本篇文章针对weka API的几个简单使用介绍，weka官网文档介绍非常详细，可参考。
1. weka官网：https://www.cs.waikato.ac.nz/~ml/weka/
2. weka官方文档：https://waikato.github.io/weka-wiki/
3. weka API文档：https://weka.sourceforge.io/doc.stable-3-8/
4. 推荐值得学习的blog：https://www.cnblogs.com/zlslch/category/999872.html
此博客是介绍weka比较系统和详细的博客，有些不明白的地方可以查看官网。
备注：weka官方文档上有相应例子，有些例子对应版本比较旧，可对应更新为自己使用的版本
建议看下官网的有关weka视频的介绍：https://youtu.be/TF1yh5PKaqI
一、Java调用Weka API创建Arff文件
Arff(attribute relation file format 关系属性格式)文件是一种由独立、无序实例组成的数据集文件，是一种 ASCII 文本文件。在 Arff 文件中，%开始表示注释；@relation 表示数据之间的关系；@attribute 表示字段名称和字段类型；@data 表示具体的数据，同时数据的顺序要和@attribute 中的属性保持一致。文件内容中，最开始的部分显示文件注释，之后显示关系的名字和属性的具体定义，在属性下是具体的数据集合。
1. 总共就这么四步，关键代码：
1）一开始需要实例化一个Vector来保存数据属性：
FastVector atts =newFastVector();// 保存属性
2）同时需要有保存单条数据
double[]vals;// arff保存单条数据
3）判断数据格式之后新建数据属性：
atts.addElement(newAttribute(numName));
4）之后填充数据：
vals[j] =instances.attribute(j).addStringValue("XXXXX");
2. 完整代码：
/** * 创建合法格式的Arff文件 * * @param data 该参数为封装好的Data参数，数据类型为 * Map
public String createArffFile(Data data, int userID) throws Exception {
FastVector atts = new FastVector();// 保存属性
double[] vals;// arff保存单条数据
// 创建List作为数据类型flag
List
// 获取data数据
wekaData = XMLParser.praseXML(data.getData_Content());
// 获取data中的第0行为title,第一行为判断数据类型
List
List
// 遍历title中的数据类型,为arff文件创建attribute
for (int i = 0; i < firstList.size(); i++) {
Object obj = firstList.get(i);
String objStr = obj.toString();
if (isNumeric(objStr)) {
indexList.add("Numeric");
String numName = String.valueOf(titleList.get(i));
atts.addElement(new Attribute(numName));
} else if (isValidDate(objStr)) {
indexList.add("Date");
atts.addElement(new Attribute((String) titleList.get(i), "yyyy-MM-dd"));
} else {
indexList.add("String");
atts.addElement(new Attribute((String) titleList.get(i), (FastVector) null));
}
}
// 必须放在创建attribute之后 否则会报异常
Instances instances = new Instances(data.getData_Name(), atts, 0); // 创建一个weka data实例
System.out.println(indexList);
// 填充数据
for (int i = 1; i < wekaData.size(); i++) {
vals = new double[instances.numAttributes()];
String index = String.valueOf(i);
int length = wekaData.get(index).size();
System.out.println(length);
// 遍历填充
for (int j = 0; j < length; j++) {
if (indexList.get(j).equals("String")) {
System.out.println("string");
vals[j] = instances.attribute(j).addStringValue((String) wekaData.get(index).get(j));
} else if (indexList.get(j).equals("Numeric")) {
System.out.println("number");
System.out.println((String) wekaData.get(index).get(j));
double num = Double.valueOf((String) wekaData.get(index).get(j));
vals[j] = num;
}
}
instances.add(new Instance(1.0, vals));
// end
}
System.out.println(instances.toString());
// IP时间戳工具
IPTimeStamp ipTimeStamp = new IPTimeStamp();
// 保存文件加时间戳重命名，防止不同文件重名覆盖
String fileName = ipTimeStamp.getIPTimeRand() + "_" + userID + "_" + data.getData_Name();
String path = configProperty.getArffPath() + fileName + ".arff";
File outFile = new File(path);
FileUtils.writeStringToFile(outFile, instances.toString(), false);
System.out.println("ArffPath" + configProperty.getArffPath());
return path;
}
构建好的格式举例：K-means聚类样本.arff
@relation K-means聚类样本
@attribute X numeric
@attribute Y numeric
@data
0,0
1,0
二、Weka API使用训练好的已知模型进行实时预测
1、自己根据属性构建instance实例。
2、调用之前已经训练的模型，调用时需要将模型强制转变为模型机器学习类型，如NaiveBayes的模型需要这样操作。
Classifier m_Classifier = (NaiveBayes)SerializationHelper.read(new FileInputStream("model/bayes.model"))；
以下是本文构建的Weka实时预测功能：
本实例中instance具有四个属性，第一个为double属性，第二个是double属性，第三个是Nominal类型，第四个是Class类型（预测值)。
注：本文中使用的模型可以使用Weka图形界面操作生成。
代码思路：
首先，构建一个instances结构，构建instances具有什么样的属性；其次，指定instances的类别索引，即指定哪个属性代表的是类别。之后，构建instance实例，将instances的结构框架指定为instance的数据集，给instance赋值，此处传值时不需要传入Class值，因为这是我们要预测的；最后，使用已知模型的classifyInstance方法对instance进行预测，再根据预测出的索引得到预测类别的值。
以下是编写的Weka实时预测代码：
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import weka.classifiers.Classifier;
import weka.classifiers.bayes.NaiveBayes;
import weka.core.Attribute;
import weka.core.FastVector;
import weka.core.Instance;
import weka.core.Instances;
import weka.core.SerializationHelper;
public class WekaTestInstance
{
Instances m_Data = null;
Classifier m_Classifier = null;
public WekaTestInstance() throws FileNotFoundException, Exception
{
m_Classifier = (NaiveBayes)SerializationHelper.read(new FileInputStream("model/bayes.model"));
String nameOfDataset = "messDataset";
FastVector attributes = new FastVector();
attributes.addElement(new Attribute("aa"));
attributes.addElement(new Attribute("bb"));
FastVector fvNominalVal = new FastVector(3);
fvNominalVal.addElement("blue");
fvNominalVal.addElement("gray");
fvNominalVal.addElement("black");
attributes.addElement(new Attribute("Nominal", fvNominalVal));
FastVector classValues = new FastVector(2);
classValues.addElement("pos");
classValues.addElement("neg");
attributes.addElement(new Attribute("Class", classValues));
m_Data = new Instances(nameOfDataset, attributes, 10);
m_Data.setClassIndex(m_Data.numAttributes()-1);
}
public void classifyMessage(double aa,double bb,String nominal) throws Exception
{
Instances testset = m_Data.stringFreeStructure();
Instance instance = makeInstance(aa,bb,nominal,testset);
System.out.println(m_Data.numAttributes());
System.out.println(instance);
double predicted = m_Classifier.classifyInstance(instance);
System.out.println("predicted:"+predicted);
System.out.println("Message classified as : " +
m_Data.classAttribute().value((int)predicted));
}
private Instance makeInstance(double aa,double bb,String nominal,Instances data)
{
Instance instance = new Instance(4);
instance.setDataset(data);
Attribute aaAtt = data.attribute("aa");
Attribute bbAtt = data.attribute("bb");
Attribute nominalAtt = data.attribute("Nominal");
instance.setValue(aaAtt, aa);
instance.setValue(bbAtt, bb);
instance.setValue(nominalAtt, nominal);
// instance.setValue((Attribute)instance.attribute(0), aa);
// instance.setValue((Attribute)instance.attribute(1), bb);
// instance.setValue((Attribute)instance.attribute(2),nominal);
return instance;
}
public static void main(String[] args) throws Exception
{
WekaTestInstance wTestInstance = new WekaTestInstance();
wTestInstance.classifyMessage(5.6,9.9,"gray");
}
}