共计 7973 个字符，预计需要花费 20 分钟才能阅读完成。
作者 |GUEST
编译 |VK
起源 |Analytics Vidhya
概述
- 在 AWS 电子病历上建设 John Snow 实验室的 Spark NLP，并应用该库对 BBC 文章进行简略的文本分类。
介绍
自然语言解决是寰球数据迷信团队的重要过程之一。随着数据的一直增长，大多数组织曾经转移到大数据平台，如 apachehadoop 和 AWS、Azure 和 GCP 等云产品。
这些平台不仅可能解决大数据，使组织可能对非结构化数据（如文本分类）进行大规模剖析。但在机器学习方面，大数据系统和机器学习工具之间依然存在差距。
风行的机器学习 python 库，如 scikit-learn 和 Gensim，通过高度优化，能够在单节点计算机上执行，而不是为分布式环境设计的。
Apache Spark MLlib 是许多帮忙弥合这一差距的工具之一，它提供了大多数机器学习模型，如线性回归、Logistic 回归、反对向量机、随机森林、K-means、LDA 等，以执行最常见的机器学习工作。
除了机器学习算法，Spark MLlib 还提供了大量的特色变换器，如 Tokenizer、StopWordRemover、n-grams 和 countvector、TF-IDF 和 Word2Vec 等。
尽管这些转换器和提取器足以构建根本的 NLP 管道，然而要构建一个更全面和生产级的管道，咱们须要更先进的技术，如词干剖析、词法化、词性标记和命名实体辨认。
Spark NLP 提供了各种正文器来执行高级 NLP 工作。无关更多信息，请在网站上查看正文器列表及其用法
https://nlp.johnsnowlabs.com/…。
设置环境
让咱们持续看看如何在 AWS EMR 上设置 Spark NLP。
1. 在启动 EMR 集群之前，咱们须要创立一个疏导操作。疏导操作用于设置其他软件或自定义群集节点的配置。以下是可用于在 EMR 集群上设置 Spark NLP 的疏导操作，
#!/bin/bashsudo yum install -y python36-devel python36-pip python36-setuptools python36-virtualenvsudo python36 -m pip install --upgrade pip
#
sudo python36 -m pip install pandas
#
sudo python36 -m pip install boto3
#
sudo python36 -m pip install re
#
sudo python36 -m pip install spark-nlp==2.4.5创立 shell 脚本之后，将该脚本复制到 AWS S3 中的一个地位。你还能够依据须要装置其余 python 包。
2. 咱们能够应用 AWS 控制台、API 或 python 中的 boto3 库来启动 EMR 集群。应用 Python 的益处是，无论何时须要实例化集群或将其增加到工作流中，都能够重用代码。
上面是实例化 EMR 集群的 python 代码。
import boto3region_name='region_name'def get_security_group_id(group_name, region_name):
ec2 = boto3.client('ec2', region_name=region_name)
response = ec2.describe_security_groups(GroupNames=[group_name])
return response['SecurityGroups'][0]['GroupId']emr = boto3.client('emr', region_name=region_name)cluster_response = emr.run_job_flow(
Name='cluster_name', # 更新值
ReleaseLabel='emr-5.27.0',
LogUri='s3_path_for_logs', # 更新值
Instances={
'InstanceGroups': [
{
'Name': "Master nodes",
'Market': 'ON_DEMAND',
'InstanceRole': 'MASTER',
'InstanceType': 'm5.2xlarge', # 依据要求进行变更
'InstanceCount': 1 #对于主节点高可用性，设置计数大于 1
},
{
'Name': "Slave nodes",
'Market': 'ON_DEMAND',
'InstanceRole': 'CORE',
'InstanceType': 'm5.2xlarge', # 依据要求进行变更
'InstanceCount': 2
}
],
'KeepJobFlowAliveWhenNoSteps': True,
'Ec2KeyName' : 'key_pair_name', # 更新值
'EmrManagedMasterSecurityGroup': get_security_group_id('ElasticMapReduce-master', region_name=region_name)
'EmrManagedSlaveSecurityGroup': get_security_group_id('ElasticMapReduce-master', region_name=region_name)
},
BootstrapActions=[ {
'Name':'install_dependencies',
'ScriptBootstrapAction':{'Args':[],
'Path':'path_to_bootstrapaction_on_s3' # 更新值
}
}],
Steps = [],
VisibleToAllUsers=True,
JobFlowRole='EMR_EC2_DefaultRole',
ServiceRole='EMR_DefaultRole',
Applications=[{ 'Name': 'hadoop'},
{'Name': 'spark'},
{'Name': 'hive'},
{'Name': 'zeppelin'},
{'Name': 'presto'}
],
Configurations=[
# YARN
{
"Classification": "yarn-site",
"Properties": {"yarn.nodemanager.vmem-pmem-ratio": "4",
"yarn.nodemanager.pmem-check-enabled": "false",
"yarn.nodemanager.vmem-check-enabled": "false"}
},
# HADOOP
{
"Classification": "hadoop-env",
"Configurations": [
{
"Classification": "export",
"Configurations": [],
"Properties": {"JAVA_HOME": "/usr/lib/jvm/java-1.8.0"}
}
],
"Properties": {}},
# SPARK
{
"Classification": "spark-env",
"Configurations": [
{
"Classification": "export",
"Configurations": [],
"Properties": {"PYSPARK_PYTHON":"/usr/bin/python3",
"JAVA_HOME": "/usr/lib/jvm/java-1.8.0"}
}
],
"Properties": {}},
{
"Classification": "spark",
"Properties": {"maximizeResourceAllocation": "true"},
"Configurations": []},
{
"Classification": "spark-defaults",
"Properties": {"spark.dynamicAllocation.enabled": "true" #default is also true}
}
]
)留神：请确保你对用于日志记录和存储疏导操作脚本的 S3 bucket 具备正确的拜访权限。
基于 Spark-NLP 的 BBC 文章文本分类
当初咱们曾经筹备好集群了，让咱们应用 Spark NLP 和 Spark MLlib 在 BBC 数据上构建一个简略的文本分类示例。
1. 初始化 Spark
咱们将导入所需的库并应用不同的配置参数初始化 spark 会话。配置值取决于我的本地环境。相应地调整参数。
# 导入 Spark NLP
from sparknlp.base import *
from sparknlp.annotator import *
from sparknlp.pretrained import PretrainedPipeline
import sparknlp
from pyspark.sql import SparkSession
from pyspark.ml import Pipeline# 应用 Spark NLP 启动 Spark 会话
#spark = sparknlp.start()spark = SparkSession.builder \
.appName("BBC Text Categorization")\
.config("spark.driver.memory","8G")\ change accordingly
.config("spark.memory.offHeap.enabled",True)\
.config("spark.memory.offHeap.size","8G") \
.config("spark.driver.maxResultSize", "2G") \
.config("spark.jars.packages", "com.johnsnowlabs.nlp:spark-nlp_2.11:2.4.5")\
.config("spark.kryoserializer.buffer.max", "1000M")\
.config("spark.network.timeout","3600s")\
.getOrCreate()2. 加载文本数据
咱们将应用 BBC 的数据。你能够从这个链接下载数据。下载以下数据后，应用 spark 代码加载；
https://www.kaggle.com/yufeng…
# 文件地位和类型
file_location = r'path\to\bbc-text.csv'
file_type = "csv"# CSV
infer_schema = "true"
first_row_is_header = "true"
delimiter = ","df = spark.read.format(file_type) \
.option("inferSchema", infer_schema) \
.option("header", first_row_is_header) \
.option("sep", delimiter) \
.load(file_location)df.count()3. 将数据集拆分为训练集和测试集
与 python 应用 scikit learn 宰割数据不同，Spark Dataframe 有一个内置函数 randomSplit() 来执行雷同的操作。
(trainingData, testData) = df.randomSplit([0.7, 0.3], seed = 100)randomSplit()函数须要两个参数 viz。权重数组和 seed。在咱们的例子中，咱们将应用 70/30 宰割，其中 70% 是训练数据，30% 是测试数据。
4. 应用 Spark NLP 的 NLP 管道
让咱们持续应用 Spark NLP 构建 NLP 管道。Spark NLP 最大的长处之一是它与 Spark MLLib 模块本机集成，有助于构建由 transformers 和 estimators 组成的综合 ML 管道。
这个管道能够包含诸如 CountVectorizer 或 HashingTF 和 IDF 之类的特征提取模块。咱们还能够在这个管道中蕴含一个机器学习模型。
上面是由具备特征提取和机器学习模型的 NLP 管道组成的示例；
from pyspark.ml.feature import HashingTF, IDF, StringIndexer, SQLTransformer,IndexToString
from pyspark.ml.classification import LogisticRegression
from pyspark.ml.evaluation import MulticlassClassificationEvaluator# 转换 text 列为 nlp 文件
document_assembler = DocumentAssembler() \
.setInputCol("text") \
.setOutputCol("document")# 将文档转换为标识数组
tokenizer = Tokenizer() \
.setInputCols(["document"]) \
.setOutputCol("token")
# 清理标识
normalizer = Normalizer() \
.setInputCols(["token"]) \
.setOutputCol("normalized")# 删除停用词
stopwords_cleaner = StopWordsCleaner()\
.setInputCols("normalized")\
.setOutputCol("cleanTokens")\
.setCaseSensitive(False)
stemmer = Stemmer() \
.setInputCols(["cleanTokens"]) \
.setOutputCol("stem")# 将自定义文档构造转换为标识数组。finisher = Finisher() \
.setInputCols(["stem"]) \
.setOutputCols(["token_features"]) \
.setOutputAsArray(True) \
.setCleanAnnotations(False)# 生成频率
hashingTF = HashingTF(inputCol="token_features", outputCol="rawFeatures", numFeatures=1000)# 生成逆文档频率
idf = IDF(inputCol="rawFeatures", outputCol="features", minDocFreq=5)# 将标签 (字符串) 转换为整数。label_stringIdx = StringIndexer(inputCol = "category", outputCol = "label")# 定义一个简略的多项式逻辑回归模型。尝试不同的超参数组合，看看哪个更适宜你的数据。你也能够尝试不同的算法来比拟分数。lr = LogisticRegression(maxIter=10, regParam=0.3, elasticNetParam=0.0)# 将索引 (整数) 转换为相应的类标签
label_to_stringIdx = IndexToString(inputCol="label", outputCol="article_class")# 定义 nlp 管道
nlp_pipeline = Pipeline(
stages=[document_assembler,
tokenizer,
normalizer,
stopwords_cleaner,
stemmer,
finisher,
hashingTF,
idf,
label_stringIdx,
lr,
label_to_stringIdx])5. 训练模型
当初咱们的 NLP 管道曾经筹备好了，让咱们依据训练数据训练咱们的模型。
# 在训练数据上拟合管道
pipeline_model = nlp_pipeline.fit(trainingData)6. 执行预测
一旦训练实现，咱们就能够预测测试数据上的类标签。
# 对测试数据进行预测
predictions = pipeline_model.transform(testData)7. 评估模型
对训练后的模型进行评估对于了解模型如何在看不见的数据上运行是十分重要的。咱们将看到 3 个风行的评估指标，准确度、精确度和召回率。
-
准确度
# 导入 evaluator
from pyspark.ml.evaluation import MulticlassClassificationEvaluatorevaluator = MulticlassClassificationEvaluator(labelCol="label", predictionCol="prediction", metricName="accuracy")
accuracy = evaluator.evaluate(predictions)
print("Accuracy = %g" % (accuracy))
print("Test Error = %g" % (1.0 - accuracy))
-
精确度
evaluator = MulticlassClassificationEvaluator(labelCol="label", predictionCol="prediction", metricName="weightedPrecision")
accuracy = evaluator.evaluate(predictions)
print("Accuracy = %g" % (accuracy))
print("Test Error = %g" % (1.0 - accuracy))
-
召回率
evaluator = MulticlassClassificationEvaluator(labelCol="label", predictionCol="prediction", metricName="weightedRecall")
accuracy = evaluator.evaluate(predictions)
print("Accuracy = %g" % (accuracy))
print("Test Error = %g" % (1.0 - accuracy))
依据业务用例，你能够决定应用哪个度量来评估模型。
例如. 如果一个机器学习模型被设计用来依据某些参数来检测癌症，那么最好应用召回率，因为公司无奈接受假负例（一个患有癌症但模型没有检测到癌症的人），而如果机器学习模型旨在生成用户举荐，公司能够负担得起误报（10 条倡议中有 8 条合乎用户配置文件），因而能够应用精确度作为评估指标。
8. 保留管道模型
在胜利地训练、测试和评估模型之后，你能够将模型保留到磁盘，并在不同的 Spark 应用程序中应用它。要将模型保留到光盘，请应用以下代码；
pipeline_model.save('/path/to/storage_location')论断
Spark NLP 提供了大量的正文器和转换器来构建数据预处理管道。Sparl NLP 与 Spark MLLib 无缝集成，使咱们可能在分布式环境中构建端到端的自然语言解决我的项目。
在本文中，咱们钻研了如何在 AWS EMR 上装置 Spark NLP 并实现了 BBC 数据的文本分类。咱们还钻研了 Spark MLlib 中的不同评估指标，并理解了如何存储模型以供进一步应用。
心愿你喜爱这篇文章。
原文链接：https://www.analyticsvidhya.c…
欢送关注磐创 AI 博客站：
http://panchuang.net/
sklearn 机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/
