF-IDF features")show(false) } } 输出结果为：由于china在三个文档中都出现了，所以TF-IDF=0.0，而kungfu只在第一个文档出现（说明是冷门词），却是第一个文档中出现次数最多的，因此计算出来的TF-IDF=1.3862943611198906也是最高的 +---------------------------------+----------------------------------------+---------------------------------------------------------------------------------------+ |words |TF Features |TF-IDF features | +---------------------------------+----------------------------------------+---------------------------------------------------------------------------------------+ |[china, kungfu, kungfu, is, good]|(200,[81,168,169,198],[1.0,1.0,1.0,2.0])|(200,[81,168,169,198],[0.6931471805599453,0.28768207245178085,0.0,1.3862943611198906]) | |[i, lova, china] |(200,[91,129,169],[1.0,1.0,1.0]) |(200,[91,129,169],[0.6931471805599453,0.28768207245178085,0.0]) | |[i, love, china, shenzhen] |(200,[40,129,168,169],[1.0,1.0,1.0,1.0])|(200,[40,129,168,169],[0.6931471805599453,0.28768207245178085,0.28768207245178085,0.0])| +---------------------------------+----------------------------------------+---------------------------------------------------------------------------------------+ Word2Vec word2vec是用一个向量去表示一个对象（因为计算机是无法识别对象实体的），对象可以是单词，句子，文章，用户等等。然后基于向量相似度去计算对象的相似度，找到相关的对象，发现相关关系，可以用来做分类、聚类、也可以做词的相似度计算。应用非常广泛，比如：相关词（搜索乔布斯会出来苹果），补全句子中缺失的单词，推荐系统，分析用户关系等等。 object Word2VecDemo { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().master("local[2]").appName("Word2VecDemo").getOrCreate() val documentDF = spark.createDataFrame(Seq( "Hi I love Spark".split(" "), "Hi I love java".split(" "), "Logistic regression models are neat".split(" ") ).map(Tuple1.apply)).toDF("text") // setVectorSize 目标数值向量的维度大小 setMinCount 只有当某个词出现的次数大于或者等于 minCount 时，才会被包含到词汇表里，否则会被忽略掉 val word2Vec = new Word2Vec() .setInputCol("text") .setOutputCol("result") .setVectorSize(3) .setMinCount(0) val model = word2Vec.fit(documentDF) //利用Word2VecModel把文档转变成特征向量。 val result = model.transform(documentDF) result.show(false) } } 输出结果为： +-----------------------------------------+-------------------------------------------------------------------+ |text |result | +-----------------------------------------+-------------------------------------------------------------------+ |[Hi, I, love, Spark] |[-0.03605498746037483,-0.02823249064385891,0.06127407215535641] | |[Hi, I, love, java] |[-0.046827200800180435,-0.052235052920877934,0.0025074686855077744]| |[Logistic, regression, models, are, neat]|[0.04324783757328987,0.030185341089963916,-5.047338083386422E-4] | +-----------------------------------------+-------------------------------------------------------------------+ CountVectorizer 由于计算机是不能识别单词的，所以我们要把它转为向量。Countvectorizer和Countvectorizermodel旨在通过计数来将一个文档转换为向量。 object CountVectorizerDemo { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().master("local[2]").getOrCreate() val dataFrame = spark.createDataFrame(Seq( (0, Array("a", "b","b","c","d","d")), (1, Array("a","c","b" )) )).toDF("id", "words") //setVocabSize设定词汇表的最大容量为3，setMinDF设定词汇表中的词至少要在2个文档中出现过。 //如果setMinDF=2 那么就不会出现d(只在一个文档存在)了。 val cv = new CountVectorizer().setVocabSize(3).setMinDF(2).setInputCol("words").setOutputCol("features") //如果setVocabSize=2 那么就不会出现a,c(次数少)了。 val cv1 = new CountVectorizer().setVocabSize(2).setInputCol("words").setOutputCol("features") val cvModel = cv.fit(dataFrame) val cvModel1 = cv1.fit(dataFrame) cvModel.transform(dataFrame).show(truncate = false) cvModel1.transform(dataFrame).show(truncate = false) } } 输出结果为： //3代表词汇表的容量，[0,1,2]分别对应b,a,c,[2.0,1.0,1.0]代表出现次数 +---+------------------+-------------------------+ |id |words |features | +---+------------------+-------------------------+ |0 |[a, b, b, c, d, d]|(3,[0,1,2],[2.0,1.0,1.0])| |1 |[a, c, b] |(3,[0,1,2],[1.0,1.0,1.0])| +---+------------------+-------------------------+ +---+------------------+-------------------+ |id |words |features | +---+------------------+-------------------+ |0 |[a, b, b, c, d, d]|(2,[0,1],[2.0,2.0])| |1 |[a, c, b] |(2,[0],[1.0]) | +---+------------------+-------------------+
