如何在 WEKA 中打印出交叉验证后的预测类

Posted 2023-03-12

【中文标题】如何在 WEKA 中打印出交叉验证后的预测类

【英文标题】：How to print out the predicted class after cross-validation in WEKA

【发布时间】：2011-11-10 23:54:56

【问题描述】：

使用分类器完成 10 倍交叉验证后，如何打印出每个实例的预测类以及这些实例的分布？

J48 j48 = new J48();
Evaluation eval = new Evaluation(newData);
eval.crossValidateModel(j48, newData, 10, new Random(1));

当我尝试类似下面的操作时，它说分类器没有构建。

for (int i=0; i<data.numInstances(); i++)
   System.out.println(j48.distributionForInstance(newData.instance(i)));
 

我正在尝试做的是与 WEKA GUI 中相同的功能，其中一旦训练了分类器，我可以点击 Visualize classifier error" > Save，我会在文件中找到预测的类。但现在我需要它来使用我自己的 Java 代码。

---

我尝试过类似以下的方法：

J48 j48 = new J48();
Evaluation eval = new Evaluation(newData);
StringBuffer forPredictionsPrinting = new StringBuffer();
weka.core.Range attsToOutput = null;
Boolean outputDistribution = new Boolean(true);
eval.crossValidateModel(j48, newData, 10, new Random(1), forPredictionsPrinting, attsToOutput, outputDistribution);

但它提示我错误：

Exception in thread "main" java.lang.ClassCastException: java.lang.StringBuffer cannot be cast to weka.classifiers.evaluation.output.prediction.AbstractOutput

【参考方案1】：

crossValidateModel() 方法可以采用 forPredictionsPrinting varargs 参数，该参数是 weka.classifiers.evaluation.output.prediction.AbstractOutput 实例。

其中重要的部分是StringBuffer，用于保存所有预测的字符串表示。以下代码在未经测试的JRuby 中，但您应该能够根据需要对其进行转换。

j48 = j48.new
eval = Evalution.new(newData)
predictions = java.lange.StringBuffer.new
eval.crossValidateModel(j48, newData, 10, Random.new(1), predictions, Range.new('1'), true)
# variable predictions now hold a string of all the individual predictions

【讨论】：

但是在 weka.sourceforge.net/doc 我没有看到任何 crossValidateModel 选项作为您的描述，您介意指出正确的文档或我可以看到此类信息的地方吗？欣赏！！

见weka.sourceforge.net/doc.dev/weka/classifiers/…。 SO 似乎没有正确解析片段标识符，因此向下滚动到第一个 crossValidateModel 方法签名。

请查看我对这个问题的编辑。我尝试了一些你的建议......但它提示我错误，不确定我做错了什么。请帮忙！！谢谢！！

我并没有真正将 weka 与 Java 一起使用，仅在 JRuby 中使用上述代码。尝试创建一个 PlainText 对象，该对象扩展 AbstractOutput（例如称为输出）实例并调用 output.setBuffer(forPredictionsPrinting) 并将其传入而不是缓冲区。

它有效！！！！非常感谢！！但是对于 PlainText 实例或 StringBuffer 实例，有没有办法获得第 i 个实例的结果？我还注意到返回的预测包括“inst# 实际预测误差预测”，但 GUI 包含“inst#, actual, predicted, error, probability distribution”（包括所有类的分布）。我可以知道为什么它们不同吗？我怎样才能得到像 GUI 一样的呢？

【参考方案2】：

几天前我被困住了。我想使用矩阵而不是从 arff 文件加载来评估 matlab 中的 Weka 分类器。我使用http://www.mathworks.com/matlabcentral/fileexchange/21204-matlab-weka-interface 和以下源代码。我希望这对其他人有帮助。

import weka.classifiers.*;

import java.util.*

wekaClassifier = javaObject('weka.classifiers.trees.J48');

wekaClassifier.buildClassifier(processed);%Loaded from loadARFF

e = javaObject('weka.classifiers.Evaluation',processed);%Loaded from loadARFF
myrand = Random(1);
plainText = javaObject('weka.classifiers.evaluation.output.prediction.PlainText');
buffer = javaObject('java.lang.StringBuffer');
plainText.setBuffer(buffer)
bool = javaObject('java.lang.Boolean',true);
range = javaObject('weka.core.Range','1');
array = javaArray('java.lang.Object',3);
array(1) = plainText;
array(2) = range;
array(3) = bool;
e.crossValidateModel(wekaClassifier,testing,10,myrand,array)
e.toClassDetailsString

Asdrúbal López-Chau

【参考方案3】：

clc
clear
%Load from disk
fileDataset = 'cm1.arff';
myPath = 'C:\Users\Asdrubal\Google Drive\Respaldo\DoctoradoALCPC\Doctorado ALC PC\AlcMobile\AvTh\MyPapers\Papers2014\UnderOverSampling\data\Skewed\datasetsKeel\';
javaaddpath('C:\Users\Asdrubal\Google Drive\Respaldo\DoctoradoALCPC\Doctorado ALC PC\AlcMobile\JarsForExperiments\weka.jar');
wekaOBJ = loadARFF([myPath fileDataset]);
%Transform from data into Matlab
[data, featureNames, targetNDX, stringVals, relationName] = ... 
weka2matlab(wekaOBJ,'[]');
%Create testing and training sets in matlab format (this can be improved)
[tam, dim] = size(data);
idx = randperm(tam);
testIdx = idx(1 : tam*0.3);
trainIdx = idx(tam*0.3 + 1:end);
trainSet = data(trainIdx,:);
testSet = data(testIdx,:);
%Trasnform the training and the testing sets into the Weka format
testingWeka = matlab2weka('testing', featureNames, testSet);
trainingWeka = matlab2weka('training', featureNames, trainSet);
%Now evaluate classifier
import weka.classifiers.*;
import java.util.*
wekaClassifier = javaObject('weka.classifiers.trees.J48');
wekaClassifier.buildClassifier(trainingWeka);
e = javaObject('weka.classifiers.Evaluation',trainingWeka);
myrand = Random(1);
plainText = javaObject('weka.classifiers.evaluation.output.prediction.PlainText');
buffer = javaObject('java.lang.StringBuffer');
plainText.setBuffer(buffer)
bool = javaObject('java.lang.Boolean',true);
range = javaObject('weka.core.Range','1');
array = javaArray('java.lang.Object',3);
array(1) = plainText;
array(2) = range;
array(3) = bool;
e.crossValidateModel(wekaClassifier,testingWeka,10,myrand,array)%U
e.toClassDetailsString