如何在 Apache Mahout 中对数值数据进行分类？

Question

我有一个格式为class, unigram count, bigram count, sentiment 的数字数据集。我浏览了一些 Apache Mahout 文档，它们都是关于文本数据的。我知道我需要执行 3 个步骤来分类：转换为序列文件、向量化序列文件、传递它以训练朴素贝叶斯分类器。但是我很难理解在 Mahout 中对文本数据集进行分类与对数值数据集进行分类之间的区别。在我的情况下，我需要做些什么不同的事情？我将不胜感激。

Answer 1

您可能知道，mahout 不能使用文本数据来训练模型。如果从数值数据集开始，分类会更容易，因为 mahout 处理的向量是数值数据向量。

我在文本数据集上使用了 mahout，我知道在这种情况下，我必须使用字典将文本数据转换为数字数据。有些算法比其他算法处理得更好（例如，朴素贝叶斯非常喜欢类似文本的数据）。

因此，在您的情况下，请尝试使用其他分类器，例如随机 forrest 或在线逻辑回归，以获得更有效的结果。以我的经验，使用随机福雷斯特，您可以定义您拥有的特征类型（在您的情况下，您的所有特征都是数字的），因此分类可以很容易地完成。如果您想坚持使用朴素贝叶斯，我相信仍然可以对您的数值数据集进行分类，但我从未使用过它，因此无法提供更多帮助。