特征选择算法java实现_科学网—Weka中的特征选择(Attribute selection) - 李向东的博文...

import weka.attributeSelection.*;

import weka.core.*;

import weka.core.converters.ConverterUtils.*;

import weka.classifiers.*;

import weka.classifiers.meta.*;

import weka.classifiers.trees.*;

import weka.filters.*;

import java.util.*;

/**

* performs attribute selection using CfsSubsetEval and GreedyStepwise

* (backwards) and trains J48 with that. Needs 3.5.5 or higher to compile.

*

* @author FracPete (fracpete at waikato dot ac dot nz)

*/

public class AttributeSelectionTest {

/**

* uses the meta-classifier

*/

protected static void useClassifier(Instances data) throws Exception {

System.out.println("n1. Meta-classfier");

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(1));

System.out.println(evaluation.toSummaryString());

}

/**

* uses the filter

*/

protected static void useFilter(Instances data) throws Exception {

System.out.println("n2. Filter");

weka.filters.supervised.attribute.AttributeSelection filter = new weka.filters.supervised.attribute.AttributeSelection();

CfsSubsetEval eval = new CfsSubsetEval();

GreedyStepwise search = new GreedyStepwise();

search.setSearchBackwards(true);

filter.setEvaluator(eval);

filter.setSearch(search);

filter.setInputFormat(data);

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

System.out.println(newData);

}

/**

* uses the low level approach

*/

protected static void useLowLevel(Instances data) throws Exception {

System.out.println("n3. Low-level");

AttributeSelection attsel = new AttributeSelection();

CfsSubsetEval eval = new CfsSubsetEval();

GreedyStepwise search = new GreedyStepwise();

search.setSearchBackwards(true);

attsel.setEvaluator(eval);

attsel.setSearch(search);

attsel.SelectAttributes(data);

int[] indices = attsel.selectedAttributes();

System.out.println("selected attribute indices (starting with 0):n" + Utils.arrayToString(indices));

}

/**

* takes a dataset as first argument

*

* @param argsthe commandline arguments

* @throws Exception if something goes wrong

*/

public static void main(String[] args) throws Exception {

// load data

System.out.println("n0. Loading data");

DataSource source = new DataSource(args[0]);

Instances data = source.getDataSet();

if (data.classIndex() == -1)

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

// 1. meta-classifier

useClassifier(data);

// 2. filter

useFilter(data);

// 3. low-level

useLowLevel(data);

}

}

### 回答1: weka-3-8-6-azul-zulu-windows.exe是一款用于数据挖掘和机器学习的免费开源软件Weka的安装程序。它采用了Azul Zulu OpenJDK平台,可在Windows系统上运行。Weka可以处理各种数据,并提供大量数据挖掘和机器学习算法,以帮助用户发现数据的规律和模式。它还具有图形用户界面和命令行界面,使其易于使用。Weka被广泛用于学术界和工业界,它的应用包括医疗、金融、商业和社交媒体等领域。对于那些对数据挖掘和机器学习感兴趣的人来说,Weka是一个强大的工具,可以帮助他们分析和理解数据。 ### 回答2: weka-3-8-6-azul-zulu-windows.exe 是一款开源的机器学习软件WeKa的安装包,适用于Windows操作系统。WeKa是由新西兰Waikato大学开发的一款数据挖掘工具,它提供了一系列的机器学习算法和数据预处理工具,包括分类、聚类、回归等常见的算法。azul-zulu是一款Java运行时环境,用于运行基于Java编写的应用程序。因此,weka-3-8-6-azul-zulu-windows.exe包含了WeKa软件及其所需的Java运行时环境。 下载weka-3-8-6-azul-zulu-windows.exe后,用户可以通过简单的安装流程将WeKa软件及其依赖的Java环境安装到自己的电脑上。安装完成后,用户可以通过WeKa提供的图形界面或者命令行界面进行数据挖掘和机器学习任务的分析和建模。WeKa被广泛应用于数据挖掘和机器学习领域,可以帮助用户处理和分析各种类型和规模的数据集。同时,WeKa还提供了丰富的文档和示例,方便用户学习和使用。总之,weka-3-8-6-azul-zulu-windows.exe是一款非常实用的数据挖掘工具软件,可以帮助用户掌握和应用机器学习技术,从而更好地处理和分析数据。
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