java怎么用weka

第一步：用特征表达问题 我们先把特征放入weka.core.FastVector中 每个特征都包含在weka.core.Attribute类中 现在我们有 两个numeric 特征，一个 nominal 特征 (blue, gray, black) 和一个 nominal 类 (positive, negative) // Declare two numeric attributes Attribute Attribute1 = new Attribute(“firstNumeric”); Attribute Attribute2 = new Attribute(“secondNumeric”); // Declare a nominal attribute along with its values FastVector fvNominalVal = new FastVector(3); fvNominalVal.addElement(“blue”); fvNominalVal.addElement(“gray”); fvNominalVal.addElement(“black”); Attribute Attribute3 = new Attribute(“aNominal”, fvNominalVal); // Declare the class attribute along with its values FastVector fvClassVal = new FastVector(2); fvClassVal.addElement(“positive”); fvClassVal.addElement(“negative”); Attribute ClassAttribute = new Attribute(“theClass”, fvClassVal); // Declare the feature vector FastVector fvWekaAttributes = new FastVector(4); fvWekaAttributes.addElement(Attribute1); fvWekaAttributes.addElement(Attribute2); fvWekaAttributes.addElement(Attribute3); fvWekaAttributes.addElement(ClassAttribute); 第二步：训练分类器 需要训练集实例和分类器 我们先创建一个空的训练集（weka.core.Instances） 命名这个关系为 “Rel”（相当于文件名字） 属性模型使用第一步中定义的vector定义 初始化训练集容量为10 定义类属性为第一步向量中的第四个（classindex） // Create an empty training set Instances isTrainingSet = new Instances("Rel", fvWekaAttributes, 10); // Set class index isTrainingSet.setClassIndex(3); 现在用一个实例来填充训练集 // Create the instance Instance iExample = new Instance(4); iExample.setValue((Attribute)fvWekaAttributes.elementAt(0), 1.0); iExample.setValue((Attribute)fvWekaAttributes.elementAt(1), 0.5); iExample.setValue((Attribute)fvWekaAttributes.elementAt(2), "gray"); iExample.setValue((Attribute)fvWekaAttributes.elementAt(3), "positive"); // add the instance isTrainingSet.add(iExample); 最后，选择一个分类器（weka.classifiers.Classifier）并创建模型，我们使用朴素贝叶斯分类器（weka.classifiers.bayes.NaiveBayes） // Create a naïve bayes classifier Classifier cModel = (Classifier)new NaiveBayes(); cModel.buildClassifier(isTrainingSet); 第三步：测试分类器 我们已经创建并训练了一个分类器，现在来测试这个分类器。我们需要一个评估模型（weka.classifiers.Evaluation），把测试集塞进去试试效果如何。 // Test the model Evaluation eTest = new Evaluation(isTrainingSet); eTest.evaluateModel(cModel, isTestingSet); 评估模型可以输出一系列统计数据 // Print the result à la Weka explorer: String strSummary = eTest.toSummaryString(); System.out.println(strSummary); // Get the confusion matrix double[][] cmMatrix = eTest.confusionMatrix(); 第四步：使用这个分类器 // Specify that the instance belong to the training set // in order to inherit from the set description iUse.setDataset(isTrainingSet); // Get the likelihood of each classes // fDistribution[0] is the probability of being “positive” // fDistribution[1] is the probability of being “negative” double[] fDistribution = cModel.distributionForInstance(iUse);