java调用Weka中神经网络的算法（从数据库中取数据）

最新推荐文章于 2023-06-04 10:03:44 发布

转载最新推荐文章于 2023-06-04 10:03:44 发布 · 2.5k 阅读

文章标签：

#神经网络 #BP #weka

weka开发专栏收录该内容

14 篇文章

订阅专栏

本文介绍如何使用WEKA 3.6版本中的BP神经网络进行数据预测，并提供了详细的代码示例。通过加载训练数据集和手动创建测试数据集的方式，展示了如何建立并训练一个多层感知器模型。

http://blog.youkuaiyun.com/shuijingyezihehe/article/details/38331005

本文中使用的weka版本为3.6版本，参阅的API也是3.6的

相关的包（weka.jar,weka-src.jar,libsvm.jar.wlsvm.jar）可以在以下链接下载：

http://pan.baidu.com/s/1kTHW3un

在Eclipse项目中导入weka包，本文中使用BP神经网络的算法，只用添加weka.jar即可，若要使用libsvm的算法，还需要添加libsvm.jar包

源代码如下：

[java]view plaincopy 
   
 import java.io.File;  
 import java.io.IOException;  
   
   
 import weka.classifiers.functions.MultilayerPerceptron;  
 import weka.core.Attribute;  
 import weka.core.FastVector;  
 import weka.core.Instance;  
 import weka.core.Instances;  
 import weka.core.converters.ArffLoader;  

[java]view plaincopy 
   
 public class Test2 {  
   
     public static void main(String[] args) throws IOException {  
         //便于测试，用数组保存一些数据，从数据库中取数据是同理的  
         //二维数组第一列表示当月的实际数据，第二列是上个月的数据，用于辅助对当月数据的预测的  
         //二维数组的数据用于测试集数据，为了展示两种weka载入数据的方法，将训练集数据从arff文件中读取  
         double[][] a = {{-0.93,-0.995},{-0.93,-0.93},{-0.93,-0.93},{-0.95,-0.93},{-0.93,-0.95},  
                             {-0.95,-0.93},{-0.93,-0.95},{-0.93,-0.93},{-0.95,-0.93},{-0.9,-0.95},  
                             {-0.92,-0.9},{-0.575,-0.92},{-0.23,-0.575}};  
           
         //读入训练集数据  
         File inputFile = new File("G:\\weka3.6\\Weka-3-6\\data\\train.arff");//该文件见源代码最后的分享链接，可以下载后将路径替换掉  
         ArffLoader atf = new ArffLoader();  
         try {  
             atf.setFile(inputFile);  
         } catch (IOException e1) {  
             e1.printStackTrace();  
         }  
         Instances instancesTrain = atf.getDataSet();   
         instancesTrain.setClassIndex(0);//设置训练数据集的类属性，即对哪个数据列进行预测（属性的下标从0开始）  
           
         //读入测试集数据  
         FastVector attrs = new FastVector();  
               
         Attribute ratio = new Attribute("CUR",1);//创建属性，参数为属性名称和属性号，但属性号并不影响FastVector中属性的顺序  
         Attribute preratio = new Attribute("PRE",2);  
               
         attrs.addElement(ratio);//向FastVector中添加属性，属性在FastVector中的顺序由添加的先后顺序确定。  
         attrs.addElement(preratio);  
               
         Instances instancesTest = new Instances("bp",attrs,attrs.size());//创建实例集，即数据集，参数为名称，FastVector类型的属性集，以及属性集的大小（即数据集的列数）  
               
         instancesTest.setClass(ratio);//设置数据集的类属性，即对哪个数据列进行预测  
           
         for(int k=0;k<13;k++){  
             Instance ins = new Instance(attrs.size());//创建实例，即一条数据  
             ins.setDataset(instancesTest);//设置该条数据对应的数据集，和数据集的属性进行对应  
             ins.setValue(ratio, a[k][0]);//设置数据每个属性的值  
             ins.setValue(preratio, a[k][1]);   
             instancesTest.add(ins);//将该条数据添加到数据集中  
         }  
           
         MultilayerPerceptron m_classifier = new MultilayerPerceptron();//创建算法实例，要使用其他的算法，只用把类换做相应的即可  
           
         try {  
             m_classifier.buildClassifier(instancesTrain); //进行训练  
         } catch (Exception e) {  
             e.printStackTrace();  
         }  
           
         for(int i = 0;i<13;i++){//测试分类结果  
             //instancesTest.instance(i)获得的是用模型预测的结果值，instancesTest.instance(i).classValue()获得的是测试集类属性的值  
             //此处是把预测值和实际值同时输出，进行对比  
             try {  
                 System.out.println(m_classifier.classifyInstance(instancesTest.instance(i))+",,,"+instancesTest.instance(i).classValue());  
             } catch (Exception e) {  
                 e.printStackTrace();  
             }  
         }  
         System.out.println("bp success!");  
     }  
   
 }  

train.arff