eclipse中Java程序调用weka

zouquan

要使用程序方式使用weka，步骤如下：
一、在eclipse里新建一个java project：
1.      建立工程：单击菜单中file->new->java project，在弹出对话框的project name中起任意一个名字，此处假设是wekaTest。单击Finish按钮（在对话框底部）。
2.      建立package：在package Explorer中找到刚才新建的工程，在其上右键->New->package。在Name文本框里面输入名称，此处假设为Test。单击Finish按钮。
3.      建立程序文件：在刚才新建的package上面右键->New->class，选中public static void main(String[] args)多选框，单击Finish。
二、在该工程中添加weka的引用：
1.    package Explorer中工程名上右键，选择弹出菜单最后一项properties->在左面选中java Build Path->在右面的Library页面->单击Add External JARs…->浏览weka所在目录，将weka.jar添加进来，然后单击ok。
2.      在package Explorer中在双击Test文件，然后在package wekaTest;一句下面添加四句代码：
import java.io.File;
import weka.classifiers.Classifier;
import weka.classifiers.trees.J48;
import weka.core.Instances;
import weka.core.converters.ArffLoader;
三、在程序中添加weka调用代码：
将以下代码添加到Main函数中（在// TODO Auto-generated method stub下面）：
    Classifier m_classifier = new J48();
        File inputFile = new File("D:\\Program Files\\Weka-3-6\\data\\cpu.with.vendor.arff");//训练语料文件
        ArffLoader atf = new ArffLoader();
        atf.setFile(inputFile);
        Instances instancesTrain = atf.getDataSet(); // 读入训练文件   
        inputFile = new File("D:\\Program Files\\Weka-3-6\\data\\cpu.with.vendor.arff");//测试语料文件
        atf.setFile(inputFile);         
        Instances instancesTest = atf.getDataSet(); // 读入测试文件
        instancesTest.setClassIndex(0); //设置分类属性所在行号（第一行为0号），instancesTest.numAttributes()可以取得属性总数
        double sum = instancesTest.numInstances(),//测试语料实例数
        right = 0.0f;
        instancesTrain.setClassIndex(0);
         m_classifier.buildClassifier(instancesTrain); //训练           
        for(int  i = 0;i<sum;i++)//测试分类结果
        {
            if(m_classifier.classifyInstance(instancesTest.instance(i))==instancesTest.instance(i).classValue())//如果预测值和答案值相等（测试语料中的分类列提供的须为正确答案，结果才有意义）
            {
              right++;//正确值加1
            }
        }
        System.out.println("J48 classification precision:"+(right/sum));
四、运行一下试试。

endual

1. package com.endual.paper.service.impls;
   
2. import weka.attributeSelection.*;
   
3. import weka.core.*;
   
4. import weka.core.converters.ConverterUtils.*;
   
5. import weka.classifiers.*;
   
6. import weka.classifiers.meta.*;
   
7. import weka.classifiers.trees.*;
   
8. import weka.filters.*;
   
9. 
   
10. import java.util.*;
    
11. 
    
12. /**
    
13. * performs attribute selection using CfsSubsetEval and GreedyStepwise
    
14. * (backwards) and trains J48 with that. Needs 3.5.5 or higher to compile.
    
15. *
    
16. * @author FracPete (fracpete at waikato dot ac dot nz)
    
17. */
    
18. public class AttributeSelectionTest {
    
19. 
    
20.   /**
    
21.    * uses the meta-classifier
    
22.    */
    
23.   protected static void useClassifier(Instances data) throws Exception {
    
24.     System.out.println("\n1. Meta-classfier");
    
25.     AttributeSelectedClassifier classifier = new AttributeSelectedClassifier();
    
26.     CfsSubsetEval eval = new CfsSubsetEval();
    
27.     GreedyStepwise search = new GreedyStepwise();
    
28.     search.setSearchBackwards(true);
    
29.     J48 base = new J48();
    
30.     classifier.setClassifier(base);
    
31.     classifier.setEvaluator(eval);
    
32.     classifier.setSearch(search);
    
33.     Evaluation evaluation = new Evaluation(data);
    
34.     evaluation.crossValidateModel(classifier, data, 10, new Random(1));
    
35.     System.out.println(evaluation.toSummaryString());
    
36.   }
    
37. 
    
38.   /**
    
39.    * uses the filter
    
40.    */
    
41.   protected static void useFilter(Instances data) throws Exception {
    
42.     System.out.println("\n2. Filter");
    
43.     weka.filters.supervised.attribute.AttributeSelection filter = new weka.filters.supervised.attribute.AttributeSelection();
    
44.     CfsSubsetEval eval = new CfsSubsetEval();
    
45.     GreedyStepwise search = new GreedyStepwise();
    
46.     search.setSearchBackwards(true);
    
47.     filter.setEvaluator(eval);
    
48.     filter.setSearch(search);
    
49.     filter.setInputFormat(data);
    
50.     Instances newData = Filter.useFilter(data, filter);
    
51.     System.out.println(newData);
    
52.   }
    
53. 
    
54.   /**
    
55.    * uses the low level approach
    
56.    */
    
57.   protected static void useLowLevel(Instances data) throws Exception {
    
58.     System.out.println("\n3. Low-level");
    
59.     AttributeSelection attsel = new AttributeSelection();
    
60.     CfsSubsetEval eval = new CfsSubsetEval();
    
61.     GreedyStepwise search = new GreedyStepwise();
    
62.     search.setSearchBackwards(true);
    
63.     attsel.setEvaluator(eval);
    
64.     attsel.setSearch(search);
    
65.     attsel.SelectAttributes(data);
    
66.     int[] indices = attsel.selectedAttributes();
    
67.     System.out.println("selected attribute indices (starting with 0):\n" + Utils.arrayToString(indices));
    
68.   }
    
69. 
    
70.   /**
    
71.    * takes a dataset as first argument
    
72.    *
    
73.    * @param args        the commandline arguments
    
74.    * @throws Exception  if something goes wrong
    
75.    */
    
76.   public static void main(String[] args) throws Exception {
    
77.        
    
78.          args = new String[1] ;
    
79.          args[0] = "weka_data\\data\\src_data\\paper.arff" ; //导入文件
    
80.           
    
81.     // load data
    
82.     System.out.println("\n0. Loading data");
    
83.     DataSource source = new DataSource(args[0]);
    
84.     Instances data = source.getDataSet();
    
85.     if (data.classIndex() == -1)
    
86.       data.setClassIndex(data.numAttributes() - 1);
    
87. 
    
88.     // 1. meta-classifier
    
89.     useClassifier(data);
    
90. 
    
91.     // 2. filter
    
92.     useFilter(data);
    
93. 
    
94.     // 3. low-level
    
95.     useLowLevel(data);
    
96.   }
    
97. }
    

复制代码

我这个是网上抄来的，有分类，过滤属性，降低维度的调用代码，仅供参考。