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=99.4%

垃圾识别精准率：P=830010000=83%

因为要识别的是垃圾评论，所以设

postive：垃圾评论

negative：非垃圾评论

则：

TP :8300

FN:1700

FP:200

TN:34800

准确率：

P=TPTP+FP=97.6%

召回率：

R=TPTP+FN=92.2%

并且使用mllib.evalution.BinaryClassficationMetrics类，计算ROC面积AUC值共同评估模型。

五、模型参数调优

1、增加迭代次数

2、减少学习率，或者使用学习率衰减方法

3、加入正则化，如果模型可加

同样通过AUC值来判断参数优劣，使用交叉验证集来判断