Analiza dużych zbiorów danych - analiza tekstu

W tym rozdziale będziemy używać danych zeskrobanych w części 1 książki. Dane zawierają tekst opisujący profile freelancerów i stawkę godzinową, którą pobierają w USD. Ideą poniższego rozdziału jest dopasowanie modelu, który mając na uwadze umiejętności freelancera, jesteśmy w stanie przewidzieć jego stawkę godzinową.

Poniższy kod pokazuje, jak przekonwertować surowy tekst, który w tym przypadku ma umiejętności użytkownika w macierzy worek słów. W tym celu używamy biblioteki R o nazwie tm. Oznacza to, że dla każdego słowa w korpusie tworzymy zmienną z ilością wystąpień każdej zmiennej.

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)

Teraz, gdy mamy tekst przedstawiony jako rzadka macierz, możemy dopasować model, który da rzadkie rozwiązanie. Dobrą alternatywą w tym przypadku jest użycie LASSO (operator najmniejszego absolutnego skurczu i selekcji). Jest to model regresji, który jest w stanie wybrać najbardziej odpowiednie cechy do przewidywania celu.

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

Teraz mamy model, który przy danym zestawie umiejętności jest w stanie przewidzieć godzinowe wynagrodzenie freelancera. Jeśli zostanie zebranych więcej danych, wydajność modelu poprawi się, ale kod do implementacji tego potoku będzie taki sam.