大数据分析 - 文本分析

在本章中，我们将使用本书第 1 部分中抓取的数据。该数据包含描述自由职业者概况的文本，以及他们以美元收取的小时费率。下一节的想法是拟合一个模型，根据自由职业者的技能，我们能够预测其时薪。

以下代码显示了如何转换原始文本，在本例中，原始文本具有词袋矩阵中的用户技能。为此，我们使用一个名为 tm 的 R 库。这意味着对于语料库中的每个单词，我们使用每个变量出现的次数创建变量。

library(tm)
library(data.table)  

source('text_analytics/text_analytics_functions.R') 
data = fread('text_analytics/data/profiles.txt') 
rate = as.numeric(data$rate) 
keep = !is.na(rate) 
rate = rate[keep]  

### Make bag of words of title and body 
X_all = bag_words(data$user_skills[keep]) 
X_all = removeSparseTerms(X_all, 0.999) 
X_all 

# <<DocumentTermMatrix (documents: 389, terms: 1422)>> 
#   Non-/sparse entries: 4057/549101 
# Sparsity           : 99% 
# Maximal term length: 80 
# Weighting          : term frequency - inverse document frequency (normalized) (tf-idf) 

### Make a sparse matrix with all the data 
X_all <- as_sparseMatrix(X_all)

现在我们已经将文本表示为稀疏矩阵，我们可以拟合一个给出稀疏解的模型。对于这种情况，一个好的替代方法是使用 LASSO（最小绝对收缩和选择运算符）。这是一个回归模型，能够选择最相关的特征来预测目标。

train_inx = 1:200
X_train = X_all[train_inx, ] 
y_train = rate[train_inx]  
X_test = X_all[-train_inx, ] 
y_test = rate[-train_inx]  

# Train a regression model 
library(glmnet) 
fit <- cv.glmnet(x = X_train, y = y_train,  
   family = 'gaussian', alpha = 1,  
   nfolds = 3, type.measure = 'mae') 
plot(fit)  

# Make predictions 
predictions = predict(fit, newx = X_test) 
predictions = as.vector(predictions[,1]) 
head(predictions)  

# 36.23598 36.43046 51.69786 26.06811 35.13185 37.66367 
# We can compute the mean absolute error for the test data 
mean(abs(y_test - predictions)) 
# 15.02175

现在我们有了一个模型，给定一组技能就能够预测自由职业者的时薪。如果收集更多数据，模型的性能将会提高，但实现此管道的代码将是相同的。