Я хочу выполнить линейную регрессию в коллекции данных с использованием Java. У меня есть пара вопросов.Выполнение линейной регрессии по данным (из файла .arff) - JAVA, Weka
какие типы данных допускают метод линейной регрессии? Потому что я попытался загрузить данные в чистом номинальном формате, а также в числовые, но тогда, когда я пытаюсь передать эти данные (переменная экземпляра, созданная в программе) в Linear Regression, это дает мне это исключение. Нельзя обрабатывать многозначный номинальный класс
Как можно распечатать выход линейной регрессии на консоль в java. Я не могу создать код для этого, пройдя через предопределенный класс LinearRegression.java, я узнал, что buildClassifier() - это метод, который принимает «данные» в качестве входного файла. Но тогда я не могу двигаться вперед. Может ли кто-нибудь помочь мне понять последовательность шагов, чтобы следовать, чтобы иметь возможность выводить на консоль.
protected static void useLinearRegression(Instances data) throws Exception{ BufferedReader reader = new BufferedReader(new FileReader("c:\somePath\healthCare.arff")); Instances data = new Instances(reader); data1.setClassIndex(data1.numAttributes() - 1); LinearRegression2 rl=new LinearRegression2(); rl.buildClassifier(data); //What after this? or before
То, что я сделал для достижения результата, еще до того, как я зарегистрировался здесь: D, Но благодарю вас за помощь. Я закрываю задачу, я остался с одной простой логикой. Выбор атрибута будет выполнен, а затем для этих конкретных атрибутов я должен выполнить линейную регрессию. Как это можно сделать. У меня есть эта идея, но я не знаю, как продолжить дальше, используя эти выбранные атрибуты, я должен ** создать файл csv ** -> преобразовать это в файл arff-> feed в файл buildClassifier (), в линейной регрессии. Если это правильная процедура, ** как создать файл csv с выбранными атрибутами? ** – Sashi
Существует [AttributeSelectedClassifier] (http://weka.sourceforge.net/doc.dev/weka/classifiers/meta/AttributeSelectedClassifier. html), который можно использовать для выбора ваших функций перед обучением назначенного классификатора. Удачи! –