weka介绍
参见
1)百度百科：http://baike.baidu.com/link?url=V9GKiFxiAoFkaUvPULJ7gK_xoEDnSfUNR1woed0YTmo20Wjo0wYo7uff4mq_wg3WzKhTZx4Ok0JFgtiYY19U4q
2)weka官网: http://www.cs.waikato.ac.nz/ml/weka/
简单文本分类实现：
此处文本为已处理好的文本向量空间模型，关于文本特征提取主要是基于TF-IDF算法对已分词文档进行特征抽取，然后基于已提取特征将所有文档表示为向量空间模型。
偷个小懒，就用weka自带的*.arff格式文档来做实现。
weka对于文本分类提供两种方式，一种是批量式文本分类，即将所有数据一次性放入内存进行分类处理，这种情况对内存有所要求；为适应大量数据的分类实现，另一种增量式
文本分类，允许分批次导入数据至内存进行分类，这样就避免了因数据集过大而内存不足的问题。具体实现如下：
1）采用增量式朴素贝叶斯算法进行分类
注：weka中所有增量式分类器都实现了UpdateableClassifier接口，该接口位于weka.classifiers包中。
/**
* train a classifier using trainSet,then evaluate the classifier on testSet
* 分类分为两种：增量、批量
* 此处为增量式分类：适用于训练集太大而内存有限的情况
* 加载数据集（训练集or测试集），使用ArffLoader
* @param trainSet:训练集路径
* @param testSet:测试集路径
* @return classifier
*
*/
private Classifier trainClassifierIncremental(String trainSet,String testSet){
ArffLoader loader=new ArffLoader();
Instances instances = null;
NaiveBayesUpdateable naiveBayesUpdateable=null;
try {
//load data
loader.setFile(new File(trainSet));
instances=loader.getStructure();
// instances.setClassIndex(classIndex); // 指定分类属性索引
instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性 // train NaiveBayes ：incremental classifier
naiveBayesUpdateable=new NaiveBayesUpdateable();
naiveBayesUpdateable.buildClassifier(instances);
Instance current;
while((current=loader.getNextInstance(instances))!=null){
naiveBayesUpdateable.updateClassifier(current);
} //evaluate classifier
Instances testInstances=new Instances(new FileReader(testSet));
testInstances.setClassIndex(testInstances.numAttributes()-1);
Evaluation eval=new Evaluation(instances);
eval.evaluateModel(naiveBayesUpdateable, testInstances);
System.out.println(eval.toMatrixString());
System.out.println(eval.toSummaryString());
System.out.println(eval.toClassDetailsString()); } catch (Exception e) {
e.printStackTrace();
}
return naiveBayesUpdateable;
}
增量式分类实现
其中，Evaluation类，是weka提供的对分类器分类效率进行评估的模块，通过该模块的调用，可观察分类器的各种性能，如召回率、准确率、F值等等。ArffLoader用来加载指
定路径的数据集，注意该数据集应为.arff格式。
2）采用决策树算法（J48）进行批量式分类
/**
* train a classifier using trainSet,then evaluate the classifier on testSet
* 分类分为两种：增量、批量
* 此处为批量式分类：适用于训练集能够在内存中存放的情况
* 加载数据集（训练集or测试集），使用ArffLoader
* @param trainSet:训练集路径
* @param testSet:测试集路径
* @return classifier
*
*/
private Classifier trainClassifierBatch(String trainSet,String testSet){
ArffLoader loader=new ArffLoader();
Instances instances = null;
J48 tree=null;
try {
//load data
loader.setFile(new File(trainSet));
// instances=loader.getStructure();
instances=loader.getDataSet();
// instances.setClassIndex(classIndex); // 指定分类属性索引
instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性 // train NaiveBayes ：incremental classifier
tree=new J48();
tree.buildClassifier(instances); //evaluate classifier
Instances testInstances=new Instances(new FileReader(testSet));
testInstances.setClassIndex(testInstances.numAttributes()-1);
Evaluation eval=new Evaluation(instances);
eval.evaluateModel(tree, testInstances);
System.out.println(eval.toMatrixString());
System.out.println(eval.toSummaryString());
System.out.println(eval.toClassDetailsString()); } catch (Exception e) {
e.printStackTrace();
}
return tree;
}
批量式分类实现
3）关于分类器的评估
weka对于分类器的评估，除了上述明确划分训练集和测试集，然后以测试集来评估分类性能的方式，还提供了交叉验证方式，该方式适用于数据集只有一个（即没有明确划分出训练集和测试集）的情况，weka在Evaluation类中提供了一个crossValidateModel方法来实现交叉验证，该方法要求提供一个未训练的分类器，数据集，交叉验证折数，一个随机化种子。
public void crossValidate(String dataSet){
try {
// load data
Instances instances=new Instances(new FileReader(dataSet));
//evaluate
Evaluation eval=new Evaluation(instances);
J48 tree=new J48();
eval.crossValidateModel(tree, instances, 10, new Random(1));
System.out.println(eval.toMatrixString());
System.out.println(eval.toSummaryString());
System.out.println(eval.toClassDetailsString());
} catch (FileNotFoundException e) {
System.out.println("dataSet not found...");
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
}
交叉验证实现
此处实现采用10折交叉验证，随机化种子选取1.
4）对未分类实例进行分类
/**
* 利用已训练的分类模型对未分类数据集进行分类
* @param dataSet:未分类数据集
* @param cls：已训练好的分类模型
* @param labeledSet：分类后数据存放路径
*/
public void classifyInstances(String dataSet,Classifier cls,String labeledSet){
try {
// load unlabeled data and set class attribute
Instances unlabeled=new Instances(new FileReader(dataSet));
unlabeled.setClassIndex(unlabeled.numAttributes()-1);
// create copy
Instances labeled = new Instances(unlabeled);
// label instances
for (int i = 0; i < unlabeled.numInstances(); i++) {
double clsLabel = cls.classifyInstance(unlabeled.instance(i));
labeled.instance(i).setClassValue(clsLabel);
}
// save newly labeled data
DataSink.write(labeledSet, labeled); } catch (FileNotFoundException e) {
System.out.println("DataSet,File Not Found...");
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
}
未分类实例分类实现
相关方法简介：
<--instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性 -->
Instances类方法：setClassIndex(int classIndex) 用于设置分类属性索引， numAttributes()返回instance实例中属性（特征）个数，即特征向量维度
<--eval.toMatrixString());
eval.toSummaryString();
eval.toClassDetailsString();
-->
• toMatrixString – outputs the confusion matrix.
• toClassDetailsString – outputs TP/FP rates, precision, recall, F-measure,AUC (per class).
输出结果展示：
=== Confusion Matrix ===
a b c <-- classified as
50 0 0 | a = Iris-setosa
0 47 3 | b = Iris-versicolor
0 3 47 | c = Iris-virginica
Correctly Classified Instances 144 96 %
Incorrectly Classified Instances 6 4 %
Kappa statistic 0.94
Mean absolute error 0.035
Root mean squared error 0.1486
Relative absolute error 7.8697 %
Root relative squared error 31.5185 %
Coverage of cases (0.95 level) 98.6667 %
Mean rel. region size (0.95 level) 37.3333 %
Total Number of Instances 150
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
1 0 1 1 1 1 Iris-setosa
0.94 0.03 0.94 0.94 0.94 0.992 Iris-versicolor
0.94 0.03 0.94 0.94 0.94 0.992 Iris-virginica
Weighted Avg. 0.96 0.02 0.96 0.96 0.96 0.995