代码之家 › 专栏 › 技术社区 › Claire

Matlab中的J48决策树,使用Weka作为API

weka attributes filter matlab

Claire · 技术社区 · 8 年前

我在Matlab中使用Weka for API,遇到了一个问题。。

@relation test.txt-weka.filters.unsupervised.attribute.NumericToNominal-Rlast

@attribute att_2 numeric
@attribute att_2 numeric
@attribute att_3 {0,1}

@data

我想在att_3中添加“2”这个值,如: @attribute att_3 {0,1,2}

我试着指挥:

test.attribute(2).addStringValue(2) test.attribute(2).addStringValue('2')

这两个人都出了问题。。有人能帮我吗(

下面是我的代码提到 How to retrieve class values from WEKA using MATLAB

%# Set paths
WEKA_HOME = 'C:\Program Files\Weka-3-8';
javaaddpath([WEKA_HOME '\weka.jar']);
import weka.cores.meta.MatlabLoader.*;

%# load dataset 
load mydata
X = feas;
Y = grp2idx(species);

%# 10-fold crossvalidation
k=10;
cvFolds = crossvalind('Kfold', species, k);   %# get indices of 10-fold CV
cp = classperf(species);   

for i = 1:k  
testIdx = (cvFolds == i); 
trainIdx = ~testIdx;   
xtrain = feas(trainIdx,:);
ytrain = species(trainIdx);
xtest = feas(testIdx,:);
ytest = species(testIdx);

train = [xtrain ytrain];
test =  [xtest ytest];
save train.txt train -ascii
save test.txt test -ascii

fName = 'train.txt';
loader = weka.core.converters.MatlabLoader();
loader.setFile( java.io.File(fName) );
train = loader.getDataSet();
train.setClassIndex( train.numAttributes()-1 );

fName = 'test.txt';
loader = weka.core.converters.MatlabLoader();
loader.setFile( java.io.File(fName) );
test = loader.getDataSet();
test.setClassIndex( test.numAttributes()-1 );

%# convert last attribute (class) from numeric to nominal
filter = weka.filters.unsupervised.attribute.NumericToNominal();
filter.setOptions( weka.core.Utils.splitOptions('-R last') );
filter.setInputFormat(train); 
train = filter.useFilter(train, filter);

filter = weka.filters.unsupervised.attribute.NumericToNominal();
filter.setOptions( weka.core.Utils.splitOptions('-R last') );
filter.setInputFormat(test);   
test = filter.useFilter(test, filter);

%# train J48 tree
classifier = weka.classifiers.trees.J48();
classifier.setOptions( weka.core.Utils.splitOptions('-O -B -J -A -S -M 1') );
classifier.buildClassifier( train );

%# classify test instances
numInst = test.numInstances();
pred = zeros(numInst,1);
predProbs = zeros(numInst, train.numClasses());

for i=1:numInst
pred(i) = classifier.classifyInstance( test.instance(i-1) );
end

for i=1:numInst
predProbs(i,:) = classifier.distributionForInstance( test.instance(i-1) );
end

eval = weka.classifiers.Evaluation(train);
eval.evaluateModel(classifier, test, javaArray('java.lang.Object',1));

disp( char(eval.toSummaryString()) )

end

我的数据集包含31个数据,每个数据有两个属性和一个类。

当我使用10倍交叉验证时,当我运行代码时,只有几倍(大约4倍)不会出错。

“订阅的分配维度不匹配。”

for i=1:numInst
predProbs(i,:) = classifier.distributionForInstance( test.instance(i-1) );
end

首先我不知道为什么,然后我发现这6个折叠不包含在“测试数据”中的类“2”中的数据。它们的“测试数据”中只有类“0”或“1”中的数据,而“列车数据”中只有类“0”、“1”和“2”中的数据。

可以成功运行的折叠在其“测试数据”中包含类“2”中的数据。

那些在“测试”节目中不包含类“2”的节目

@relation test.txt-weka.filters.unsupervised.attribute.NumericToNominal-Rlast

@attribute att_1 numeric
@attribute att_2 numeric
@attribute att_3 {0,1}

@data
864.86315,40.15,0
1396.0296,36.263158,0
249.6065,71.5,1

所以,我想知道我是否应该在@属性att_3{0,1}中添加“2”来解决这个问题。。或者问题不是这个?

2 回复 | 直到 8 年前

nekomatic 8 年前

我认为你需要申请 weka.filters.unsupervised.attribute.AddValues 具有选项 -C last -L 0,1,2 在将class属性转换为nominal之后,但在尝试使用测试数据进行预测之前。这将确保测试数据中的类属性与训练数据中的类属性相匹配,即使测试数据集不包含任何具有给定类值的实例。

Marcus 8 年前

这需要更多的步骤。请在下面找到我的示例:

%nAttributes is number of Attributes
YourAttributeName = 'MyFavoriteAttributeName';
YourAttributeValue = 123.456;

fvWekaAttribute=javaObject('weka.core.FastVector');
fvWekaAttribute.addElement(Attribute(YourAttributeName));
DataSet=javaObject('weka.core.Instances','Rel',fvWekaAttribute,10);
DataSet.setClassIndex(nAttributes-1);
iExample=javaObject('weka.core.DenseInstance',nAttributes);
iExample.setValue(fvWekaAttribute.elementAt(0),YourAttributeValue);
DataSet.add(iExample);

或者如果属性是标称属性

%nAttributes is number of Attributes
YourAttributeName = 'MyFavoriteAttributeName';
YourAttributeValue = 123.456;

nominalEgotypeFastVector=javaObject('weka.core.FastVector');
nominalEgotypeFastVector.addElement('YourType1');
nominalEgotypeFastVector.addElement('YourType2');
nominalEgotypeFastVector.addElement('SomeMoreType');
fvWekaAttribute.addElement(Attribute(YourAttributeName,nominalEgotypeFastVector));
DataSet=javaObject('weka.core.Instances','Rel',fvWekaAttribute,10);
DataSet.setClassIndex(nAttributes-1);
iExample=javaObject('weka.core.DenseInstance',nAttributes);
iExample.setValue(fvWekaAttribute.elementAt(0),YourAttributeValue);
DataSet.add(iExample); % continue with DataSet