使用Spark进行数据挖掘之实现朴素贝叶斯算法

本帖最后由 Oner 于 2017-1-19 14:56 编辑

问题导读：

1. 进行数据挖掘前需要了解哪些Spark基础？

2. 什么是朴素贝叶斯算法？

3. 如何理解“朴素”二字？

4. 如何使用Spark实现朴素贝叶斯算法？

编者按：本文作者汪榕曾写过一篇文章：《以什么姿势进入数据挖掘会少走弯路》，是对想入行大数据的读者的肺腑之言，其中也表达了作者的一些想法，希望大家不要随便去上没有结合业务的收费培训班课程；而后，他有了结合他本人的工作经验，写一系列帮助大家进行实践学习课程文章的想法，InfoQ也觉得这是件非常有意义的事情，特别是对于大数据行业1-3年工作经验的人士，或者是没有相关工作经验但是想入行大数据行业的人。课程的名称是“数据挖掘与数据产品的那些事”，目的是：

1. 引导目标人群正确学习大数据挖掘与数据产品；

2. 协助代码能力薄弱的学习者逐渐掌握大数据核心编码技巧；

3. 帮助目标人群理解大数据挖掘生态圈的数据流程体系；

4. 分享大数据领域实践数据产品与数据挖掘开发案例；

5.交流大数据挖掘从业者职业规划和发展方向。

这系列文章会在InfoQ上形成一个专栏，本文是专栏的第二篇。

第一部分：回顾以前的一篇文章

使用Spark进行数据挖掘前应该搭建环境，可参考《基于Spark的数据挖掘环境搭建》。

下面的实践也主要是基于上述部署的环境来进行开发。

第二部分：初步学习Spark与数据挖掘相关的核心知识点

对于这部分的介绍，不扩展到Spark框架深处，仅仅介绍与大数据挖掘相关的一些核心知识，主要分了以下几个点：

初步了解spark

适用性强：它是一种灵活的框架，可同时进行批处理、流式计算、交互式计算。
支持语言：目前spark只支持四种语言，分别为java、python、r和scala。但是个人推荐尽量使用原生态语言scala。毕竟数据分析圈和做数据科学研究的人群蛮多，为了吸引更多人使用spark，所以兼容了常用的R和python。

与MapReduce的差异性

高效性：主要体现在这四个方面，提供Cache机制减少数据读取的IO消耗、DAG引擎减少中间结果到磁盘的开销、使用多线程池模型来减少task启动开销、减少不必要的Sort排序和磁盘IO操作。
代码简洁：解决同一个场景模型，代码总量能够减少2~5倍。从以前使用MapReduce来写模型转换成spark，这点我是切身体会。

理解spark离不开读懂RDD

spark2.0虽然已经发测试版本和稳定版本，但是迁移有一定成本和风险，目前很多公司还处于观望阶段。
RDD（Resilient Distributed Datasets），又称弹性分布式数据集。
它是分布在集群中的只读对象集合（由多个Partition构成）。
它可以存储在磁盘或内存中（多种存储级别），也可以从这些渠道来创建。
spark运行模式都是通过并行“转换” 操作构造RDD来实现转换和启动。同时RDD失效后会自动重构。

从这几个方面理解RDD的操作

Transformation，可通过程序集合、Hadoop数据集、已有的RDD，三种方式创造新的RDD。这些操作都属于Transformation（map， filter， groupBy， reduceBy等）。
Action，通过RDD计算得到一个或者一组值。这些操作都属于Action（count， reduce， saveAsTextFile等）。
惰性执行：Transformation只会记录RDD转化关系，并不会触发计算。Action是触发程序执行（分布式）的算子。

一张图概括RDD

知晓Spark On Yarn的运作模式

除了本地模式的spark程序测试，大部分工作都是基于Yarn去提交spark任务去执行。因此对于提交执行一个spark程序，主要有以下流程的运作模式。（提交任务：bin/spark-submit --master yarn-cluster --class …）

一张图知晓运作模式

懂得spark本地模式和yarn模式的提交方式（不讨论Standalone独立模式）

如果说上述的概念、执行流程和运作方式目的在于给做大数据挖掘的朋友一个印象，让大家不至于盲目、错误的使用spark，从而导致线上操作掉坑。那

最后的本地模式测试和集群任务提交是必须要掌握的知识点。

本地模式（local）：单机运行，将Spark应用以多线程方式直接运行在本地，通常只用于测试。我一般都会在windows环境下做充足的测试，无误以后才会打包提交到集群去执行。慎重！
YARN/mesos模式：运行在资源管理系统上，对于Yarn存在两种细的模式，yarn-client和yarn-cluster，它们是有区别的。

一张图知晓yarn-client模式

一张图知晓yarn-cluster模式

为了安全起见，如果模型结果文件最终都是存于HDFS上的话，都支持使用yarn-cluster模式，即使某一个节点出问题，不影响整个任务的提交和执行。

总结：很多做大数据挖掘的朋友，代码能力和大数据生态圈的技术会是一个软弱，其实这点是很不好的，关键时候容易吃大亏。而我上面所提的，都是围绕着写好一个场景模型，从code实现到上线发布都需要留心的知识点。多一份了解，少一分无知。况且一天谈什么算法模型，落地都成困难，更别提上线以后对模型的参数修改和特征筛选。

第三部分：创作第一个数据挖掘算法（朴素贝叶斯）

看过以前文章的小伙伴都应该知道，在业务层面上，使用场景最多的模型大体归纳为以下四类：

分类模型，去解决有监督性样本学习的分类场景。
聚类模型，去自主判别用户群体之间的相似度。
综合得分模型，去结合特征向量和权重大小计算出评估值。
预测响应模型，去以历为鉴，预测未来。

所以我这里首先以一个简单的分类算法来引导大家去code出算法背后的计算逻辑，让大家知晓这样一个流程。

朴素贝叶斯的实现流程

理解先验概率和后验概率的区别？
a.先验概率：是指根据以往经验和分析得到的概率。简单来说，就是经验之谈，打趣来说——不听老人言，吃亏在眼前。
b.后验概率：是指通过调查或其它方式获取新的附加信息，去修正发生的概率。也就是参考的信息量更多、更全。
它们之间的转换，推导出贝叶斯公式

条件概率:

注：公式中P(AB)为事件AB的联合概率，P(A|B)为条件概率，表示在B条件下A的概率，P(B)为事件B的概率。

推导过程:

将P(AB)带入表达式

贝叶斯公式:

简单来说，后验概率 = ( 先验概率 * 似然度)/标准化常量。

扩展:

三、如何去理解朴素二字？

朴素贝叶斯基于一个简单的假定：给定特征向量之间相互条件独立。

朴素体现:

考虑到P(B1B2...Bn)对于所有类别都是一样的。而对于朴素贝叶斯的分类场景并需要准确得到某种类别的可能性，更多重点在于比较分类结果偏向那种类别的可能性更大。因此从简化度上，还可以对上述表达式进行优化。

简化公式:

这也是朴素贝叶斯得以推广使用一个原因，一方面降低了计算的复杂度，一方面却没有很大程度上影响分类的准确率。

但客观来说，朴素的假设也是这个算法存在缺陷的一个方面，有利有弊。

四、如何动手实现朴素贝叶斯算法

这里面有很多细节，但是为了迎合文章的主题，不考虑业务，只考虑实现。我们假设已经存在了下面几个东西：

场景就假设为做性别二分类。
假设所有特征向量都考虑完毕，主要有F1、F2、F3和F4四个特征影响判断用户性别。
假设已经拥有训练样本，大约10000个，男性和女性样本各占50%。
假设不考虑交叉验证，不考虑模型准确率，只为了实现分类模型。
这里优先使用80%作为训练样本，20%作为测试样本。
这里不考虑特征的离散化处理

有了上面的前提，接下来的工作就简单多了，大体分为两步，处理训练样本集和计算测试样本数据结果。

第零步：样本数据格式

#ID  F1   F2   F3   F4   CF
1    1    0    5    1    男
2    0    1    4    0    女
3    1    1    3    1    男
复制代码

第一步：处理训练样本集

代码逻辑

def NBmodelformat(rdd:RDD[String],path:String)={
    //定义接口:输入为读取训练样本的RDD,训练样本处理后的输出路径
    val allCompute = rdd.map(_.split("\u0009")).map(record =>
      //SEPARATOR0定义为分隔符,这里为"\u0009"
      {
        var str = ""
        val lengthParm = record.length
        for(i <- 1 until lengthParm) {
          if(i<lengthParm-1){
            //SEPARATOR2定义为分隔符,这里为"_"
            val standKey = "CF"+i+"_"+record(i)+"_"+record(lengthParm-1)
            //对特征与类别的关联值进行计数
            str=str.concat(standKey).concat("\u0009")
          }else{
            //对分类(男/女)进行计数
            val standKey = "CA"+"_"+record(lengthParm-1)
            str=str.concat(standKey).concat("\u0009")
          }
        }
        //对样本总数进行计数
        str.concat("SUM").trim()
      }
    ).flatMap(_.split("\u0009")).map((_,1)).reduceByKey(_+_)
    //本地输出一个文件，保存到本地目录
    allCompute.repartition(1).saveAsTextFile(path)
  }
复制代码

最终得到训练样本结果如下所示：

[lepingwanger@hadoopslave1 model1]$ cat cidmap20161121 |more -3
(CF1_1_男,1212)(CF1_0_女,205)(CF2_0_男,427)
复制代码

第二步：朴素贝叶斯计算逻辑

模型demo

def NBmodels(line:String,cidMap:Map[String,Int]):String={
    val record = line.split("\u0009")
    val manNum = cidMap.get("CA_男").getOrElse(0).toDouble
    val womanNum = cidMap.get("CA_女").getOrElse(0).toDouble
    val sum = cidMap.get("SUM").getOrElse(0).toDouble
    //计算先验概率,这里采取了拉普拉斯平滑处理,解决冷启动问题
    val manRate = (manNum+1)/(sum+2)
    val womanRate = (womanNum+1)/(sum+2)
    var manProbability = 1.0
    var womanProbability = 1.0
    for(i <- 1 until record.length){
      //组合key键
      val womanKey = "CF"+i+"_"+record(i)+"_"+"女"
      val manKey = "CF"+i+"_"+record(i)+"_"+"男"
      val catWoman = "CA"+"_"+"女"
      val catMan = "CA"+"_"+"男"
      //确定特征向量空间的种类,解决冷启动问题
      val num = 3
      //获取训练模型得到的结果值
      val womanValue = (cidMap.get(womanKey).getOrElse(0)+1)/(cidMap.get(catWoman).getOrElse(0)+num)
      val manValue = (cidMap.get(manKey).getOrElse(0)+1)/(cidMap.get(catMan).getOrElse(0)+num)
      manProbability*=manValue
      womanProbability*=womanValue
    }
    val woman=womanProbability*womanRate
    val man=manProbability*manRate
    if(woman>man) "女" else "男"
  }
复制代码

第三步：用测试数据集得到分类结果

驱动模块

  def main(args:Array[String]):Unit={
    val SAMPLEDATA = "file:///E...本地目录1"
    val SAMPLEMODEL = "file:///E...本地目录2"
    val INPUTDATA = "file:///E...本地目录3"
    val RESULTPATH = "file:///E...本地目录4"
    val sc = new SparkContext("local","TestNBModel")
    //删除目录文件
    DealWays(sc,SAMPLEMODEL)
    //读取训练数据SAMPLEDATA,featureNum为特征向量个数
    //首先过滤长度不标准的行
    val NaiveBayesData = sc.textFile(SAMPLEDATA, 1).map(_.trim).filter(line =>Filter(line,6))
    //调用上一步模型
    NBmodelformat(NaiveBayesData,SAMPLEDATA)
    //读取测试模型结果，转换为Map数据结构
    val cidMap = deal(sc,SAMPLEMODEL)
    DealWays(sc,RESULTPATH)
    sc.textFile(INPUTDATA).map(_.trim).filter(line =>Filter(line,7))
      .map(NBmodels(_,cidMap)).saveAsTextFile(RESULTPATH)
    sc.stop()
  }
复制代码