Instances
ARFF文件
3.5.5和3.4.X版本
从ARFF文件中读取是一个很直接的
import weka.core.Instances;import java.io.BufferedReader;import java.io.FileReader;...Instances data = new Instances(new BufferedReader(new FileReader("/some/where/data.arff")));// setting class attributedata.setClassIndex(data.numAttributes() - 1);Class Index是指示用于分类的目标属性的下标。在ARFF文件中，它被默认为是最后一个属性，这也就是为什么它被设置成numAttributes-1.
你必需在使用一个Weka函数(ex: weka.classifiers.Classifier.buildClassifier(da
3.5.5和更新的版本
DataSource类不仅限于读取ARFF文件，它同样可以读取CSV文件和其它格式的文件(基本上Weka可以通过它的转换器(converters)导入所有的文件格式)。
import weka.core.converters.ConverterUtils.DataSource;...DataSource source = new DataSource("/some/where/data.arff");Instances data = source.getDataSet();// setting class attribute if the data format does not provide this//information// E.g., the XRFF format saves the class attribute information as wellif (data.classIndex() == -1) data.setClassIndex(data.numAttributes() - 1);数据库
从数据库中读取数据稍微难一点，但是仍然是很简单的，首先，你需要修改你的DatabaseUtils.props（自己看一下原文，基本上都有链接）重组(resemble)你的数据库连接。比如，你想要连接一个MySQL服务器，这个服务器运行于3306端口(默认)，MySQL JDBC驱动被称为Connector/J(驱动类是org.gjt.mm.mysql.Driver)。假设存放你数据的数据库是some_database。因为你只是读取数据，你可以用默认用户nobody，不设密码。你需要添加下面两行在你的props文件中:
jdbcDriver=org.gjt.mm.mysql.DriverjdbcURL=jdbc:mysql://localhost:3306/some_database import weka.core.Instances;import weka.experiment.InstanceQuery;...InstanceQuery query = new InstanceQuery();query.setUsername("nobody");query.setPassword("");query.setQuery("select * from whatsoever");// if your data is sparse, then you can say so too// query.setSparseData(true);Instances data = query.retrieveInstances();注意：
l 别忘了把JDBC驱动加入你的CLASSPATH中
l 如果你要用MS Access，你需要用JDBC-ODBC-bridge，它是JDK的一部分。
参数设置(Option handling)
Weka中实现了weka.core.OptionHandler接口，这个接口为比如classifiers，clusterers，filers等提供了设置，获取参数的功能，函数如下：
l void setOptions(String[] Options)
l String[] getOptions()
下面依次介绍几种参数设置的方法：
l 手工建立一个String数组
String[] options = new String[2];options[0] = "-R";options[1] = "1";String[] options = weka.core.Utils.splitOptions("-R 1");
l 用OptionsToCode.java类自动将一个命令行转换成代码，对于命令行中包含nested classes，这些类又有它们自己的参数，如果SMO的核参数这种情况很有帮助。
java OptionsToCode weka.classifiers.functions.SMO
将产生以下输出：
//create new instance of schemeweka.classifiers.functions.SMO scheme = newweka.classifiers.functions.SMO();// set optionsscheme.setOptions(weka.core.Utils.splitOptions("-C 1.0 -L 0.0010 -P1.0E-12 -N 0 -V -1 -W 1 -K \"weka.classifiers.functions.supportVector.PolyKernel -C 250007 -E1.0\""));并且，OptionTree.java工具可以使你观察一个nested参数字符串。
Filter
一个filter有两种不同的属性
l 监督的或是监督的(supervised or unsupervised)
是否受用户控制
l 基于属性的或是基于样本的(attribute- or instance-based)
比如：删除满足一定条件的属性或是样本
多数filters实现了OptionHandler接口，这意味着你可以通过String数组设置参数，而不用手工地用set-方法去依次设置。比如你想删除数据集中的第一个属性，你可用这个filter。
weka.
通过设置参数
-R 1
如果你有一个Instances对象，比如叫da
import weka.core.Instances;import weka.filters.Filter;import weka.filters.unsupervised.attribute.Remove;...String[] options = new String[2];options[0] = "-R"; // "range"options[1] = "1"; // first attributeRemove remove = new Remove(); // new instance of filterremove.setOptions(options); // set options// inform filter about dataset //**AFTER** setting optionsremove.setInputFormat(data); Instances newData = Filter.useFilter(data, remove); // apply filterFilteredClassifier meta-classifier是一种运行中过滤的方式。它不需要在分类器训练之前先对数据集过滤。并且，在预测的时候，你也不需要将测试数据集再次过滤。下面的例子中使用meta-classifier with Remove filter和J48，删除一个attribute ID为1的属性。
import weka.core.Instances;import weka.filters.Filter;import weka.filters.unsupervised.attribute.Remove;...String[] options = new String[2];options[0] = "-R"; // "range"options[1] = "1"; // first attributeRemove remove = new Remove(); // new instance of filterremove.setOptions(options); // set options// inform filter about dataset **AFTER** setting optionsremove.setInputFormat(data); Instances newData = Filter.useFilter(data, remove); // apply filterimport weka.classifiers.meta.FilteredClassifier;import weka.classifiers.trees.J48;import weka.filters.unsupervised.attribute.Remove;...Instances train = ... // from somewhereInstances test = ... // from somewhere// filterRemove rm = new Remove();rm.setAttributeIndices("1"); // remove 1st attribute// classifierJ48 j48 = new J48();j48.setUnpruned(true); // using an unpruned J48// meta-classifierFilteredClassifier fc = new FilteredClassifier();fc.setFilter(rm);fc.setClassifier(j48);// train and make predictionsfc.buildClassifier(train);for (int i = 0; i < test.numInstances(); i++) {double pred = fc.classifyInstance(test.instance(i));System.out.printn("ID: " + test.instance(i).value(0));System.out.print(", actual: " + test.classAttribute().value((int)test.instance(i).classValue()));System.out.println(", predicted: " +test.classAttribute().value((int) pred));}weka.clusterers.FilteredClusterer (since 3.5.4)weka.associations.FilteredAssociator (since 3.5.6)其它Weka中便利的meta-schemes:
批过滤(Batch filtering)
在命令行中，你可以用-b选项enable第二个input/ouput对，用对第一个数据集过滤的设置来过滤第二个数据集。如果你正使用特征选择(attribute selection)或是正规化(standardization)，这是必要的，否则你会得到两个不兼容的数据集。其实这做起来很容易，只需要用setInputFormat(Instances)去初始化一个过滤器，即用training set，然后将这个过滤器依次用于training set和test set。下面的例子将展示如何用Standardize过滤器过滤一个训练集和测试集的。
Instances train = ... // from somewhereInstances test = ... // from somewhere// initializing the filter once with training setStandardize filter = new Standardize();filter.setInputFormat(train); // configures the Filter based on train instances and returns filtered//instancesInstances newTrain = Filter.useFilter(train, filter); // create new test setInstances newTest = Filter.useFilter(test, filter); 调用转换(Calling conventions)
setInputFormat(Instances)方法总是必需是应用过滤器时最后一个调用，比如用Filter.useFilter(Instances,Filter)。为什么？首先，它是使用过滤器的转换，其实，很多过滤器在setInputFormat(Instances)方法中用当前的设置参数产生输出格式(output format)（在这个调用后设置参数不再有任何作用）。
分类(classification)
一些必要的类可以在下面的包中找到：
weka.
建立一个分类器(Build a classifier)
批(Batch)
在一个给定的数据集上训练一个Weka
分类器是非常简单的事。例如，我们可以训练一个 C4.5树在一个给定的数据集 da import weka.classifiers.trees.J48;...String[] options = new String[1];options[0] = "-U"; // unpruned treeJ48 tree = new J48(); // new instance of treetree.setOptions(options); // set the optionstree.buildClassifier(data); // build classifier增量式(Incremental)
实现了weka.classifiers.UpdateabeClassifier接口的分类器可以增量式的训练，它可以节约内存，因为你不需要把数据一次全部读入内存。你可以查一下文档，看哪些分类器实现了这个接口。
真正学习一个增量式的分类器是很简单的：
l 调用buildClassifier(Instances)，其中Instances包话这种数据集的结构，其中Instances可以有数据，也可以没有。
l 顺序调用updateClassifier(Instances)方法，通过一个新的weka.core.Instances，更新分类器。
这里有一个用weka.core.converters.ArffLoader读取数据，并用weka.classifiers.bayes.NaiveBayesUpdateable训练分类器的例子。
// load data
ArffLoader loader =new ArffLoader();
loader.setFile(new File("/some/where/da
Instancesstructure = loader.getStructure();
structure.setClassIndex(structure.numAttributes() - 1);
// train NaiveBayes
NaiveBayesUpdateable nb =new NaiveBayesUpdateable();
nb.buildClassifier(structure);
Instance current;
while ((current = loader.getNextInstance(structure)) !=null)
nb.updateClassifier(current);
Evaluating
交叉检验
如果你一个训练集并且没有测试集，你也话想用十次交叉检验的方法来评价分类器。这可以很容易地通过Evaluation类来实现。这里，我们用1作为随机种子进行随机选择，查看Evaluation类，可以看到更多它输出的统计结果。
import weka.classifiers.Evaluation;import java.util.Random;...Evaluation eval = new Evaluation(newData);eval.crossValidateModel(tree, newData, 10, new Random(1));注意：分类器（在这个例子中是tree）不应该在作为crossValidateModel参数之前训练，为什么？因为每当buildClassifier方法被调用时，一个分类器必需被重新初始化（换句话说：接下来调用buildClassifier 方法总是返回相同的结果），你将得到不一致，没有任何意义的结果。crossValidateModel方法处理分类器的training和evaluation（每一次cross-validation，它产生一个你作为参数的原分类器的复本(copy)）。
Train/Set set
如果你有一个专用的测试集，你可以在训练集上训练一个分类器，再在测试集上测试。在下面的例子中，一个J48被实例化，训练，然后评价。在控制台输出一些统计值。
import weka.core.Instances;import weka.classifiers.Evaluation;import weka.classifiers.trees.J48;...Instances train = ... // from somewhereInstances test = ... // from somewhere// train classifierClassifier cls = new J48();cls.buildClassifier(train);// evaluate classifier and print some statisticsEvaluation eval = new Evaluation(train);eval.evaluateModel(cls, test);System.out.println(eval.toSummaryString("\nResults\n======\n",false));统计(statistics)
下面是一些获取评价结果的方法
l 数值型类别
? Correct() 分类正确的样本数（还有incorrect()）
? pctCorrect() 分类正确的百分比（还有pctIncorrect()）
? kappa() Kappa statistics
l 离散型类别
? correlationCoefficient() 相关系数
l 通用
? meanAbsoluteError() 平均绝对误差
? rootMeanSquaredError() 均方根误差
? unclassified() 未被分类的样本数
? pctUnclassified() 未被分类的样本百分比
如果你想通过命令行获得相同的结果，使用以下方法：
import weka.classifiers.trees.J48;import weka.classifiers.Evaluation;...String[] options = new String[2];options[0] = "-t";options[1] = "/some/where/somefile.arff";System.out.println(Evaluation.evaluateModel(new J48(), options));ROC 曲线/AUC（ROC curves/AUC）
从Weka3.5.1开始，你可以在测试中产生ROC曲线/AUC。你可以调用Evaluation类中的predictions()方法去做。你可从Generating Roc curve这篇文章中找到许多产生ROC曲线的例子。
分类样本(classifying instances)
如果你想用你新训练的分类器去分类一个未标记数据集(unlabeled dataset)，你可以使用下面的代码段，它从/some/where/unlabeled.arff中读取数据，并用先前训练的分类器tree去标记样本，并保存标记样本在/some/where/labeled.arff中
import java.io.BufferedReader;import java.io.BufferedWriter;import java.io.FileReader;import java.io.FileWriter;import weka.core.Instances;...// load unlabeled dataInstances unlabeled = new Instances(new BufferedReader(new FileReader("/some/where/unlabeled.arff")));// set class attributeunlabeled.setClassIndex(unlabeled.numAttributes() - 1);// create copyInstances labeled = new Instances(unlabeled);// label instancesfor (int i = 0; i < unlabeled.numInstances(); i++) {double clsLabel = tree.classifyInstance(unlabeled.instance(i));labeled.instance(i).setClassValue(clsLabel);}// save labeled dataBufferedWriter writer = new BufferedWriter(new FileWriter("/some/where/labeled.arff"));writer.write(labeled.toString());writer.newLine();writer.flush();writer.close();数值型类别注意事项
l 如果你对所有类别在分布感兴趣，那么使用distributionForInstance(Instance)。这个方法返回一个针对每个类别概率的double数组。
l classifyInstance返回的是一个double值(或者是distributionForInstance返回的数组中的下标)，它仅仅是属性的下标，例如，如果你想用字符串形式来表现返回的类别结果clsLabel，你可以这样输出：
System.out.println(clsLabel +" -> " + unlabeled.classAttribute().value((int) clsLabel));
聚类(Clustering)
聚类与分类相似，必要的类可以在下面的包中找到
weka.clusterers
建立一个Clusterer
批（Batch）
一个clusterer建立与建立一个分类器的方式相似，只是不是使用buildClassifier(Instances)方法，它使用buildClusterer(Instances)，下面的代码段展示了如何用EM clusterer使用最多100次迭代的方法。
import weka.clusterers.EM;...String[] options = new String[2];options[0] = "-I"; // max. iterationsoptions[1] = "100";EM clusterer = new EM(); // new instance of clustererclusterer.setOptions(options); // set the optionsclusterer.buildClusterer(data); // build the clusterer增量式
实现了weka.clusterers.UpdateableClusterer接口的Clusterers可以增量式的被训练(从3.5.4版开始)。它可以节省内存，因为它不需要一次性将数据全部读入内存。查看文档，看哪些clusterers实现了这个接口。
真正训练一个增量式的clusterer是很简单的：
l 调用buildClusterer(Instances) 其中Instances包话这种数据集的结构，其中Instances可以有数据，也可以没有。
l 顺序调用updateClusterer(Instances)方法，通过一个新的weka.core.Instances，更新clusterer。
l 当全部样本被处理完之后，调用updateFinished()，因为clusterer还要进行额外的计算。
下面是一个用weka.core.converters.ArffLoader读取数据，并训练weka.clusterers.Cobweb的代码：
//load dataArffLoader loader = new ArffLoader();loader.setFile(new File("/some/where/data.arff"));Instances structure = loader.getStructure();// train CobwebCobweb cw = new Cobweb();cw.buildClusterer(structure);Instance current;while ((current = loader.getNextInstance(structure)) != null)cw.updateClusterer(current);cw.updateFinished();评价(Evaluating)
评价一个clusterer，你可用ClusterEvaluation类，例如，输出聚了几个类:
import weka.clusterers.ClusterEvaluation;import weka.clusterers.Clusterer;...ClusterEvaluation eval = new ClusterEvaluation();// new clusterer instance, default optionsClusterer clusterer = new EM();clusterer.buildClusterer(data); // build clusterereval.setClusterer(clusterer); // the cluster to evaluateimport weka.clusterers.ClusterEvaluation;import weka.clusterers.DensityBasedClusterer;import java.util.Random;...ClusterEvaluation eval = new ClusterEvaluation();eval.setClusterer(clusterer); // the clusterer to evaluateeval.crossValidateModel( // cross-validateclusterer, newData, 10, // with 10 foldsnew Random(1)); // and random number generator with seed 1如果你想用命令行方式得到相同的结果，用以下方法：import weka.clusterers.EM;import weka.clusterers.ClusterEvaluation;...String[] options = new String[2];options[0] = "-t";options[1] = "/some/where/somefile.arff";System.out.println(ClusterEvaluation.evaluateClusterer(new EM(),options));
// data to evaluate the clusterer oneval.evaluateClusterer(newData); // output # of clustersSystem.out.println("# of clusters: " + eval.getNumClusters());在density based clusters这种情况下，你可用交叉检验的方法去做(注意:用MakeDensityBasedClusterer你可将任何clusterer转换成一下基于密度(density based)的clusterer)。
聚类数据集(Clustering instances)
与分类唯一不同是名字不同。它不是用classifyInstances(Instance)，而是用clusterInstance(Instance)。获得分布的方法仍然是distributionForInstance(Instance)。
Classes to cluster evaluation
如果你的数据包含一个类别属性，并且你想检查一下产生的clusters与类别吻合程度，你可进行所谓的classes to clusters evaluation。Weka Exporer提供了这个功能，并用它也很容易实现，下面是一些必要的步骤。
l 读取数据，设置类别属性下标
Instances data = new Instances(new BufferedReader(newFileReader("/some/where/file.arff")));data.setClassIndex(data.numAttributes() - 1);
l 产生无类别的数据，并用下面代码训练
weka.filters.unsupervised.attribute.Remove filter = neweka.filters.unsupervised.attribute.Remove();filter.setAttributeIndices("" + (data.classIndex() + 1));filter.setInputFormat(data);Instances dataClusterer = Filter.useFilter(data, filter);
l 学习一个clusterer，比如EM
EM clusterer = new EM();// set further options for EM, if necessary...clusterer.buildClusterer(dataClusterer);
l 用仍然包含类别属性的数据集评价这个clusterer
ClusterEvaluation eval = new ClusterEvaluation();eval.setClusterer(clusterer);eval.evaluateClusterer(data)
l 输出评价结果
System.out.println(ev
al.clusterResultsToString()); 属性选择(Attribute selection)
其实没有必要在你的代码中直接使用属性选择类，因为已经有meta-classifier和filter可以进行属性选择，但是为了完整性，底层的方法仍然被列出来了。下面就是用CfsSubsetEVal和GreedStepwise方法的例子。
Meta-Classifier
下面的meta-classifier在数据在传给classifier之前，进行了一个预外理的步骤:
Instances data = ... // from somewhereAttributeSelectedClassifier classifier = newAttributeSelectedClassifier();CfsSubsetEval eval = new CfsSubsetEval();GreedyStepwise search = new GreedyStepwise();search.setSearchBackwards(true);J48 base = new J48();classifier.setClassifier(base);classifier.setEvaluator(eval);classifier.setSearch(search);// 10-fold cross-validationEvaluation evaluation = new Evaluation(data);evaluation.crossValidateModel(classifier, data, 10, new Random(1));System.out.println(evaluation.toSummaryString());
Filter
过滤器方法是很直接的，在设置过滤器之后，你就可以通过过滤器过滤并得到过滤后的数据集。
Instances data = ... // from somewhereAttributeSelection filter = new AttributeSelection(); // package weka.filters.supervised.attribute!CfsSubsetEval eval = new CfsSubsetEval();GreedyStepwise search = new GreedyStepwise();search.setSearchBackwards(true);filter.setEvaluator(eval);filter.setSearch(search);filter.setInputFormat(data);// generate new dataInstances newData = Filter.useFilter(data, filter);System.out.println(newData);
Low-Level
如果meta-classifier和filter都不适合你的要求，你可以直接用attribute selection类。
Instances data = ... // from somewhere// package weka.attributeSelection!AttributeSelection attsel = new AttributeSelection(); CfsSubsetEval eval = new CfsSubsetEval();GreedyStepwise search = new GreedyStepwise();search.setSearchBackwards(true);attsel.setEvaluator(eval);attsel.setSearch(search);attsel.SelectAttributes(data);// obtain the attribute indices that were selectedint[] indices = attsel.selectedAttributes();System.out.println(Utils.arrayToString(indices));
Note on Randomization
大多数机器学习方法，比较分类器和clusterer，都会受据的顺序影响。用不同的随机数种子随机化数据集很可能得到不同的结果，比如Explorer或是一个分类器/clusterer在只使用一个seeded java.util.Random number generator。而weka.core.Instances.getgetRandomNumberGenerator(int)，同样考虑了对样本的随机，如果不是用10-fold cross-validation 10次，并求平均结果，很有可能得到的是不同的结果。
原文:http://liouwei20051000285.blog.163.com/blog/static/252367420091015985102/
![[学习笔记] [机器学习] 7. 集成学习（Bagging、随机森林、Boosting、GBDT）](https://img-blog.csdnimg.cn/51e54738007d4e5a819ae5d0b8b841d4.png#pic_center)
