Weka 中使用的多数投票算法是什么。我试图弄清楚它的代码,但无法理解。
1 回答
在 Weka 中,您可以选择多个分类器用于Weka.classifiers.meta.vote
. 如果您选择Majority Voting
as combinationRule
(仅适用于nominal
类),则这些分类器中的每一个都将预测测试样本的名义类标签。然后将选择预测最多的标签作为vote
分类器的输出。
例如。您选择要使用的以下分类器:trees.J48
和bayes.NaiveBayes
预测functions.LibSVM
天气,可以标记为bad
,normal
或good
。给定一个新的测试样本,这些是他们的预测:
J48 - bad
NaiveBayes - good
LibSVM - good
每个可能的标签的投票结果如下:
bad - 1
normal - 0
good - 2
所以 Weka 的vote
分类器将选择good
作为测试样本的标签,因为它在所有三个分类器中拥有最多的选票。
- 编辑 -
Weka类distributionForInstanceMajorityVoting
的源码中的函数Vote
向你展示了多数投票是如何实现的。我添加了下面的功能。以下是它的作用的描述:
代码的工作原理与我上面解释的差不多。测试实例的所有名义类都加载到votes
. 每个分类器对实例进行分类,概率最高的标签获得投票。如果多个标签具有相同的概率,则所有这些标签都会获得投票。一旦所有分类器都投了票,投票最多的标签将被选为测试实例的标签。如果多个标签的票数相同,则将随机选择其中一个标签。
protected double[] distributionForInstanceMajorityVoting(Instance instance) throws Exception {
double[] probs = new double[instance.classAttribute().numValues()];
double[] votes = new double[probs.length];
for (int i = 0; i < m_Classifiers.length; i++) {
probs = getClassifier(i).distributionForInstance(instance);
int maxIndex = 0;
for(int j = 0; j<probs.length; j++) {
if(probs[j] > probs[maxIndex])
maxIndex = j;
}
// Consider the cases when multiple classes happen to have the same probability
for (int j=0; j<probs.length; j++) {
if (probs[j] == probs[maxIndex])
votes[j]++;
}
}
for (int i = 0; i < m_preBuiltClassifiers.size(); i++) {
probs = m_preBuiltClassifiers.get(i).distributionForInstance(instance);
int maxIndex = 0;
for(int j = 0; j<probs.length; j++) {
if(probs[j] > probs[maxIndex])
maxIndex = j;
}
// Consider the cases when multiple classes happen to have the same probability
for (int j=0; j<probs.length; j++) {
if (probs[j] == probs[maxIndex])
votes[j]++;
}
}
int tmpMajorityIndex = 0;
for (int k = 1; k < votes.length; k++) {
if (votes[k] > votes[tmpMajorityIndex])
tmpMajorityIndex = k;
}
// Consider the cases when multiple classes receive the same amount of votes
Vector<Integer> majorityIndexes = new Vector<Integer>();
for (int k = 0; k < votes.length; k++) {
if (votes[k] == votes[tmpMajorityIndex])
majorityIndexes.add(k);
}
// Resolve the ties according to a uniform random distribution
int majorityIndex = majorityIndexes.get(m_Random.nextInt(majorityIndexes.size()));
//set probs to 0
probs = new double[probs.length];
probs[majorityIndex] = 1; //the class that have been voted the most receives 1
return probs;
}