使用来自模型向量（具有少量属性）的数据，而无需在JAVA中的WEKA API中创建ARFF文件

Question

我试图在我的模型类的两个向量中准备一些数据，以便在java中使用WEKA API来训练分类（一个用于训练，另一个用于测试）。有没有办法我可以安排我的数据，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），Station（String）

每一行都看起来像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() };
}

矢量是这些的大集合。

有人可以帮帮我吗？

Answer 1

要在Weka中训练分类器，您需要一个Instances对象。 Instances对象包含数据结构和数据的每个Instance。 ARFF文件是Instances对象的序列化版本。 Instance只是一个包含数据示例/实例的结构。

所以你可以创建一个Instances对象，用Instances填充它。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);