大数据分析 - 文本分析

本章将使用本书第一部分中抓取的数据。数据包含描述自由职业者个人资料及其以美元计费的小时费率的文本。下一节的目标是拟合一个模型，根据自由职业者的技能预测其每小时工资。

以下代码展示了如何将此案例中包含用户技能的原始文本转换为词袋矩阵。为此，我们使用名为tm的R库。这意味着对于语料库中的每个单词，我们创建一个变量，其中包含每个变量的出现次数。

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，我们可以拟合一个模型来提供稀疏解。对于这种情况，一个不错的选择是使用LASSO（最小绝对收缩和选择算子）。这是一个能够选择最相关特征来预测目标的回归模型。

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

现在我们有一个模型，可以根据一组技能预测自由职业者的每小时工资。如果收集更多数据，模型的性能将会提高，但实现此流程的代码将保持不变。