Weka，是一個用Java編寫的數(shù)據(jù)挖掘軟件。數(shù)據(jù)挖掘，從字面上來看，它是一個從數(shù)據(jù)中找尋有用信息的過程，不過，它涉及的內(nèi)容很多，所以，這里借用“分類”這一面來說事。
分類，從名稱上來看，再簡單不過了，給你一樣東西，給它分個類。你如何知道怎么分類呢？顯然，這是基于你已有的經(jīng)驗。對于計算機而言，這種經(jīng)驗從何而來呢？只有讓人來告訴它，也就是說，我們要拿一批數(shù)據(jù)訓練計算機，經(jīng)過訓練的計算機，便具備了一定的識別能力，就可以完成一些簡單的分類工作。現(xiàn)實中，可以用到分類的機會有很多，比如我之前，曾經(jīng)參與過的一個項目就是用這種方法來做車輛的識別。
下面便是一段使用Weka完成一段分類程序。
import weka.classifiers.Classifier;
import weka.classifiers.bayes.NaiveBayesMultinomial;
import weka.core.Attribute;
import weka.core.FastVector;
import weka.core.Instance;
import weka.core.Instances;
import weka.filters.Filter;
import weka.filters.unsupervised.attribute.StringToWordVector;
public class Main {
private static final String GOOD = "G";
private static final String BAD = "B";
private static final String CATEGORY = "category";
private static final String TEXT = "text";
private static final int INIT_CAPACITY = 100;
private static final String[][] TRAINING_DATA = {
{"Good", GOOD},
{"Wonderful", GOOD},
{"Cool", GOOD},
{"Bad", BAD},
{"Disaster", BAD},
{"Terrible", BAD}
};
private static final String TEST_DATA = "Good";
private static Filter filter = new StringToWordVector();
private static Classifier classifier = new NaiveBayesMultinomial();
public static void main(String[] args) throws Exception {
FastVector categories = new FastVector();
categories.addElement(GOOD);
categories.addElement(BAD);
FastVector attributes = new FastVector();
attributes.addElement(new Attribute(TEXT, (FastVector)null));
attributes.addElement(new Attribute(CATEGORY, categories));
Instances instances = new Instances("Weka", attributes, INIT_CAPACITY);
instances.setClassIndex(instances.numAttributes() - 1);
for (String[] pair : TRAINING_DATA) {
String text = pair[0];
String category = pair[1];
Instance instance = createInstanceByText(instances, text);
instance.setClassValue(category);
instances.add(instance);
}
filter.setInputFormat(instances);
Instances filteredInstances = Filter.useFilter(instances, filter);
classifier.buildClassifier(filteredInstances);
// Test
String testText = TEST_DATA;
Instance testInstance = createTestInstance(instances.stringFreeStructure(), testText);
double predicted = classifier.classifyInstance(testInstance);
String category = instances.classAttribute().value((int)predicted);
System.out.println(category);
}
private static Instance createInstanceByText(Instances data, String text) {
Attribute textAtt = data.attribute(TEXT);
int index = textAtt.addStringValue(text);
Instance instance = new Instance(2);
instance.setValue(textAtt, index);
instance.setDataset(data);
return instance;
}
private static Instance createTestInstance(Instances data, String text) throws Exception {
Instance testInstance = createInstanceByText(data, text);
filter.input(testInstance);
return filter.output();
}
}
這個程序分成兩個大部分，前半部分用以訓練分類器，后半部分則是測試這個分類器。
訓練分類器，我們要做的包括，選擇分類算法和準備訓練數(shù)據(jù)。在Weka中，每一種分類算法都是Classifier的一個子類，這樣的話，就可以在不改變其它部分的情況下，很容易的修改分類算法。
其實，稍微了解一下這方面的知識的人，都會知道，分類算法固然重要，但真正決定一個分類器本事大小的，是用以訓練的數(shù)據(jù)。想要得到一個好的分類器，少不了不斷調(diào)整訓練數(shù)據(jù)和不斷的訓練。這同人類認識問題是一樣的，經(jīng)得多，見得廣，才有更好的分辨能力。
在Weka中，用以訓練的數(shù)據(jù)就是Instances，顧名思義，這是Instance的復數(shù)，顯而易見，單獨的一個訓練數(shù)據(jù)就是Instance，而Instances這個類的存在，可以把Instance的一些公共的屬性放到一起。在這里，我們可以看到，為了用文本作為訓練數(shù)據(jù)，我們會把文本轉(zhuǎn)換為Instance。同樣，測試分類器的時候，我們也會把文本轉(zhuǎn)換為一個Instance，然后再進行分類。
除此之外，這里還有一個Filter的概念，同常見的filter概念類似，它給了我們一個進行正式處理之前，對數(shù)據(jù)進行處理的機會。在這里，主要是對Instance做一些相關的變換。
當我們得到一個分類器之后，就可以利用這個分類器進行分類了，其中，最關鍵的代碼是
classifier.classifyInstance(testInstance);
這段代碼返回的是根據(jù)分類算法計算結(jié)果得到的一個相似度，我們可以利用這個值來估計我們測試用的數(shù)據(jù)應該屬于哪個分類。
從代碼上來說，這段代碼本身并不復雜。正如前面所說，一個好的分類器是需要讓數(shù)據(jù)幫忙的。所以，換幾個測試數(shù)據(jù)，你就會發(fā)現(xiàn)，這段代碼中實現(xiàn)的分類器一點都不強大。如果希望它強大起來，擴展訓練數(shù)據(jù)是一個必然的結(jié)果。不過，對于這篇blog而言，這不重要，因為我們只是要和Weka問個好，進一步的工作，還需要進一步的努力。