在Java中使用weka 入門

本文介紹如何使用weka構建特徵向量，訓練分類器，測試分類器，使用分類器。

第一步：用特徵表達問題（屬性）

這一步相當於構建乙個arff檔案

我們先把特徵放入weka.core.fastvector中

每個特徵都包含在weka.core.attribute類中

現在我們有兩個numeric 特徵，乙個 nominal 特徵 (blue, gray, black) 和乙個 nominal 類 (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：訓練分類器需要訓練集例項和分類器

我們先建立乙個空的訓練集（weka.core.instances）

命名這個關係為「rel」（相當於檔案名字）

屬性模型使用第一步中定義的vector定義

初始化訓練集容量為10

定義類屬性為第一步向量中的第四個（classindex）

// create an empty training set

instances istrainingset = new instances("rel", fvwekaattributes, 10); 
// set class index
istrainingset.setclassindex(3);

// 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);

weka.classifiers.classifier）並建立模型，我們使用樸素貝葉斯分類器（

weka.classifiers.bayes.*****bayes）

// create a naïve bayes classifier 

classifier cmodel = (classifier)new *****bayes();
cmodel.buildclassifier(istrainingset);

第三步：測試分類器

我們已經建立並訓練了乙個分類器，現在來測試這個分類器。我們需要乙個評估模型（weka.classifiers.evaluation），把測試集塞進去試試效果如何。

// test the model

evaluation etest = new evaluation(istrainingset);
etest.evaluatemodel(cmodel, istestingset);

評估模型可以輸出一系列統計資料

// 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：使用這個分類器

在實際應用中，使用這個分類器才是終極目標。下面是乙個最簡單的例子，使用在第二步中建立的例項（

iuse）。

// 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);

在Java中使用Oracle blob

oracle中的lob large object 可以儲存非常大的資料 可能是4gb 這樣就可以通過將檔案或其它任何物件序列化成位元組輸出流 outputstream 後寫入資料庫，之後使用位元組輸入流 inputstream 將資料讀出然後反序列化為原始檔案或物件。操作時需要使用oracle的jd...

在Java中使用Oracle blob

oracle中的lob large object 可以儲存非常大的資料 可能是4gb 這樣就可以通過將檔案或其它任何物件序列化成位元組輸出流 outputstream 後寫入資料庫，之後使用位元組輸入流 inputstream 將資料讀出然後反序列化為原始檔案或物件。操作時需要使用oracle的jd...

在Java中使用Oracle blob

oracle中的lob large object 可以儲存非常大的資料 可能是4gb 這樣就可以通過將檔案或其它任何物件序列化成位元組輸出流 outputstream 後寫入資料庫，之後使用位元組輸入流 inputstream 將資料讀出然後反序列化為原始檔案或物件。操作時需要使用oracle的jd...