Prérequis :

Téléchargez les jeux de SMS depuis l'onglet Téléchargements du panneau de gauche de la page :
- le jeu utilisé pour l'apprentissage des modèles de classification : trainingSet.zip
- le jeu utilisé pour évaluer les modèles créés : testSet.zip
Talend a créé ces deux jeux de données à partir du jeu de données téléchargeable depuis https://archive.ics.uci.edu/ml/datasets/SMS+Spam+Collection (uniquement en anglais), en utilisant le Job de préparation de jeu de données (dataset_preparation.zip) pour ajouter trois colonnes de caractéristiques (nombre de symboles monétaires, nombre de valeurs numériques et nombre de points d'exclamation) au jeu de données brutes et diviser proportionnellement le jeu de données.
Un exemple de message indésirable se présente comme suit :
```
Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005. Text FA to 87121 to receive entry question(std txt rate)T&C's apply 08452810075over18's
```
Un exemple de message normal se présente comme suit :
```
Ahhh. Work. I vaguely remember that! What does it feel like? Lol
```
Notez que les nouvelles caractéristiques ajoutées à l'ensemble de données brutes sont le résultat de l'observation des messages indésirables utilisés spécifiquement dans ce scénario (ces messages indésirables contiennent souvent des prix et/ou des points d'exclamation) et ne peuvent être généralisés pour les messages indésirables que vous souhaitez analyser. De plus, le jeu de données a été divisé aléatoirement en deux jeux de données et utilisé tel quel. Cependant, dans un cas d'utilisation réelle, vous pouvez continuer à pré-traiter ces données de différentes méthodes, comme en équilibrant les jeux de données afin de mieux faire apprendre votre modèle de classification.
Les deux jeux doivent être stockés sur la machine où le Job sera exécuté, par exemple dans le système HDFS de votre cluster YARN si vous utilisez le mode Yarn client de Spark pour exécuter des Jobs Spark Talend et que vous avez les droits et autorisations approprié·es, pour lire des données dans ce système et y écrire des données.

Dans ce scénario, le client Spark Yarn client est utilisé et les ensembles de données sont stockés dans la système HDFS associé.
Le cluster Spark à utiliser doit avoir été configuré correctement et être en cours d'exécution.

Cette page vous a-t-elle aidé ?

Si vous rencontrez des problèmes sur cette page ou dans son contenu – une faute de frappe, une étape manquante ou une erreur technique – faites-le-nous savoir.

Laissez vos commentaires ici