Создать и классифицировать новый экземпляр Weka

Question

Я создал Дерево решений (J48) с использованием Weka API и Java. Сначала я тренирую свое дерево решений, используя файл arff.

public static void Tree(String Path) throws Exception {//Path path for the arff file 
    J48 tree = new J48();   // new instance of tree 
    DataSource source = new DataSource(Path); 
    Instances data = source.getDataSet(); 
    // setting class attribute if the data format does not provide this information 
    // For example, the XRFF format saves the class attribute information as well 
    if (data.classIndex() == -1) { 
     data.setClassIndex(data.numAttributes() - 1); 
    } 
    tree.buildClassifier(data); 
    System.out.println(tree.toString()); 
} 

Используемый файл arff содержит 780 экземпляров. Каждый экземпляр имеет 6 атрибутов {PT1, w1, d1, PT2, w2, d2} все числовые и класс {да, нет}. Мой код работает, и я могу видеть, в результате дерево решений с использованием

System.out.println(tree.toString()); 

Теперь я хочу, чтобы создать новый экземпляр (не используя другой файл ARFF) и классифицировать этот новый экземпляр. Скажем, значения для этого нового экземпляра - это, например, {50, 5, 800, 74, 3, 760}. Затем Дерево решений должно вернуть соответствующий класс («да» или «нет»).

Answer 1

Я нашел решение моей проблемы, и я надеюсь, что это будет полезно.

//Declaring attributes 
    Attribute PT1 = new Attribute("PT1"); 
    Attribute w1 = new Attribute("w1"); 
    Attribute d1 = new Attribute("d1"); 
    Attribute PT2 = new Attribute("PT2"); 
    Attribute w2 = new Attribute("w2"); 
    Attribute d2 = new Attribute("d2"); 

    // Declare the class attribute along with its values contains two nominal values yes and no using FastVector. "ScheduledFirst" is the name of the class attribute   
    FastVector fvClassVal = new FastVector(2); 
    fvClassVal.addElement("yes"); 
    fvClassVal.addElement("no"); 
    Attribute Class = new Attribute("ScheduledFirst", fvClassVal); 

    // Declare the feature vector 
    FastVector fvWekaAttributes = new FastVector(7); 
    // Add attributes 
    fvWekaAttributes.addElement(PT1); 
    fvWekaAttributes.addElement(w1); 
    fvWekaAttributes.addElement(d1); 
    fvWekaAttributes.addElement(PT2); 
    fvWekaAttributes.addElement(w2); 
    fvWekaAttributes.addElement(d2); 
    fvWekaAttributes.addElement(Class); 
    // Declare Instances which is required since I want to use classification/Prediction 
    Instances dataset = new Instances("whatever", fvWekaAttributes, 0); 

    //Creating a double array and defining values 
    double[] attValues = new double[dataset.numAttributes()]; 
    attValues[0] = 50; 
    attValues[1] = 5; 
    attValues[2] = 800; 
    attValues[3] = 74; 
    attValues[4] = 3; 
    attValues[5] = 760; 

    //Create the new instance i1 
    Instance i1 = new Instance(1.0, attValues); 
    //Add the instance to the dataset (Instances) (first element 0)   
    dataset.add(i1); 
    //Define class attribute position 
    dataset.setClassIndex(dataset.numAttributes()-1); 

    //Will print 0 if it's a "yes", and 1 if it's a "no" 
    System.out.println(tree.classifyInstance(dataset.instance(0))); 
    //Here I call dataset.instance(0) since there is only one instance added in the dataset, if you do add another one you can use dataset.instance(0), etc.