Spark MLlib数据挖掘3--特征提取和转换

Spark MLlib数据挖掘3–特征提取和转换

一、TF-IDF回顾
1.TF-IDF(Term frequency-inverse document frequency )
TF-IDF是文本挖掘中一种广泛使用的特征向量化方法。TF-IDF反映了语料中单词对文档的重要程度。假设单词用t表示，F表示频度，文档用d表示，语料用D表示，那么文档频度DF(t, D)是包含单词t的文档数。
如果仅使用词的频率来衡量重要性，则介词、人称代词等词会对文档的描述产生很重要的作用，而这些词实质上对文档的描述并没有决定性的作用，例如“a”，“the”，“of”，“we”和“I”。因此如果术语在语料库中经常出现，则表示它不包含有关特定文档的特殊信息。

2.公式
逆文档频度(IDF)是单词携带信息量的数值度量。

其中 |D|是语料中的文档总数，DF(t, D)是包含单词t的文档数，文档用d表示，语料用D表示。由于使用了log计算，如果单词在所有文档中出现，那么IDF就等于0。注意这里做了平滑处理(+1操作)，防止单词没有在语料中出现时IDF计算中除0。
TF-IDF度量是TF和IDF的简单相乘：

MLlib中词频统计的实现使用了hashing trick(散列技巧)，也就是使用哈希函数将原始特征映射到一个数字索引。然后基于这个索引来计算词频。

3.在spark 中TF和IDF的实现是HashingTF和IDF。HashingTF以RDD为输入。

import org.apache.spark.rdd.RDD
import org.apache.spark.SparkContext
import org.apache.spark.mllib.feature.HashingTF
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.mllib.feature.IDF

val sc: SparkContext = ...
//读取文档数据保存到RDD：documents中
val documents: RDD[Seq[String]] = sc.textFile("...").map(_.split(" ").toSeq)
val hashingTF = new HashingTF()
//获取文档数据的单词频度矩阵
val tf: RDD[Vector] = hashingTF.transform(documents)
//依据tf计算文档的IDF值
val idf = new IDF().fit(tf)
//依据idf和tf计算文档的tfidf值
val tfidf: RDD[Vector] = idf.transform(tf)

在Spark MLlib中IDF可以设置文档的最低频度，用于过滤少于最小数量的文档中出现的术语，设置参数为minDocFreq。

import org.apache.spark.rdd.RDD
import org.apache.spark.SparkContext
import org.apache.spark.mllib.feature.HashingTF
import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.mllib.feature.IDF

//读取文档数据保存到RDD：documents中
val documents: RDD[Seq[String]] = sc.textFile("...").map(_.split(" ").toSeq)
val hashingTF = new HashingTF()
//获取文档数据的单词频度矩阵
val tf: RDD[Vector] = hashingTF.transform(