Weka分類器不起作用

即時通訊編程很新穎。我編碼了一個簡單的貝葉斯分類器。這裏是代碼：Weka分類器不起作用

public static void main(String[] args) throws Exception { 
    Attribute Attribute1 = new Attribute("firstNumeric"); 
    Attribute Attribute2 = new Attribute("secondNumeric"); 

    // Declare a nominal attribute along with its values 
    ArrayList<String> fvNominalVal = new ArrayList(3); 
    fvNominalVal.add("blue"); 
    fvNominalVal.add("gray"); 
    fvNominalVal.add("black"); 
    Attribute Attribute3 = new Attribute("aNominal", fvNominalVal); 

    // Declare the class attribute along with its values 
    ArrayList<String> fvClassVal = new ArrayList(2); 
    fvClassVal.add("positive"); 
    fvClassVal.add("negative"); 
    Attribute ClassAttribute = new Attribute("theClass", fvClassVal); 

    // Declare the feature vector 
    ArrayList<Attribute> fvWekaAttributes = new ArrayList(4); 
    fvWekaAttributes.add(Attribute1); 
    fvWekaAttributes.add(Attribute2); 
    fvWekaAttributes.add(Attribute3); 
    fvWekaAttributes.add(ClassAttribute); 

    // Create an empty training set 
    Instances isTrainingSet = new Instances("Rel", fvWekaAttributes, 10); 
    // Set class index 
    isTrainingSet.setClassIndex(3); 

    // Create the instance 
    Instance ex1 = new DenseInstance(4); 
    ex1.setValue((Attribute) fvWekaAttributes.get(0), 1.0); 
    ex1.setValue((Attribute) fvWekaAttributes.get(1), 5.5); 
    ex1.setValue((Attribute) fvWekaAttributes.get(2), "gray"); 
    ex1.setValue((Attribute) fvWekaAttributes.get(3), "positive"); 

    Instance ex2 = new DenseInstance(4); 
    ex1.setValue((Attribute) fvWekaAttributes.get(0), 1.0); 
    ex1.setValue((Attribute) fvWekaAttributes.get(1), 5.5); 
    ex1.setValue((Attribute) fvWekaAttributes.get(2), "blue"); 
    ex1.setValue((Attribute) fvWekaAttributes.get(3), "negative"); 

    // add the instance 
    isTrainingSet.add(ex1); 
    isTrainingSet.add(ex2); 

    // Create a naïve bayes classifier 
    Classifier cModel = (Classifier) new NaiveBayes(); 
    cModel.buildClassifier(isTrainingSet); 

    Instance testData = new DenseInstance(4); 
    testData.setValue((Attribute) fvWekaAttributes.get(0), 1.0); 
    testData.setValue((Attribute) fvWekaAttributes.get(1), 5.5); 
    testData.setValue((Attribute) fvWekaAttributes.get(2), "gray"); 

    Instances testDataSet = new Instances("Rel", fvWekaAttributes, 1); 
    testDataSet.setClassIndex(3); 
    testDataSet.add(testData); 

    double[] a = cModel.distributionForInstance(testDataSet.firstInstance()); 
    for(int i=0;i<a.length;i++){ 
     System.out.println(a[i]); 
    } 
}

但結果似乎並不爲真。這裏是結果：

6.702810252023562E-151

1.0

即使我改變TESTDATA這樣：

testData.setValue((Attribute) fvWekaAttributes.get(0), 1.0); 
testData.setValue((Attribute) fvWekaAttributes.get(1), 5.5); 
testData.setValue((Attribute) fvWekaAttributes.get(2), "blue");

的結果幾乎是這個。如下：

3.351405126011781E-151

1.0

感謝在先進。

來源

2016-06-22 Arman

在我看來這裏的問題是，你只有兩個instaneces在訓練集中，naiv baies分類器不能從中學習一個有價值的模型。這就是爲什麼你有一個confision結果。嘗試生成至少100個或更多列車實例，或者在這裏您可以找到一些示例數據集以瞭解如何應用ML方法：http://storm.cis.fordham.edu/~gweiss/data-mining/datasets.html

來源

2016-06-23 08:31:43

Weka分類器不起作用

回答

相關問題