分享

使用Spark进行数据挖掘之实现朴素贝叶斯算法

本帖最后由 Oner 于 2017-1-19 14:56 编辑
问题导读:
1.  进行数据挖掘前需要了解哪些Spark基础?
2.  什么是朴素贝叶斯算法?
3.  如何理解“朴素”二字?
4.  如何使用Spark实现朴素贝叶斯算法?


编者按:本文作者汪榕曾写过一篇文章:《以什么姿势进入数据挖掘会少走弯路》,是对想入行大数据的读者的肺腑之言,其中也表达了作者的一些想法,希望大家不要随便去上没有结合业务的收费培训班课程;而后,他有了结合他本人的工作经验,写一系列帮助大家进行实践学习课程文章的想法,InfoQ也觉得这是件非常有意义的事情,特别是对于大数据行业1-3年工作经验的人士,或者是没有相关工作经验但是想入行大数据行业的人。课程的名称是“数据挖掘与数据产品的那些事”,目的是:

1. 引导目标人群正确学习大数据挖掘与数据产品;
2. 协助代码能力薄弱的学习者逐渐掌握大数据核心编码技巧;
3. 帮助目标人群理解大数据挖掘生态圈的数据流程体系;
4. 分享大数据领域实践数据产品与数据挖掘开发案例;
5.交流大数据挖掘从业者职业规划和发展方向。

这系列文章会在InfoQ上形成一个专栏,本文是专栏的第二篇。

第一部分:回顾以前的一篇文章









使用Spark进行数据挖掘前应该搭建环境,可参考《基于Spark的数据挖掘环境搭建》。
下面的实践也主要是基于上述部署的环境来进行开发。

第二部分:初步学习Spark与数据挖掘相关的核心知识点

对于这部分的介绍,不扩展到Spark框架深处,仅仅介绍与大数据挖掘相关的一些核心知识,主要分了以下几个点:

初步了解spark

  • 适用性强:它是一种灵活的框架,可同时进行批处理、 流式计算、 交互式计算。
  • 支持语言:目前spark只支持四种语言,分别为java、python、r和scala。但是个人推荐尽量使用原生态语言scala。毕竟数据分析圈和做数据科学研究的人群蛮多,为了吸引更多人使用spark,所以兼容了常用的R和python。

与MapReduce的差异性

  • 高效性:主要体现在这四个方面,提供Cache机制减少数据读取的IO消耗、DAG引擎减少中间结果到磁盘的开销、使用多线程池模型来减少task启动开销、减少不必要的Sort排序和磁盘IO操作。
  • 代码简洁:解决同一个场景模型,代码总量能够减少2~5倍。从以前使用MapReduce来写模型转换成spark,这点我是切身体会。

理解spark离不开读懂RDD

  • spark2.0虽然已经发测试版本和稳定版本,但是迁移有一定成本和风险,目前很多公司还处于观望阶段。
  • RDD(Resilient Distributed Datasets), 又称弹性分布式数据集。
  • 它是分布在集群中的只读对象集合(由多个Partition构成)。
  • 它可以存储在磁盘或内存中(多种存储级别),也可以从这些渠道来创建。
  • spark运行模式都是通过并行“转换” 操作构造RDD来实现转换和启动。同时RDD失效后会自动重构。

从这几个方面理解RDD的操作
  • Transformation,可通过程序集合、Hadoop数据集、已有的RDD,三种方式创造新的RDD。这些操作都属于Transformation(map, filter, groupBy, reduceBy等)。
  • Action,通过RDD计算得到一个或者一组值。这些操作都属于Action(count, reduce, saveAsTextFile等)。
  • 惰性执行:Transformation只会记录RDD转化关系,并不会触发计算。Action是触发程序执行(分布式) 的算子。
00.jgp.png
            一张图概括RDD

知晓Spark On Yarn的运作模式

除了本地模式的spark程序测试,大部分工作都是基于Yarn去提交spark任务去执行。因此对于提交执行一个spark程序,主要有以下流程的运作模式。(提交任务:bin/spark-submit --master yarn-cluster --class …)
01.jpg
一张图知晓运作模式
懂得spark本地模式和yarn模式的提交方式(不讨论Standalone独立模式)

如果说上述的概念、执行流程和运作方式目的在于给做大数据挖掘的朋友一个印象,让大家不至于盲目、错误的使用spark,从而导致线上操作掉坑。那
最后的本地模式测试和集群任务提交是必须要掌握的知识点。

  • 本地模式(local):单机运行,将Spark应用以多线程方式直接运行在本地,通常只用于测试。我一般都会在windows环境下做充足的测试,无误以后才会打包提交到集群去执行。慎重!
  • YARN/mesos模式:运行在资源管理系统上,对于Yarn存在两种细的模式,yarn-client和yarn-cluster,它们是有区别的。
02.png
一张图知晓yarn-client模式
03.png
一张图知晓yarn-cluster模式
为了安全起见,如果模型结果文件最终都是存于HDFS上的话,都支持使用yarn-cluster模式,即使某一个节点出问题,不影响整个任务的提交和执行。
总结:很多做大数据挖掘的朋友,代码能力和大数据生态圈的技术会是一个软弱,其实这点是很不好的,关键时候容易吃大亏。而我上面所提的,都是围绕着写好一个场景模型,从code实现到上线发布都需要留心的知识点。多一份了解,少一分无知。况且一天谈什么算法模型,落地都成困难,更别提上线以后对模型的参数修改和特征筛选。

第三部分:创作第一个数据挖掘算法(朴素贝叶斯)

看过以前文章的小伙伴都应该知道,在业务层面上,使用场景最多的模型大体归纳为以下四类:
  • 分类模型,去解决有监督性样本学习的分类场景。
  • 聚类模型,去自主判别用户群体之间的相似度。
  • 综合得分模型,去结合特征向量和权重大小计算出评估值。
  • 预测响应模型,去以历为鉴,预测未来。

所以我这里首先以一个简单的分类算法来引导大家去code出算法背后的计算逻辑,让大家知晓这样一个流程。

朴素贝叶斯的实现流程
  • 理解先验概率和后验概率的区别?
    a.先验概率:是指根据以往经验和分析得到的概率。简单来说,就是经验之谈,打趣来说——不听老人言,吃亏在眼前。
    b.后验概率:是指通过调查或其它方式获取新的附加信息,去修正发生的概率。也就是参考的信息量更多、更全。
  • 它们之间的转换,推导出贝叶斯公式

条件概率:
04.jpg

注:公式中P(AB)为事件AB的联合概率,P(A|B)为条件概率,表示在B条件下A的概率,P(B)为事件B的概率。
推导过程:
05.png

将P(AB)带入表达式
贝叶斯公式:
06.png

简单来说,后验概率 = ( 先验概率 * 似然度)/标准化常量。

扩展:
07.png

三、如何去理解朴素二字?

朴素贝叶斯基于一个简单的假定:给定特征向量之间相互条件独立。
朴素体现:
08.png

考虑到P(B1B2...Bn)对于所有类别都是一样的。而对于朴素贝叶斯的分类场景并需要准确得到某种类别的可能性,更多重点在于比较分类结果偏向那种类别的可能性更大。因此从简化度上,还可以对上述表达式进行优化。

简化公式:
09.png
这也是朴素贝叶斯得以推广使用一个原因,一方面降低了计算的复杂度,一方面却没有很大程度上影响分类的准确率。

但客观来说,朴素的假设也是这个算法存在缺陷的一个方面,有利有弊。

四、如何动手实现朴素贝叶斯算法
这里面有很多细节,但是为了迎合文章的主题,不考虑业务,只考虑实现。我们假设已经存在了下面几个东西:
  • 场景就假设为做性别二分类。
  • 假设所有特征向量都考虑完毕,主要有F1、F2、F3和F4四个特征影响判断用户性别。
  • 假设已经拥有训练样本,大约10000个,男性和女性样本各占50%。
  • 假设不考虑交叉验证,不考虑模型准确率,只为了实现分类模型。
  • 这里优先使用80%作为训练样本,20%作为测试样本。
  • 这里不考虑特征的离散化处理
有了上面的前提,接下来的工作就简单多了,大体分为两步,处理训练样本集和计算测试样本数据结果。

第零步:样本数据格式

  1. #ID  F1   F2   F3   F4   CF
  2. 1    1    0    5    1    男
  3. 2    0    1    4    0    女
  4. 3    1    1    3    1    男
复制代码

第一步:处理训练样本集

代码逻辑
  1. def NBmodelformat(rdd:RDD[String],path:String)={
  2.     //定义接口:输入为读取训练样本的RDD,训练样本处理后的输出路径
  3.     val allCompute = rdd.map(_.split("\u0009")).map(record =>
  4.       //SEPARATOR0定义为分隔符,这里为"\u0009"
  5.       {
  6.         var str = ""
  7.         val lengthParm = record.length
  8.         for(i <- 1 until lengthParm) {
  9.           if(i<lengthParm-1){
  10.             //SEPARATOR2定义为分隔符,这里为"_"
  11.             val standKey = "CF"+i+"_"+record(i)+"_"+record(lengthParm-1)
  12.             //对特征与类别的关联值进行计数
  13.             str=str.concat(standKey).concat("\u0009")
  14.           }else{
  15.             //对分类(男/女)进行计数
  16.             val standKey = "CA"+"_"+record(lengthParm-1)
  17.             str=str.concat(standKey).concat("\u0009")
  18.           }
  19.         }
  20.         //对样本总数进行计数
  21.         str.concat("SUM").trim()
  22.       }
  23.     ).flatMap(_.split("\u0009")).map((_,1)).reduceByKey(_+_)
  24.     //本地输出一个文件,保存到本地目录
  25.     allCompute.repartition(1).saveAsTextFile(path)
  26.   }
复制代码

最终得到训练样本结果如下所示:

  1. [lepingwanger@hadoopslave1 model1]$ cat cidmap20161121 |more -3
  2. (CF1_1_男,1212)(CF1_0_女,205)(CF2_0_男,427)
复制代码

第二步:朴素贝叶斯计算逻辑

模型demo
  1. def NBmodels(line:String,cidMap:Map[String,Int]):String={
  2.     val record = line.split("\u0009")
  3.     val manNum = cidMap.get("CA_男").getOrElse(0).toDouble
  4.     val womanNum = cidMap.get("CA_女").getOrElse(0).toDouble
  5.     val sum = cidMap.get("SUM").getOrElse(0).toDouble
  6.     //计算先验概率,这里采取了拉普拉斯平滑处理,解决冷启动问题
  7.     val manRate = (manNum+1)/(sum+2)
  8.     val womanRate = (womanNum+1)/(sum+2)
  9.     var manProbability = 1.0
  10.     var womanProbability = 1.0
  11.     for(i <- 1 until record.length){
  12.       //组合key键
  13.       val womanKey = "CF"+i+"_"+record(i)+"_"+"女"
  14.       val manKey = "CF"+i+"_"+record(i)+"_"+"男"
  15.       val catWoman = "CA"+"_"+"女"
  16.       val catMan = "CA"+"_"+"男"
  17.       //确定特征向量空间的种类,解决冷启动问题
  18.       val num = 3
  19.       //获取训练模型得到的结果值
  20.       val womanValue = (cidMap.get(womanKey).getOrElse(0)+1)/(cidMap.get(catWoman).getOrElse(0)+num)
  21.       val manValue = (cidMap.get(manKey).getOrElse(0)+1)/(cidMap.get(catMan).getOrElse(0)+num)
  22.       manProbability*=manValue
  23.       womanProbability*=womanValue
  24.     }
  25.     val woman=womanProbability*womanRate
  26.     val man=manProbability*manRate
  27.     if(woman>man) "女" else "男"
  28.   }
复制代码

第三步:用测试数据集得到分类结果

驱动模块
  1.   def main(args:Array[String]):Unit={
  2.     val SAMPLEDATA = "file:///E...本地目录1"
  3.     val SAMPLEMODEL = "file:///E...本地目录2"
  4.     val INPUTDATA = "file:///E...本地目录3"
  5.     val RESULTPATH = "file:///E...本地目录4"
  6.     val sc = new SparkContext("local","TestNBModel")
  7.     //删除目录文件
  8.     DealWays(sc,SAMPLEMODEL)
  9.     //读取训练数据SAMPLEDATA,featureNum为特征向量个数
  10.     //首先过滤长度不标准的行
  11.     val NaiveBayesData = sc.textFile(SAMPLEDATA, 1).map(_.trim).filter(line =>Filter(line,6))
  12.     //调用上一步模型
  13.     NBmodelformat(NaiveBayesData,SAMPLEDATA)
  14.     //读取测试模型结果,转换为Map数据结构
  15.     val cidMap = deal(sc,SAMPLEMODEL)
  16.     DealWays(sc,RESULTPATH)
  17.     sc.textFile(INPUTDATA).map(_.trim).filter(line =>Filter(line,7))
  18.       .map(NBmodels(_,cidMap)).saveAsTextFile(RESULTPATH)
  19.     sc.stop()
  20.   }
复制代码

总结:上面主要介绍了三个步骤去编写一个简单的朴素贝叶斯算法demo,还有一些值得优化的点,写法也比较偏命令式编程(告诉计算机你想要做什么事?)。但是目的在于给一些童鞋一个印象,理解上也方便些,清楚如何去落地一个简单的算法,这很重要。

后续系列文章主要有这几个方面:
  • 实现一些常用的算法模型,一切洞察背后的来龙去脉。
  • 结合线上业务场景模型,介绍实际的大数据挖掘流程。
  • 介绍大数据挖掘与数据产品的融合对接。

作者介绍
汪榕,3年场景建模经验,曾累计获得8次数学建模一等奖,包括全国大学生国家一等奖,在国内期刊发表过相关学术研究。两年电商数据挖掘实践,负责开发精准营销产品中的用户标签体系。发表过数据挖掘相关的多篇文章。目前在互联网金融行业从事数据挖掘工作,参与开发反欺诈实时监控系统。

来源:InfoQ

已有(3)人评论

跳转到指定楼层
zmer 发表于 2017-2-20 17:59:47
大牛收关门弟子吗
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

推荐上一条 /2 下一条