java调用Weka中神经网络的算法(从数据库中取数据).docx

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：/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：javaview plaincopy1. importjava.io.File;2. importjava.io.IOException;3. 4. 5. importweka.classifiers.functions.MultilayerPerceptron;6. importweka.core.Attribute;7. importweka.core.FastVector;8. importweka.core.Instance;9. importweka.core.Instances;10. importweka.core.converters.ArffLoader;javaview plaincopy1. publicclassTest22. 3. publicstaticvoidmain(Stringargs)throwsIOException4. /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5. /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6. /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7. doublea=-0.93,-0.995,-0.93,-0.93,-0.93,-0.93,-0.95,-0.93,-0.93,-0.95,8. -0.95,-0.93,-0.93,-0.95,-0.93,-0.93,-0.95,-0.93,-0.9,-0.95,9. -0.92,-0.9,-0.575,-0.92,-0.23,-0.575;10. 11. /读入训练集数据12. FileinputFile=newFile(G:weka3.6Weka-3-6datatrain.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13. ArffLoaderatf=newArffLoader();14. try15. atf.setFile(inputFile);16. catch(IOExceptione1)17. e1.printStackTrace();18. 19. InstancesinstancesTrain=atf.getDataSet();20. 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）21. 22. /读入测试集数据23. FastVectorattrs=newFastVector();24. 25. Attributeratio=newAttribute(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26. Attributepreratio=newAttribute(PRE,2);27. 28. 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。29. attrs.addElement(preratio);30. 31. InstancesinstancesTest=newInstances(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）32. 33. instancesTest.setClass(ratio);/设置数据集的类属性，即对哪个数据列进行预测34. 35. for(intk=0;k13;k+)36. Instanceins=newInstance(attrs.size();/创建实例，即一条数据37. 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38. ins.setValue(ratio,ak0);/设置数据每个属性的值39. ins.setValue(preratio,ak1);40. instancesTest.add(ins);/将该条数据添加到数据集中41. 42. 43. MultilayerPerceptronm_classifier=newMultilayerPerceptron();/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44. 45. try46. m_classifier.buildClassifier(instancesTrain);/进行训练47. catch(Exceptione)48. e.printStackTrace();49. 50. 51. for(inti=0;i13;i+)/测试分类结果52. /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53. /此处是把预测值和实际值同时输出，进行对比54. try55. System.out.println(m_classifier.classifyInstance(instancesTest.instance(i)+,+instancesTest.instance(i).classValue();56. catch(Exceptio