垃圾评论分类

一、数据特征准备

1选取汉语词典（包含常用词，姓名等） -> one hot 向量
2选取停用词词典 ->去除停用词的影响
3选取同义词词典 ->增加表达多词同意的能力
4选取比较长的固定搭配词典，比如成语，乐队名字等，增加分词正确率

通过以上词典将每一句评论转换成one hot 向量，作为训练数据与测试验证数据集

二、spark 训练
使用spark的朴素贝叶斯训练数据

import sparl.mllib.classification.NaiveBayes
NBmodel = NaiveBayes.train(train_data)

三、在测试集上预测

result = NBmodel.predict(test_data)

四、评估模型

非垃圾评论	被识别为非垃圾	被识别为垃圾
35000	34800	200

垃圾评论	被识别为垃圾	被识别为非垃圾
10000	8300	1700

非垃圾识别精准率：

P=3480035000