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。

 /**
      * train a classifier using trainSet,then evaluate the classifier on testSet
      * 分类分为两种：增量、批量
      * 此处为增量式分类：适用于训练集太大而内存有限的情况
      * 加载数据集（训练集or测试集），使用ArffLoader
      * @param trainSet:训练集路径
      * @param testSet:测试集路径
      * @return classifier
      *
      */
     private Classifier trainClassifierIncremental(String trainSet,String testSet){
         ArffLoader loader=new ArffLoader();
         Instances instances = null;
         NaiveBayesUpdateable naiveBayesUpdateable=null;
         try {
             //load data
             loader.setFile(new File(trainSet));
             instances=loader.getStructure();
     //        instances.setClassIndex(classIndex);  // 指定分类属性索引
             instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性

             // train NaiveBayes ：incremental classifier
             naiveBayesUpdateable=new NaiveBayesUpdateable();
             naiveBayesUpdateable.buildClassifier(instances);
             Instance current;
             while((current=loader.getNextInstance(instances))!=null){
                 naiveBayesUpdateable.updateClassifier(current);
             }

             //evaluate classifier
             Instances testInstances=new Instances(new FileReader(testSet));
             testInstances.setClassIndex(testInstances.numAttributes()-1);
             Evaluation eval=new Evaluation(instances);
             eval.evaluateModel(naiveBayesUpdateable, testInstances);
             System.out.println(eval.toMatrixString());
             System.out.println(eval.toSummaryString());
             System.out.println(eval.toClassDetailsString());

         } catch (Exception e) {
             e.printStackTrace();
         }
         return naiveBayesUpdateable;
     }

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

 /**
      * train a classifier using trainSet,then evaluate the classifier on testSet
      * 分类分为两种：增量、批量
      * 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
      * 加载数据集（训练集or测试集），使用ArffLoader
      * @param trainSet:训练集路径
      * @param testSet:测试集路径
      * @return classifier
      *
      */
     private Classifier trainClassifierBatch(String trainSet,String testSet){
         ArffLoader loader=new ArffLoader();
         Instances instances = null;
         J48 tree=null;
         try {
             //load data
             loader.setFile(new File(trainSet));
 //            instances=loader.getStructure();
             instances=loader.getDataSet();
     //        instances.setClassIndex(classIndex);  // 指定分类属性索引
             instances.setClassIndex(instances.numAttributes()-1); //默认最后一个属性为分类属性

             // train NaiveBayes ：incremental classifier
             tree=new J48();
             tree.buildClassifier(instances);

             //evaluate classifier
             Instances testInstances=new Instances(new FileReader(testSet));
             testInstances.setClassIndex(testInstances.numAttributes()-1);
             Evaluation eval=new Evaluation(instances);
             eval.evaluateModel(tree, testInstances);
             System.out.println(eval.toMatrixString());
             System.out.println(eval.toSummaryString());
             System.out.println(eval.toClassDetailsString());

         } catch (Exception e) {
             e.printStackTrace();
         }
         return tree;
     }

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。

 public void crossValidate(String dataSet){
         try {
             // load data
             Instances instances=new Instances(new FileReader(dataSet));
             //evaluate
             Evaluation eval=new Evaluation(instances);
             J48 tree=new J48();
             eval.crossValidateModel(tree, instances, 10, new Random(1));
             System.out.println(eval.toMatrixString());
             System.out.println(eval.toSummaryString());
             System.out.println(eval.toClassDetailsString());
         } catch (FileNotFoundException e) {
             System.out.println("dataSet not found...");
             e.printStackTrace();
         } catch (IOException e) {
             e.printStackTrace();
         } catch (Exception e) {
             e.printStackTrace();
         }

     }

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

 /**
      * 利用已训练的分类模型对未分类数据集进行分类
      * @param dataSet:未分类数据集
      * @param cls：已训练好的分类模型
      * @param labeledSet：分类后数据存放路径
      */
     public void classifyInstances(String dataSet,Classifier cls,String labeledSet){
         try {
             // load unlabeled data and set class attribute
             Instances unlabeled=new Instances(new FileReader(dataSet));
             unlabeled.setClassIndex(unlabeled.numAttributes()-1);
             // create copy
             Instances labeled = new Instances(unlabeled);
             // label instances
             for (int i = 0; i < unlabeled.numInstances(); i++) {
                 double clsLabel = cls.classifyInstance(unlabeled.instance(i));
                 labeled.instance(i).setClassValue(clsLabel);
             }
             // save newly labeled data
             DataSink.write(labeledSet, labeled);

         } catch (FileNotFoundException e) {
             System.out.println("DataSet,File Not Found...");
             e.printStackTrace();
         } catch (IOException e) {
             e.printStackTrace();
         } catch (Exception e) {
             e.printStackTrace();
         }
     }

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