Weka开发［5］－半监督算法

此次介绍一个我如今正在作的半监督算法，由于我只是提出一个框架，半监督算法只是一个工具，但是为了找这个工具也让我花了很多功夫。如今介绍的暂时不是Weka的一部分，但开发者是waikato大学（也就是开发Weka的那个大学）。下载地址是http://www.cs.waikato.ac.nz/~fracpete/projects/collective-classification/。我下载的是Classifiers compatible now with Weka 3.5.8 。别的几种，能不能行我也不知道，我而后也按做者说的把Weka3.5.8也下载下来了（不知道和之前的版本是否兼容），使用很是简单，先到Weka目录下，把weka-src.jar解压，再把下载的src.tar.gz在Weka目录下解压，若是有替换就替换，若是没有替换，证实你的操做有错。

      而后就能够试一下了，把所有Weka源文件拷贝到你新的工程中去，下面我给出了一个测试的例子，不要太相信个人办法，我还没细看他的代码（分红训练和测试样本的方法有问题，懒得改有，谁改完了，请发给我）。注意一下，他训练是同时用训练集和测试集。若是不明白，下载他的一篇论文Using Weighted Nearest Neighbor to Benefit from Unlabeled Data。很是简单，不用惧怕。

      补充：Tri-train是属于Multi-View的半监督算法，能够从周志华的网站上下载到，论文和代码都不是很难懂，网址是：http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/annex/TriTrain.htm，这里不做解释。若是还有别的基于Weka的半监督代码，请告诉我。

 

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();
    }
}