2
私は(PySpark API経由)スパーク2.0にLDAを行うためのPipelineModel
を作成しました:PySpark PipelineModelの個々のステージからメソッドにアクセスする方法はありますか?
def create_lda_pipeline(minTokenLength=1, minDF=1, minTF=1, numTopics=10, seed=42, pattern='[\W]+'):
"""
Create a pipeline for running an LDA model on a corpus. This function does not need data and will not actually do
any fitting until invoked by the caller.
Args:
minTokenLength:
minDF: minimum number of documents word is present in corpus
minTF: minimum number of times word is found in a document
numTopics:
seed:
pattern: regular expression to split words
Returns:
pipeline: class pyspark.ml.PipelineModel
"""
reTokenizer = RegexTokenizer(inputCol="text", outputCol="tokens", pattern=pattern, minTokenLength=minTokenLength)
cntVec = CountVectorizer(inputCol=reTokenizer.getOutputCol(), outputCol="vectors", minDF=minDF, minTF=minTF)
lda = LDA(k=numTopics, seed=seed, optimizer="em", featuresCol=cntVec.getOutputCol())
pipeline = Pipeline(stages=[reTokenizer, cntVec, lda])
return pipeline
私はLDAModel.logPerplexity()
方法で訓練されたモデルを使用してデータセットにパープレキシティを計算したいので、私が実行してみました次
try:
training = get_20_newsgroups_data(test_or_train='test')
pipeline = create_lda_pipeline(numTopics=20, minDF=3, minTokenLength=5)
model = pipeline.fit(training) # train model on training data
testing = get_20_newsgroups_data(test_or_train='test')
perplexity = model.logPerplexity(testing)
pprint(perplexity)
これはちょうど、次のAttributeError
になり:
'PipelineModel' object has no attribute 'logPerplexity'
logPerplexity
メソッドがLDAModel
に属し、PipelineModel
ではなく、このエラーが発生する理由を理解していますが、そのステージからメソッドにアクセスする方法があるかどうか疑問に思っています。
うわー、ありがとう。私のベーコンを救った! –