原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Hadoop大数据解决方案进阶应用 Hadoop 讲师：迪伦（北风网版权所有） Hadoop综合实战-文本挖掘项目 (5) 并行分词：程序设计 并行分词：运行 朴素贝叶斯分类 课程目标 并行分词：任务设置 并行分词：任务设置 并行分词：Mapper 并行分词：运行 上传源数据到HDFS $ hadoop fs -mkdir -p /digital/raw $ hadoop fs -put * /digital/raw 把项目打成JAR包上传到Linux（注意java版本一致） 在Hadoop上执行分词程序 并行分词：运行结果 作业状态 输出结果 朴素贝叶斯文本分类器原理 朴素假设：给定的文档集中，文档的特征是相互独立的 假设： X是类标号未知的数据样本 H为某种假定 对于分类问题，我们得到 P(H|X)后验概率：给定观测数据样本X，假定H 成立的概率 P(H)先验概率：总体概率，跟样本无关 类似的：P(X|H)是条件H下，X的后验概率 P(X)是X的先验概率 贝叶斯原理：利用贝叶斯条件概率公式，计算出已知文档属于不同文档类别的后验概率，然后根据最大后验假设将文档归结尾具有最大后验概率的那一类 朴素贝叶斯分类过程 每个数据样本用一个n 维特征向量X ={x1 , x2 ,..., xn}表示，描述由属性A1 , A2 ,..., An对样本的n个度量 假定有m 个类C1 ,C2 ,...,Cm 。给定一个未知的数据样本X，分类法将预测X属于具有最高后验概率的类 P(Ci | X ) P(C j | X ) 1 ≤ j ≤ m j ≠ i. 由于P(X)对于所有类为常数，只需要P(X |Ci )P(Ci )最大即可。如果类的先验概率未知，则通常假定这些类是等概率的；即，P(C1 ) = P(C2 ) = ... = P(Cm )。并据此对只P(Ci | X )最大化 给定具有许多属性的数据集，计算P(X |Ci )的开销可能非常大。为降低计算P(X |Ci )的开销，可以做类条件独立的朴素假定 为对未知样本X 分类，对每个类Ci，计算P(X |Ci )P(Ci )。样本X被指派到类Ci，当且仅当：P(X | Ci )P(Ci ) P(X | C j )P(C j ) 1 ≤ j ≤ m j ≠ i. 欢迎访问我们的官方网站 * * * * * * * * * * * * * *
文档评论（0）