目前非代碼的數(shù)據(jù)挖掘工具很多，但非開源，weka是一款開源軟件。只要安裝jdk環(huán)境就可使用(具體安裝jdk可以百度)

本文將論述如何不用代碼，使用weka操作，通過與文檔頻數(shù)與單詞權(quán)的特征選擇方法進(jìn)行文本聚類(數(shù)據(jù)為附件)

第一步：將weka創(chuàng)建NetBeans文件目錄中

將weka導(dǎo)入NetBeans軟件中，

1 在某處新建一個WEKA-Rebuild目錄，在它下面建一個目錄叫src。在WEKA的安裝目錄中找到weka-src.jar，用winrar之類的解壓縮軟件打開，并把其中的目錄weka解壓縮到剛才建立的src目錄下。 現(xiàn)在的目錄結(jié)構(gòu)應(yīng)該是 WEKA-Rebuild -> src-> weka -> associations, attributeSelection, ... 打開NetBeans，“文件”菜單 - “新建項目” - 選擇“常規(guī)”中的“基于現(xiàn)有源代碼的Java項目” - “下一步”。“項目文件夾”選擇WEKA-Rebuild目錄，“項目名稱”寫weka-rebuild， “下一步”。在“源包文件夾”那里“添加文件夾”，找到src目錄“打開”，“完成”。

2現(xiàn)在NetBeans左上方項目那一欄應(yīng)該有粗體的“weka-rebuild”，這就是我們要編譯的weka項目。右鍵點它，“生成項目”。下方會出現(xiàn)很多警告，不用管，不出意外的話最后會提示你生成項目成功。仍然右鍵點擊“weka-rebuild”，“運(yùn)行項目”。會彈出一個對話框讓你設(shè)置主類。WEKA的主類可設(shè)置成weka.gui.Main。選中合適的主類后“確定”，不一會兒WEKA的界面就會出現(xiàn)在你面前，和開始菜單里運(yùn)行的WEKA效果一樣。

打開NetBeans軟件。點擊源包-weka.gui.，找到Main.java文件。雙擊，結(jié)果如下圖所示。

第二步：執(zhí)行weka

1.點擊 源包-weka core tokenizers，右鍵 選擇 新建java類。

修改類名為：CHWordTokenizer

選擇包為：weka core tokenizers

點擊完成 。結(jié)果見下圖。

2.修改代碼。將已給資料中的代碼復(fù)制到文本中。

并將原橘黃色部分“Utf-8”改成“cp936”。如下圖所示。

3.點開之前已經(jīng)打開過的Main.java界面

點擊 運(yùn)行-運(yùn)行文件

出現(xiàn)下圖所示界面。

在該界面中，點擊 application-explorer。返回weka界面，點擊open file，載進(jìn)中文文檔。

第三步：創(chuàng)建中文文本文件。

1.將已有中文文本資料 sample 文件夾放入D盤。

2.打開weka - SimpleCLI。

3.在輸入欄輸入 【java weka.core.converters.TextDirectoryLoader-dir d:/sample > d:/sample.arff】點擊回車鍵運(yùn)行。如下圖所示。

4.D盤出現(xiàn)sample.arff文件。

5.打開C盤weka的安裝文件夾，找到RunWeka.ini文件

將cp1252替換成cp936(簡體中文)

保存文件

第四步：改分詞。

1.打開 weka-explorer-open file-sample .arff

2.Filter-choose-unsupervised-attribute-StringToWordVector

將 tokenizer 改成 CHWordTokenizer

點擊ok

4.點擊apply，點擊save，查看word形式(命名：sampleword1)的成果。

再次打開Filter-choose-unsupervised-attribute-StringToWordVector

雙擊修改 StringToWordVector 的參數(shù)。

將 IDFTransform 改為 True (調(diào)平滑)

outputWordCounts 改為 True

minTermFreq改為 1

wordToKeep 改為 200

點擊 OK 運(yùn)行

7.點擊apply，點擊save，查看word形式(命名：sampleword2)的成果。

8.由下圖可以看出，第1個的權(quán)重變成1。660731，第2個權(quán)重是2.040221，第5個權(quán)重是2.278869……

權(quán)重結(jié)果和sampleword1 不同。

9.返回weka，重新加載sample.arff原始文件

10.點擊 Cluster-simpleMeans，雙擊調(diào)整參數(shù)。

11.點擊 distanceFunction ,選擇第二項 歐氏距離。

將 numClusters 改為 10

點擊OK

總結(jié)

以上是生活随笔為你收集整理的java weka 聚类_简单开源数据挖掘工具weka进行文本聚类的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。