首页 > 代码库 > 基于weka的文本分类实现

基于weka的文本分类实现

weka介绍

参见

1)百度百科:http://baike.baidu.com/link?url=V9GKiFxiAoFkaUvPULJ7gK_xoEDnSfUNR1woed0YTmo20Wjo0wYo7uff4mq_wg3WzKhTZx4Ok0JFgtiYY19U4q

2)weka官网: http://www.cs.waikato.ac.nz/ml/weka/

简单文本分类实现:

此处文本为已处理好的文本向量空间模型,关于文本特征提取主要是基于TF-IDF算法对已分词文档进行特征抽取,然后基于已提取特征将所有文档表示为向量空间模型。

偷个小懒,就用weka自带的*.arff格式文档来做实现。

weka对于文本分类提供两种方式,一种是批量式文本分类,即将所有数据一次性放入内存进行分类处理,这种情况对内存有所要求;为适应大量数据的分类实现,另一种增量式

文本分类,允许分批次导入数据至内存进行分类,这样就避免了因数据集过大而内存不足的问题。具体实现如下:

1)采用增量式朴素贝叶斯算法进行分类

注:weka中所有增量式分类器都实现了UpdateableClassifier接口,该接口位于weka.classifiers包中。

 1 /** 2      * train a classifier using trainSet,then evaluate the classifier on testSet 3      * 分类分为两种:增量、批量 4      * 此处为增量式分类:适用于训练集太大而内存有限的情况 5      * 加载数据集(训练集or测试集),使用ArffLoader 6      * @param trainSet:训练集路径 7      * @param testSet:测试集路径 8      * @return classifier 9      *10      */11     private Classifier trainClassifierIncremental(String trainSet,String testSet){12         ArffLoader loader=new ArffLoader();13         Instances instances = null;14         NaiveBayesUpdateable naiveBayesUpdateable=null;15         try {16             //load data17             loader.setFile(new File(trainSet));18             instances=loader.getStructure();19     //        instances.setClassIndex(classIndex);  // 指定分类属性索引20             instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性21             22             // train NaiveBayes :incremental classifier23             naiveBayesUpdateable=new NaiveBayesUpdateable();24             naiveBayesUpdateable.buildClassifier(instances);25             Instance current;26             while((current=loader.getNextInstance(instances))!=null){27                 naiveBayesUpdateable.updateClassifier(current);28             }29             30             //evaluate classifier31             Instances testInstances=new Instances(new FileReader(testSet));32             testInstances.setClassIndex(testInstances.numAttributes()-1);33             Evaluation eval=new Evaluation(instances);34             eval.evaluateModel(naiveBayesUpdateable, testInstances);35             System.out.println(eval.toMatrixString());36             System.out.println(eval.toSummaryString());37             System.out.println(eval.toClassDetailsString());38             39         } catch (Exception e) {40             e.printStackTrace();41         }42         return naiveBayesUpdateable;43     }
增量式分类实现

其中,Evaluation类,是weka提供的对分类器分类效率进行评估的模块,通过该模块的调用,可观察分类器的各种性能,如召回率、准确率、F值等等。ArffLoader用来加载指

定路径的数据集,注意该数据集应为.arff格式。

2)采用决策树算法(J48)进行批量式分类

 1 /** 2      * train a classifier using trainSet,then evaluate the classifier on testSet 3      * 分类分为两种:增量、批量 4      * 此处为批量式分类:适用于训练集能够在内存中存放的情况 5      * 加载数据集(训练集or测试集),使用ArffLoader 6      * @param trainSet:训练集路径 7      * @param testSet:测试集路径 8      * @return classifier 9      *10      */11     private Classifier trainClassifierBatch(String trainSet,String testSet){12         ArffLoader loader=new ArffLoader();13         Instances instances = null;14         J48 tree=null;15         try {16             //load data17             loader.setFile(new File(trainSet));18 //            instances=loader.getStructure();19             instances=loader.getDataSet();20     //        instances.setClassIndex(classIndex);  // 指定分类属性索引21             instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性22             23             // train NaiveBayes :incremental classifier24             tree=new J48();25             tree.buildClassifier(instances);26             27             //evaluate classifier28             Instances testInstances=new Instances(new FileReader(testSet));29             testInstances.setClassIndex(testInstances.numAttributes()-1);30             Evaluation eval=new Evaluation(instances);31             eval.evaluateModel(tree, testInstances);32             System.out.println(eval.toMatrixString());33             System.out.println(eval.toSummaryString());34             System.out.println(eval.toClassDetailsString());35             36         } catch (Exception e) {37             e.printStackTrace();38         }39         return tree;40     }
批量式分类实现

3)关于分类器的评估

weka对于分类器的评估,除了上述明确划分训练集和测试集,然后以测试集来评估分类性能的方式,还提供了交叉验证方式,该方式适用于数据集只有一个(即没有明确划分出训练集和测试集)的情况,weka在Evaluation类中提供了一个crossValidateModel方法来实现交叉验证,该方法要求提供一个未训练的分类器,数据集,交叉验证折数,一个随机化种子。

 1 public void crossValidate(String dataSet){ 2         try { 3             // load data 4             Instances instances=new Instances(new FileReader(dataSet)); 5             //evaluate 6             Evaluation eval=new Evaluation(instances); 7             J48 tree=new J48(); 8             eval.crossValidateModel(tree, instances, 10, new Random(1)); 9             System.out.println(eval.toMatrixString());10             System.out.println(eval.toSummaryString());11             System.out.println(eval.toClassDetailsString());12         } catch (FileNotFoundException e) {13             System.out.println("dataSet not found...");14             e.printStackTrace();15         } catch (IOException e) {16             e.printStackTrace();17         } catch (Exception e) {18             e.printStackTrace();19         }20         21     }
交叉验证实现

此处实现采用10折交叉验证,随机化种子选取1.

4)对未分类实例进行分类

 1 /** 2      * 利用已训练的分类模型对未分类数据集进行分类 3      * @param dataSet:未分类数据集 4      * @param cls:已训练好的分类模型 5      * @param labeledSet:分类后数据存放路径 6      */ 7     public void classifyInstances(String dataSet,Classifier cls,String labeledSet){ 8         try { 9             // load unlabeled data and set class attribute10             Instances unlabeled=new Instances(new FileReader(dataSet));11             unlabeled.setClassIndex(unlabeled.numAttributes()-1);12             // create copy13             Instances labeled = new Instances(unlabeled);14             // label instances15             for (int i = 0; i < unlabeled.numInstances(); i++) {16                 double clsLabel = cls.classifyInstance(unlabeled.instance(i));17                 labeled.instance(i).setClassValue(clsLabel);18             }19             // save newly labeled data20             DataSink.write(labeledSet, labeled);21             22         } catch (FileNotFoundException e) {23             System.out.println("DataSet,File Not Found...");24             e.printStackTrace();25         } catch (IOException e) {26             e.printStackTrace();27         } catch (Exception e) {28             e.printStackTrace();29         }30     }
未分类实例分类实现

相关方法简介:

<--instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性 -->

Instances类方法:setClassIndex(int classIndex) 用于设置分类属性索引, numAttributes()返回instance实例中属性(特征)个数,即特征向量维度

<--eval.toMatrixString());

eval.toSummaryString();
eval.toClassDetailsString();

-->

• toMatrixString – outputs the confusion matrix.

• toClassDetailsString – outputs TP/FP rates, precision, recall, F-measure,AUC (per class).

输出结果展示:

=== Confusion Matrix ===

a b c <-- classified as
50 0 0 | a = Iris-setosa
0 47 3 | b = Iris-versicolor
0 3 47 | c = Iris-virginica


Correctly Classified Instances 144 96 %
Incorrectly Classified Instances 6 4 %
Kappa statistic 0.94
Mean absolute error 0.035
Root mean squared error 0.1486
Relative absolute error 7.8697 %
Root relative squared error 31.5185 %
Coverage of cases (0.95 level) 98.6667 %
Mean rel. region size (0.95 level) 37.3333 %
Total Number of Instances 150

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure ROC Area Class
1       0       1      1     1      1     Iris-setosa
0.94 0.03 0.94 0.94 0.94 0.992 Iris-versicolor
0.94 0.03 0.94 0.94 0.94 0.992 Iris-virginica
Weighted Avg. 0.96 0.02 0.96 0.96 0.96 0.995

 

基于weka的文本分类实现