问题标签 [arff]

我编写了一段代码，它基本上计算词频并将它们插入到一个 ARFF 文件中以供 weka 使用。我想改变它，以便它可以计算二元词的频率，即成对的词而不是单个词，尽管我的尝试充其量证明是不成功的。

我意识到有很多东西要看，但非常感谢任何帮助。这是我的代码：

我正在尝试使用 Weka 进行文本分类。为此，使用稀疏 ARFF 数据文件格式是有意义的。使用 Weka 3.7.2，我尝试了：

1. 使用TextDirectoryLoader将文本目录转换为 Instances 对象 。
2. 使用StringToWordVector将前一阶段产生的字符串转换为数字。

第一阶段工作得很好。第二阶段导致了一个问题，在 Weka 的 ARFF 文件格式规范中是这样描述的：

警告：从具有字符串属性的数据集中保存 SparseInstance 对象存在一个已知问题。在 Weka 中，字符串和标称数据值存储为数字；这些数字充当可能属性值数组的索引（这非常有效）。但是，第一个字符串值被分配索引 0：这意味着，在内部，这个值被存储为 0。当写入 SparseInstance 时，内部值为 0 的字符串实例不会输出，因此它们的字符串值会丢失（并且当再次读取arff文件，默认值0是不同字符串值的索引，所以属性值出现变化）。

ARFF 格式建议使用此解决方案：

要解决此问题，请在索引 0 处添加一个虚拟字符串值，只要您声明可能在 SparseInstance 对象中使用并保存为 Sparse ARFF 文件的字符串属性，就不会使用该虚拟字符串值。

我正在尝试这样做 - 添加一个虚拟字符串。我未能手动执行此操作（通过编辑 ARFF 文件）。任何做过这个的人都可以发布一个例子——一个程序段，一个正确修改的 ARFF 文件，或者其他方式来做到这一点？

谢谢。

Weka 中的分类器（例如决策树）将如何解释“？” （代表 ARFF 文件中的缺失值）在学习阶段？Weka 会用一些预定义的值（例如“0”或“假”）替换它，还是会以某种方式影响训练过程？

我有一个大的 ARFF 文件，其中的数据看起来像这样：

为了帮助解析它，我声明了第二个属性，如下所示：

使用 Java 的 SimpleDateFormat 的解析器在第一行（以及与其非常相似的几百万行）上运行良好，但在几行上就卡住了，就像第二行一样。我注意到它只会阻塞小时为“02”的一行 - 事实上，如果我将第二行更改为540,"2011-03-13 01:10:19.000",0. 为了增加谜团，02无论如何，一些带有 a 的行都可以很好地解析。像：1,"2006-12-16 02:58:51.000",111

那么有人知道发生了什么吗？有什么建议吗？提前致谢。

我正在尝试获取一组评论，并将它们转换为 ARFF 格式以与 WEKA 一起使用。不幸的是，要么我完全误解了格式的工作原理，要么我必须为所有可能的单词设置一个属性，然后是一个存在指示符。有谁知道更好的方法，或者理想情况下有一个示例 ARFF 文件？

全部

我找到了一段代码来解析简单的 ARFF 文件，我想将其更改为适合稀疏 ARFF，其数据如下所示：

这是代码：

但它不起作用

我想我必须告诉程序识别空白，但我不知道如何

非常感谢

有没有办法做到这一点？

是的，我是 R 新手。

请让我知道如何在 weka 中表示文本分类的属性或类。通过使用什么属性可以进行分类？词频还是词？ARFF 格式的可能结构是什么？你能给我几行该结构的例子吗？

非常感谢您提前。

我正在使用 RWeka 包的 read.arff 方法读取（稀疏）arff。但是我收到以下错误：

我试图读取的文件存在（file.exists('myfile.arff') 返回 TRUE）。

我的一行代码是：

任何想法可能会发生什么？

谢谢。

编辑 1：traceback() 输出

我正在做一个基于直方图的图像检索项目，我需要比较一组图像的学习算法。因此，在 MATLAB 中，我将图像（256x256 像素）转换为 HSV，将其量化为 8(H)、3(S)、3(V) 并创建一个加权和，即 256x256 矩阵。

我想使用这个矩阵（数据集中的所有图像）来创建一个 ARFF 文件，我被困在这一点上。任何人都可以帮我解决它是如何完成的吗？