【weka】Use weka in your java code

http://quweiprotoss.blog.163.com/blog/static/40882883200931113314795/

最常用的组件(components)是：

l  Instances 你的数据

l  Filter 对数据的预处理

l  Classifiers/Clusterer 被建立在预处理的数据上，分类/聚类

l  Evaluating 评价classifier/clusterer

l  Attribute selection 去除数据中不相关的属性

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 attribute

data.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(data))之前设置Class Index。

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 well

if (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.Driver

        jdbcURL=jdbc:mysql://localhost:3306/some_database

其次，你的读取数据的Java代码，应该写成下面这样：

 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";

l  用weka.core.Utils类中的函数splitOptions将一个命令行字符串转换成一下数组

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 scheme

weka.classifiers.functions.SMO scheme = new weka.classifiers.functions.SMO();

// set options

scheme.setOptions(weka.core.Utils.splitOptions("-C 1.0 -L 0.0010 -P 1.0E-12 -N 0 -V -1 -W 1 -K \"

weka.classifiers.functions.supportVector.PolyKernel -C 250007 -E

1.0\""));

 

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data，你可以用以下方法产生并使用filter：

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 attribute

    Remove remove = new Remove();                 // new instance of filter

    remove.setOptions(options);                  // set options

// inform filter about dataset //**AFTER** setting options

remove.setInputFormat(data); 

    Instances newData = Filter.useFilter(data, remove);   // apply filter

运行中过滤(Filtering on-the-fly)

FilteredClassifier 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 attribute

    Remove remove = new Remove();                 // new instance of filter

    remove.setOptions(options);                  // set options

// inform filter about dataset **AFTER** setting options

remove.setInputFormat(data);  

    Instances newData = Filter.useFilter(data, remove);   // apply filter

    import weka.classifiers.meta.FilteredClassifier;

    import weka.classifiers.trees.J48;

    import weka.filters.unsupervised.attribute.Remove;

    ...

    Instances train = ...         // from somewhere

    Instances test = ...          // from somewhere

    // filter

    Remove rm = new Remove();

    rm.setAttributeIndices("1");  // remove 1st attribute

    // classifier

    J48 j48 = new J48();

    j48.setUnpruned(true);        // using an unpruned J48

    // meta-classifier

    FilteredClassifier fc = new FilteredClassifier();

    fc.setFilter(rm);

    fc.setClassifier(j48);

    // train and make predictions

    fc.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));

     }

其它Weka中便利的meta-schemes:

weka.clusterers.FilteredClusterer (since 3.5.4)

weka.associations.FilteredAssociator (since 3.5.6)

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 somewhere

    Instances test = ...    // from somewhere

    // initializing the filter once with training set

    Standardize filter = new Standardize();

    filter.setInputFormat(train); 

    // configures the Filter based on train instances and returns filtered

    //instances

    Instances newTrain = Filter.useFilter(train, filter); 

// create new test set

    Instances 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data上。训练是通过buildClassifier(Instances)来完成的。

     import weka.classifiers.trees.J48;

    ...

    String[] options = new String[1];

    options[0] = "-U";            // unpruned tree

    J48 tree = new J48();         // new instance of tree

    tree.setOptions(options);     // set the options

    tree.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/data.arff"));

    Instances structure = 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 somewhere

Instances test = ...    // from somewhere

// train classifier

Classifier cls = new J48();

cls.buildClassifier(train);

// evaluate classifier and print some statistics

Evaluation 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 data

Instances unlabeled = new Instances(

                       new BufferedReader(

                          new FileReader("/some/where/unlabeled.arff")));

 

// set class attribute

unlabeled.setClassIndex(unlabeled.numAttributes() - 1);

 

// create copy

Instances labeled = new Instances(unlabeled);

 

// label instances

for (int i = 0; i < unlabeled.numInstances(); i++) {

        double clsLabel = tree.classifyInstance(unlabeled.instance(i));

        labeled.instance(i).setClassValue(clsLabel);

}

// save labeled data

BufferedWriter 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. iterations

options[1] = "100";

EM clusterer = new EM();   // new instance of clusterer

clusterer.setOptions(options);     // set the options

clusterer.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 data

ArffLoader loader = new ArffLoader();

loader.setFile(new File("/some/where/data.arff"));

Instances structure = loader.getStructure();

   

// train Cobweb

Cobweb 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 options

Clusterer clusterer = new EM();

clusterer.buildClusterer(data);        // build clusterer

eval.setClusterer(clusterer);              // the cluster to evaluate

// data to evaluate the clusterer on

eval.evaluateClusterer(newData);      

// output # of clusters

System.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)。

import weka.clusterers.ClusterEvaluation;

import weka.clusterers.DensityBasedClusterer;

import java.util.Random;

...

ClusterEvaluation eval = new ClusterEvaluation();

eval.setClusterer(clusterer);       // the clusterer to evaluate

eval.crossValidateModel(                 // cross-validate

         clusterer, newData, 10,               // with 10 folds

        new 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));

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(new

FileReader("/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 = new

        eka.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(eval.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 somewhere

AttributeSelectedClassifier classifier = new

AttributeSelectedClassifier();

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-validation

Evaluation 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 somewhere

AttributeSelection 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 data

Instances 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 selected

int[] 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。