ビッグデータ分析-テキスト分析

この章では、本のパート1でスクレイピングされたデータを使用します。データには、フリーランサーのプロファイルと、彼らが米ドルで請求している時給を説明するテキストが含まれています。次のセクションのアイデアは、フリーランサーのスキルを考慮して、その時給を予測できるモデルに適合させることです。

次のコードは、この場合、単語の袋のマトリックスでユーザーのスキルを持つ生のテキストを変換する方法を示しています。このために、tmと呼ばれるRライブラリを使用します。これは、コーパス内の単語ごとに、各変数の出現回数で変数を作成することを意味します。

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)

これで、テキストがスパース行列として表されたので、スパース解を与えるモデルを適合させることができます。この場合の適切な代替手段は、LASSO(最小絶対収縮および選択演算子)を使用することです。これは、ターゲットを予測するために最も関連性の高い機能を選択できる回帰モデルです。

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

これで、一連のスキルが与えられた場合に、フリーランサーの時給を予測できるモデルができました。より多くのデータが収集されると、モデルのパフォーマンスは向上しますが、このパイプラインを実装するためのコードは同じになります。