Machine learning 类的WEKA分类似然

我想知道WEKA中是否有一种方法可以为分类输出一些“最佳猜测”

我的场景是：例如，我使用交叉验证对数据进行分类，然后在weka的输出中，我得到如下结果：这是对该实例分类的3个最佳猜测。我想要的是，即使一个实例并没有正确分类，我也会得到该实例的3到5个最佳猜测的输出

例如：

类别：A、B、C、D、E 实例：1…10

而产出将是： 实例1 90%的可能性为A类，75%的可能性为B类，60%的可能性为C类

---

谢谢

我不知道你是否可以在本机上完成，但你可以得到每个类的概率，对它们进行排序，然后取前三个

---

您需要的函数是distributionForInstance（Instance Instance），它返回一个

double[]

，给出每个类的概率。

一般来说不是这样。并非所有分类器都提供您想要的信息——在大多数情况下（例如，对于决策树），决策是明确的（尽管可能不正确），没有置信值。您的任务需要能够处理不确定性的分类器（例如朴素贝叶斯分类器）

---

从技术上讲，最简单的方法可能是训练模型，然后对单个实例进行分类，Weka应该为您提供所需的输出。一般来说，您当然也可以对一组实例执行此操作，但我不认为Weka提供了这种开箱即用的功能。您可能需要自定义代码或通过API（例如在R中）使用它。

当您计算实例的概率时，您是如何做到这一点的

我已经发布了新实例的零件规则和数据，但就手动计算而言，我不确定如何执行此操作！谢谢

编辑：现在计算：

私有浮点[]getProbDist（字符串拆分）{

//例如（52/2）表示52个正确分类的实例和2个错误分类的实例

    if(prob_dis.length > 2)
        return null;

    if(prob_dis.length == 1){
        String temp = prob_dis[0];
        prob_dis = new String[2];
        prob_dis[0] = "1";
        prob_dis[1] = temp; 
    }

    float p1 = new Float(prob_dis[0]);
    float p2 = new  Float(prob_dis[1]);
    // assumes two tags
    float[] tag_prob = new float[2];

    tag_prob[1] = 1 - tag_prob[1];
    tag_prob[0] = (float)p2/p1;

// returns double[] as being the probabilities

return tag_prob;    
}

---

Weka的API有一个名为Classifier.distributionForInstance（）的方法，可用于获得分类预测分布。然后，您可以通过降低概率对分布进行排序，以获得前N个预测

下面是一个打印出来的函数：（1）测试实例的基本真值标签；（2）classifyInstance（）中的预测标签；（3）distributionForInstance（）中的预测分布。我在J48中使用了这个函数，但它应该可以用于其他分类器

输入参数是序列化模型文件（可以在模型训练阶段创建并应用-d选项）和ARFF格式的测试文件

public void测试（String modelFileSerialized，String testFileARFF）
抛出异常
{
//反序列化分类器。
分类器=
（分类器）weka.core.SerializationHelper.read(
模型文件化）；
//加载测试实例。
实例testInstances=DataSource.read（testFileARFF）；
//将每个实例中的最后一个属性标记为true类。
testInstances.setClassIndex（testInstances.numAttributes（）-1）；
int numTestInstances=testInstances.numInstances（）；
System.out.printf（“有%d个测试实例，\n”，numTestInstances）；
//循环每个测试实例。
对于（int i=0；i

我打算通过API使用它