使用来自模型向量的数据(属性很少)，而无需在Java中的WEKA API中制作ARFF文件

Question

我正在尝试在模型类的两个向量中准备一些数据，以训练分类（一个用于火车，另一个用于测试），使用Java中的WEKA API。有没有办法以某种方式排列我的数据，以便我不必制作 *.arff文件？

我的模型类包括六个属性l1（string），l2（string），A（double），b（double），c（double），d（double），站（字符串）

每行看起来像Traindata是向量：

for(int i=0; i<traindata.size(); i++) {
    double[] row = new double[] { traindata.get(i).getL1(),traindata.get(i).getL2(),traindata.get(i).getA(), traindata.get(i).getB(), traindata.get(i).getC(), traindata.get(i).getD(), traindata.get(i).getStation() };
}

，矢量是这些的很大收藏。

有人可以帮我吗？

Answer 1

用于训练WEKA分类器您需要Instances对象。Instances对象既包含数据的结构，也包含数据的每个Instance。ARFF文件是实例对象的序列化版本。Instance只是一个结构，它具有数据的示例/实例。

因此，您可以创建一个Instances对象，然后用Instance s填充。这是一个简单的代码：

// create attributes. For nominal attributes list all possible values
ArrayList<Attribute> attributes = new ArrayList<Attribute>();
attributes.add(new Attribute("L1", new ArrayList<String>(Arrays.AsList("L1_val1", "L1_val2", ...)));
attributes.add(new Attribute("L2", new ArrayList<String>(Arrays.AsList("L2_val1", "L2_val2", ...)));
attributes.add(new Attribute("A"));
attributes.add(new Attribute("B"));
attributes.add(new Attribute("C"));
attributes.add(new Attribute("D"));
attributes.add(new Attribute("Station", new ArrayList<String>(Arrays.AsList("S1", "S2", ...)));
//create Instances
Instances ins = new Instances(name, attributes, traindata.size());
//create Instance
for(int i=0; i<traindata.size(); i++) {
    String L1 = traindata.get(i).getL1();
    String L2 = traindata.get(i).getL2();
    String station = traindata.get(i).getStation();
    double[] row = new double[] { 
        attributes.get(0).indexOfValue(L1), //convert string to double - index of L1
        attributes.get(1).indexOfValue(L2), //convert string to double - index of L2
        traindata.get(i).getA(), 
        traindata.get(i).getB(), 
        traindata.get(i).getC(), 
        traindata.get(i).getD(), 
        attributes.get(1).indexOfValue(station), //convert string to double  
     };
    Instance instance = new DenseInstance(weight, row);
    instances.add(instance);
 }
//build classifier
classifier.buildClassifier(instances);