Propriétés du tNLPModel pour Apache Spark Batch
Ces propriétés sont utilisées pour configurer tNLPModel s'exécutant dans le framework de Jobs Spark Batch.
Le composant tNLPModel Spark Batch appartient à la famille Traitement du langage naturel.
Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data et dans Talend Data Fabric.
Basic settings
Define a storage configuration component |
Sélectionnez le composant de configuration à utiliser pour fournir les informations de configuration pour la connexion au système de fichiers cible, comme HDFS. Si vous laissez cette case décochée, le système de fichiers cible est le système local. Le composant de configuration à utiliser doit se trouver dans le même Job. Par exemple, si vous avez ajouté un composant tHDFSConfiguration dans votre Job, vous pouvez le sélectionner pour écrire le résultat dans un système HDFS donné. |
Schema et Edit Schema |
Un schéma est une description de lignes. Il définit le nombre de champs (colonnes) à traiter et à passer au composant suivant. Lorsque vous créez un Job Spark, évitez le mot réservé line lors du nommage des champs. Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job. Créez le schéma en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :
La première colonne du schéma d'entrée doit être token et la dernière, label. Vous pouvez insérer des colonnes entre les deux pour les caractéristiques ajoutées manuellement. |
|
Built-in : le schéma est créé et conservé localement pour ce composant seulement. |
|
Repository : le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans des Jobs et projets. |
Feature template |
Features : sélectionnez dans la liste les caractéristiques à générer au niveau des termes individuels.
Relative position : il s'agit de la position relative de la composition d'une caractéristique. Elle doit être une chaîne constituée de chiffres séparés par une virgule :
Par exemple, -2,-1,0,1,2 signifie que vous utilisez le terme individuel actuel, les deux termes individuels qui le suivent et qui le précèdent en tant que caractéristiques. |
Additional Features |
Cochez cette case pour ajouter des caractéristiques supplémentaires dans la table Additional feature template. |
Bibliothèque NLP |
Dans la liste, sélectionnez la bibliothèque à utiliser entre ScalaNLP et Stanford CoreNLP. Si le texte d'entrée a subi un prétraitement à l'aide du composant tNLPPreprocessing, sélectionnez la même bibliothèque NLP Library que celle utilisée pour le prétraitement. |
Model location |
Cochez la case Save the model on file system et,
Si vous souhaitez stocker le modèle dans un système de fichiers spécifique, par exemple S3 ou HDFS, vous devez utiliser le composant correspondant dans le Job et cocher la case Define a storage configuration component dans les Basic settings de ce composant. Le bouton pour parcourir votre système ne fonctionne pas en mode Local de Spark. Si vous utilisez les autres modes Yarn de Spark supportés par le Studio avec votre distribution, assurez-vous d'avoir correctement configuré la connexion dans un composant de connexion dans le même Job, comme le tHDFSConfiguration. Utilisez le composant de configuration relatif au système de fichiers à utiliser. |
Run cross validation evaluation |
Si vous cochez cette case, le tNLPModel procédera à une validation croisée d'ordre K afin d'évaluer les performances du modèle et générera le modèle. Par défaut, la valeur du paramètre Fold est 3.
Pour chaque amélioration du modèle, afin d'écrire en sortie le meilleur F1-score pondéré, résultant de l'évaluation de validation croisée du modèle, dans le vue Run, définissez la valeur de log4jLevel à Info dans l'onglet Advanced Settings de la vue Run. |
Utilisation
Règle d'utilisation |
Ce composant est utilisé en tant que composant de fin et requiert un lien d'entrée. Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch. |
Cross validation evaluation |
Les éléments suivants sont écrits en sortie dans la console de vue Run :
Pour chaque amélioration du modèle, le meilleur F1-score pondéré est écrit dans la console de la vue Run. Ce score est écrit en sortie avec les autres informations Log4j de niveau INFO. Pour plus d'informations concernant les niveaux de logs du log4j, consultez la documentation d'Apache : http://logging.apache.org/log4j/1.2/apidocs/org/apache/log4j/Level.html (en anglais). |
Spark Batch Connection |
Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers :
Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie. |