Weka 使用元分类器

import java.util.Random;

import weka.attributeSelection.CfsSubsetEval;
import weka.attributeSelection.GreedyStepwise;
import weka.classifiers.Evaluation;
import weka.classifiers.meta.AttributeSelectedClassifier;
import weka.classifiers.trees.J48;
import weka.core.Instances;
import weka.core.converters.ConverterUtils.DataSource;

/**
 * 使用元分类器
 */
public class UseMetaClassifier {

	public static void main(String[] args) throws Exception {
		// 加载数据
		DataSource source = new DataSource(
				"D:/Program Files/Weka-3-6/data/weather.numeric.arff");
		Instances data = source.getDataSet();
		// 设置类别属性索引
		if (data.classIndex() == -1)
			data.setClassIndex(data.numAttributes() - 1);

		System.out.println("\n 使用元分类器");
		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);
		Evaluation evaluation = new Evaluation(data);
		evaluation.crossValidateModel(classifier, data, 10, new Random(1234));
		System.out.println(evaluation.toSummaryString());
	}

}


输出:

        使用元分类器


Correctly Classified Instances           8               57.1429 %
Incorrectly Classified Instances         6               42.8571 %
Kappa statistic                         -0.0244
Mean absolute error                      0.3709
Root mean squared error                  0.4834
Relative absolute error                 77.8846 %
Root relative squared error             97.9729 %
Coverage of cases (0.95 level)         100      %
Mean rel. region size (0.95 level)      82.1429 %
Total Number of Instances               14     


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
WEKA是一个流行的机器学习工具,而Shapelet分类器是一种特殊的时间序列分类算法。在Python中,可以使用weka库来调用WEKA和Shapelet分类器。 首先,确保已经安装了weka库。可以使用pip命令进行安装: ``` pip install python-weka-wrapper3 ``` 接下来,我们将使用weka库来调用WEKA和Shapelet分类器。以下是一个示例代码: ```python import weka.core.jvm as jvm from weka.core.converters import Loader from weka.classifiers import Classifier from weka.classifiers import Evaluation # 启动JVM jvm.start() # 加载数据集 loader = Loader(classname="weka.core.converters.ArffLoader") data = loader.load_file("data.arff") data.class_is_last() # 构建Shapelet分类器 classifier = Classifier(classname="weka.classifiers.lazy.DTW_1NN") classifier.build_classifier(data) # 进行交叉验证评估 evaluation = Evaluation(data) evaluation.crossvalidate_model(classifier, data, 10, Random(1)) # 输出评估结果 print(evaluation.summary()) # 关闭JVM jvm.stop() ``` 在上述代码中,我们首先启动了WEKA的Java虚拟机(JVM)。然后,使用weka库中的Loader类加载数据集。接着,使用Classifier类构建Shapelet分类器,并使用build_classifier方法训练模型。最后,使用Evaluation类进行交叉验证评估,并输出评估结果。 请注意,上述代码中的"data.arff"是一个示例数据集的文件名。你需要将代码中的数据集文件名替换为你自己的数据集文件名,并确保数据集的格式正确。 这样,你就可以使用weka库调用WEKA和Shapelet分类器进行时间序列分类任务了。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值