Weka開發［5］－半監督算法

此次介紹一個我如今正在作的半監督算法，由於我只是提出一個框架，半監督算法只是一個工具，但是爲了找這個工具也讓我花了很多功夫。如今介紹的暫時不是Weka的一部分，但開發者是waikato大學（也就是開發Weka的那個大學）。下載地址是http://www.cs.waikato.ac.nz/~fracpete/projects/collective-classification/。我下載的是Classifiers compatible now with Weka 3.5.8 。別的幾種，能不能行我也不知道，我而後也按做者說的把Weka3.5.8也下載下來了（不知道和之前的版本是否兼容），使用很是簡單，先到Weka目錄下，把weka-src.jar解壓，再把下載的src.tar.gz在Weka目錄下解壓，若是有替換就替換，若是沒有替換，證實你的操做有錯。

      而後就能夠試一下了，把所有Weka源文件拷貝到你新的工程中去，下面我給出了一個測試的例子，不要太相信個人辦法，我還沒細看他的代碼（分紅訓練和測試樣本的方法有問題，懶得改有，誰改完了，請發給我）。注意一下，他訓練是同時用訓練集和測試集。若是不明白，下載他的一篇論文Using Weighted Nearest Neighbor to Benefit from Unlabeled Data。很是簡單，不用懼怕。

      補充：Tri-train是屬於Multi-View的半監督算法，能夠從周志華的網站上下載到，論文和代碼都不是很難懂，網址是：http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/annex/TriTrain.htm，這裏不做解釋。若是還有別的基於Weka的半監督代碼，請告訴我。

 

package semiTest;
 
import java.io.BufferedWriter;
import java.io.FileReader;
import java.io.FileWriter;
import java.io.IOException;
 
import weka.classifiers.Evaluation;
import weka.classifiers.collective.functions.LLGC;
import weka.classifiers.collective.meta.CollectiveBagging;
import weka.classifiers.collective.meta.YATSI;
import weka.classifiers.trees.J48;
import weka.core.Instances;
import weka.core.Utils;
import weka.filters.Filter;
import weka.filters.unsupervised.instance.Resample;
 
public class Test
{
    Instances m_instances = null;
    Instances m_testIns = null;
    Instances m_trainIns = null;
    
    public void getFileInstances( String fileName ) throws Exception
    {
        FileReader frData = new FileReader( fileName );
        m_instances = new Instances( frData );
    }  
    
    public void writeToArffFile(String newFilePath,Instances ins) throws IOException
    {
        BufferedWriter writer = new BufferedWriter(new FileWriter(newFilePath));
        writer.write(ins.toString());
        writer.flush();
        writer.close();
    }
    
    public void FilterRemovePercentageTest() throws Exception
    {
        Resample removePercentage =new Resample();
        String[] options = Utils.splitOptions("-Z 10 -no-replacement");
        removePercentage.setOptions(options);
        removePercentage.setInputFormat( m_instances );
        m_trainIns = Filter.useFilter( m_instances, removePercentage);  
        writeToArffFile("TrainData.arff", m_trainIns );
        
        options = Utils.splitOptions("-Z 90 -no-replacement");
        removePercentage.setOptions(options);
        removePercentage.setInputFormat( m_instances );
        m_testIns = Filter.useFilter( m_instances,removePercentage);
        writeToArffFile("TestData.arff", m_testIns );
        
        m_trainIns.setClassIndex( m_trainIns.numAttributes() - 1 );
        m_testIns.setClassIndex( m_testIns.numAttributes() - 1 );
    }
    
    public void LLGCTest() throws Exception
    {
        System.out.println( " **************LLGC********** " );
        
        LLGC llgc = new LLGC(); 
        llgc.buildClassifier( m_trainIns, m_testIns );
        
        Evaluation eval = new Evaluation( m_trainIns );
        eval.evaluateModel( llgc, m_testIns );
        System.out.println( eval.toSummaryString() );
    }
    
    public void J48Test() throws Exception
    {
        System.out.println( " **************J48********** " );
        
        J48 j48 = new J48();        
        j48.buildClassifier( m_trainIns );
        
        Evaluation eval = new Evaluation( m_trainIns );
        eval.evaluateModel( j48, m_testIns );
        System.out.println( eval.toSummaryString() );   
    }
    
    public void YATSITest() throws Exception
    {
        System.out.println( " **************YATSI********** " );
        
        YATSI yatsi = new YATSI();
        yatsi.buildClassifier( m_trainIns, m_testIns );
        
        Evaluation eval = new Evaluation( m_trainIns );
        eval.evaluateModel( yatsi, m_testIns );
        System.out.println( eval.toSummaryString() );   
    }
    
    public void CollectiveEMTest() throws Exception
    {
        System.out.println( " **************EM********** " );
        
        CollectiveBagging bagging = new CollectiveBagging();
        bagging.buildClassifier( m_trainIns, m_testIns );
        
        Evaluation eval = new Evaluation( m_trainIns );
        eval.evaluateModel( bagging, m_testIns );
        System.out.println( eval.toSummaryString() );   
    }
    
    public static void main(String[] args) throws Exception
    {
        Test percentage = new Test();
        
        percentage.getFileInstances( "F://Program Files//Weka-3-4//data//soybean.arff");
        percentage.FilterRemovePercentageTest();
        
        percentage.J48Test();
        percentage.YATSITest(); 
        //percentage.LLGCTest();
    }
}