mahout自带的例子 -------------------------分类

介绍
这二十个新闻组数据集合是收集大约20,000新闻组文档，均匀的分布在20个不同的集合。这20个新闻组集合采集最近流行的数据集合到文本程序中作为实验，根据机器学习技术。例如文本分类，文本聚集。我们将使用Mahout的Bayes Classifier创造一个模型，它将一个新文档分类到这20个新闻组集合

首要条件
。Mahout已经下载
。Maven是可用的
。已经设置了如下环境变量：
HADOOP_HOME hadoop的安装路径
MAHOUT_HOME mahout的安装路径

安装Mahout
如果已经下载了distribution的Mahout，使用unzip/untar解压，进入解压后的目录，
1.进入trunk目录，编译并且创建hadoop job

Java代码  

1. mvn install  

基于Mahout 0.2+：
1.创建目录并且下载20newsgroup的数据

Java代码  

1. $ mkdir $MAHOUT_HOME/examples/bin/work/  
2. $ cd  $MAHOUT_HOME/examples/bin/work/  

2.下载20news-bydate.tar.gz从[url=20newsgroups dataset]20newsgroups dataset[/url]

3.解压

Java代码  

1. tar zxf 20news-bydate.tar.gz  

4.生成input的数据

Java代码  

1. $> $MAHOUT_HOME/bin/mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \  
2.   -p examples/bin/work/20news-bydate/20news-bydate-train \  
3.   -o examples/bin/work/20news-bydate/bayes-train-input \  
4.   -a org.apache.mahout.vectorizer.DefaultAnalyzer \  
5.   -c UTF-8  

5.生成test的数据

Java代码  

1. $> $MAHOUT_HOME/bin/mahout org.apache.mahout.classifier.bayes.PrepareTwentyNewsgroups \  
2.   -p examples/bin/work/20news-bydate/20news-bydate-test \  
3.   -o examples/bin/work/20news-bydate/bayes-test-input \  
4.   -a org.apache.mahout.vectorizer.DefaultAnalyzer \  
5.   -c UTF-8  

在hadoop集群上运行20newsgroups例子
设置hadoop集群
1.编辑hadoop-site.xml，添加本地设置 Hadoop quickstart

Java代码  

1. emacs $HADOOP_HOME/conf/hadoop-site.xml  

2.格式HDFS

Java代码  

1. $ $HADOOP_HOME/bin/hadoop namenode -format  

3.启动hadoop

Java代码  

1. $ $HADOOP_HOME/bin/start-all.sh  

4.上传文件到HDFS

Java代码  

1. $ $HADOOP_HOME/bin/hadoop dfs -put $MAHOUT_HOME/examples/bin/work/20news-bydate/bayes-train-input 20news-input  

Train贝叶斯分类基于Tri-grams
下面将在hadoop运行4个map reduce工作，为了Train这个分类器并且将运行一段时间如果在只有一个节点的机器上

Java代码  

1. $> $MAHOUT_HOME/bin/mahout trainclassifier \  
2.   -i 20news-input/bayes-train-input \  
3.   -o newsmodel \  
4.   -type bayes \  
5.   -ng 3 \  
6.   -source hdfs  

你可以监控这个job的状态，从Job Tracker的机器上打开浏览器访问：http://localhost:50030/jobtracker.jsp

在input目录运行Test分类器

Java代码  

1. $> $MAHOUT_HOME/bin/mahout testclassifier \  
2.   -m newsmodel \  
3.   -d 20news-input \  
4.   -type bayes \  
5.   -ng 3 \  
6.   -source hdfs \  
7.   -method mapreduce  

输出的结果：
08/11/07 16:52:39 INFO bayes.TestClassifier: Done loading model: # labels: 20
08/11/07 16:52:39 INFO bayes.TestClassifier: Done generating Model
08/11/07 16:52:57 INFO bayes.TestClassifier: alt.atheism96.9962453066333775/799.0
08/11/07 16:53:15 INFO bayes.TestClassifier: comp.graphics99.28057553956835966/973.0
08/11/07 16:53:45 INFO bayes.TestClassifier: comp.os.ms-windows.misc96.95431472081218955/985.0
08/11/07 16:53:59 INFO bayes.TestClassifier: comp.sys.ibm.pc.hardware99.59266802443992978/982.0
08/11/07 16:54:10 INFO bayes.TestClassifier: comp.sys.mac.hardware99.47970863683663956/961.0
08/11/07 16:54:28 INFO bayes.TestClassifier: comp.windows.x99.59183673469387976/980.0
08/11/07 16:54:38 INFO bayes.TestClassifier: misc.forsale98.45679012345678957/972.0
08/11/07 16:54:50 INFO bayes.TestClassifier: rec.autos99.4949494949495985/990.0
08/11/07 16:55:04 INFO bayes.TestClassifier: rec.motorcycles100.0994/994.0
08/11/07 16:55:16 INFO bayes.TestClassifier: rec.sport.baseball99.89939637826961993/994.0
08/11/07 16:55:36 INFO bayes.TestClassifier: rec.sport.hockey99.89989989989989998/999.0
08/11/07 16:55:54 INFO bayes.TestClassifier: sci.crypt99.39455095862765985/991.0
08/11/07 16:56:05 INFO bayes.TestClassifier: sci.electronics98.98063200815494971/981.0
08/11/07 16:56:27 INFO bayes.TestClassifier: sci.med99.79797979797979988/990.0
08/11/07 16:56:44 INFO bayes.TestClassifier: sci.space99.3920972644377981/987.0
08/11/07 16:57:06 INFO bayes.TestClassifier: soc.religion.christian99.49849548645938992/997.0
08/11/07 16:57:24 INFO bayes.TestClassifier: talk.politics.guns99.45054945054945905/910.0
08/11/07 16:57:51 INFO bayes.TestClassifier: talk.politics.mideast98.82978723404256929/940.0
08/11/07 16:58:13 INFO bayes.TestClassifier: talk.politics.misc89.93548387096774697/775.0
08/11/07 16:58:25 INFO bayes.TestClassifier: talk.religion.misc61.78343949044586388/628.0
08/11/07 16:58:25 INFO bayes.TestClassifier: =======================================================
Summary
-------------------------------------------------------
Correctly Classified Instances          :      18369   97.5621%
Incorrectly Classified Instances        :        459    2.4379%
Total Classified Instances              :      18828

=======================================================
Confusion Matrix
-------------------------------------------------------
a    b    c    d    e    f    g    h    i    j    k    l    m    n    o    p    q    r    s    t    <--Classified as
994  0    0    0    0    0    0    0    0    0    0    0    0    0    0    0    0    0    0    0     |  994   a     = rec.motorcycles
0    976  0    0    0    0    0    0    0    0    1    0    0    0    0    0    0    0    2    1     |  980   b     = comp.windows.x
7    0    929  1    0    0    0    0    0    0    0    0    1    0    2    0    0    0    0    0     |  940   c     = talk.politics.mideast
0    0    0    905  0    0    1    0    0    0    0    0    0    0    0    0    3    0    1    0     |  910   d     = talk.politics.guns
4    1    4    27   388  1    0    1    0    5    1    1    2    2    149  7    2    33   0    0     |  628   e     = talk.religion.misc
3    0    0    0    0    985  0    1    0    0    0    0    0    1    0    0    0    0    0    0     |  990   f     = rec.autos
0    0    0    0    0    0    993  1    0    0    0    0    0    0    0    0    0    0    0    0     |  994   g     = rec.sport.baseball
0    0    0    0    0    0    1    998  0    0    0    0    0    0    0    0    0    0    0    0     |  999   h     = rec.sport.hockey
0    0    0    0    0    0    0    0    956  0    2    0    0    0    0    0    0    0    2    1     |  961   i     = comp.sys.mac.hardware
0    0    0    0    0    0    0    0    0    981  0    0    5    0    0    1    0    0    0    0     |  987   j     = sci.space
0    0    0    0    0    0    0    0    0    0    978  0    1    0    0    0    0    0    2    1     |  982   k     = comp.sys.ibm.pc.hardware
1    0    3    36   0    1    2    1    0    5    0    697  4    0    3    3    19   0    0    0     |  775   l     = talk.politics.misc
0    2    0    0    0    0    0    0    0    0    2    0    966  0    0    0    0    0    2    1     |  973   m     = comp.graphics
1    0    0    0    0    0    0    0    0    0    6    0    0    971  0    0    0    0    3    0     |  981   n     = sci.electronics
1    0    0    0    0    0    0    0    1    0    0    0    0    0    992  1    0    1    0    1     |  997   o     = soc.religion.christian
0    0    0    0    0    0    0    0    0    0    1    0    0    0    0    988  0    0    0    1     |  990   p     = sci.med
0    0    0    2    0    0    0    0    0    0    0    0    2    1    0    0    985  0    1    0     |  991   q     = sci.crypt
0    0    0    1    1    0    0    0    0    1    0    0    1    0    19   0    1    775  0    0     |  799   r     = alt.atheism
1    0    0    0    0    3    1    2    0    0    3    0    0    5    0    0    0    0    957  0     |  972   s     = misc.forsale
0    0    0    8    0    0    0    0    0    0    6    0    6    0    0    0    0    0    10   955   |  985   t     = comp.os.ms-windows.misc


附加的Naive Bayes
Train一个CBayes分类器使用bi-grams

Java代码  

1. $> $MAHOUT_HOME/bin/mahout trainclassifier \  
2.   -i 20news-input \  
3.   -o newsmodel \  
4.   -type cbayes \  
5.   -ng 2 \  
6.   -source hdfs  

Test一个CBayes分类器使用bi-grams

Java代码  

1. $> $MAHOUT_HOME/bin/mahout testclassifier \  
2.   -m newsmodel \  
3.   -d 20news-input \  
4.   -type cbayes \  
5.   -ng 2 \  
6.   -source hdfs \  
7.   -method mapreduce