如何在Apache Mahout中对数字数据进行分类？

Question

我有一个格式为class, unigram count, bigram count, sentiment的数字数据集class, unigram count, bigram count, sentiment 。 我浏览了一些Apache Mahout文档，而这些文档都是关于文本数据的。 我知道我需要执行3个步骤进行分类：转换为序列文件，对序列文件进行矢量化，将其传递给Naive Bayes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字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？ 我将不胜感激任何帮助。

Answer 1

如您所知，mahout无法使用文本数据来训练模型。 如果从数字数据集开始，则分类将更加容易，因为mahout处理的向量是数字数据向量。

我在文本数据集上使用了mahout，我知道在那种情况下，我必须使用dictionnary将文本数据转换为数字数据。 一些算法比其他算法处理得更好（例如，朴素贝叶斯（Naive Bayes）强烈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，例如随机阿甘或在线逻辑回归来获得更有效的结果。 以我的经验，使用随机forrest，您可以定义拥有的要素类型（在您的情况下，所有要素都是数字），因此可以很容易地进行分类。 如果您想坚持使用朴素贝叶斯（Naive Bayes），我相信仍然可以对您的数值数据集进行分类，但是我从未使用过它，因此无法提供更多帮助。