Example usage for weka.classifiers.misc SerializedClassifier SerializedClassifier

Introduction

In this page you can find the example usage for weka.classifiers.misc SerializedClassifier SerializedClassifier.

Prototype

SerializedClassifier

Source Link

Usage

From source file:clasificador.RedNeuronal.java

public void Entrenamiento(String paramNN) {
    try {/*  w  w  w .  j a v a2 s  .c o  m*/
        //aqui va a anetrenar la red neuronal con parametros para la red
        FileReader trainReader = new FileReader(
                new File(System.getProperty("user.dir") + "\\src\\clasificador\\archivos\\libro.arff"));
        //FileReader trainReader = new FileReader("aqui va la ruta");
        //intancias
        //lo que vamoas a hacer en agarrar ese objeto y cargarlo dentro de nuestra clase instancias
        Instances trainInstance = new Instances(trainReader);
        trainInstance.setClassIndex(trainInstance.numAttributes() - 1);//esta fijando las etiquetas en el archivo las clases estan en el final es decir el total -1 esto es xk es un ambiento controlado 

        //construccion de la red perceptron multicapa 
        MultilayerPerceptron mlp = new MultilayerPerceptron(); // creo un objeto de  perceptron multicapaa
        mlp.setOptions(Utils.splitOptions(paramNN));
        //fijar los parametros de la red perceptron util es para q reciba toda la confiuguracion es proipio de weka
        mlp.buildClassifier(trainInstance);// la construccion se hace ya basadao en los parametron configurado 

        //Guardar el mlp en un archivo 
        Debug.saveToFile("TrainMLP.train", mlp);
        //evaluacion del entrenamiento despies solo se ocupa el trainMLp
        SerializedClassifier sc = new SerializedClassifier();
        sc.setModelFile(new File("TrainMLP.train"));
        Evaluation evaluarEntrenamiento = new Evaluation(trainInstance);
        evaluarEntrenamiento.evaluateModel(mlp, trainInstance);//evaluando el modelo
        System.out.println(evaluarEntrenamiento.toSummaryString("resultado", false));
        System.out.println(evaluarEntrenamiento.toMatrixString("*****************Matriz de confusion*******"));
        trainReader.close();
    } catch (FileNotFoundException ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    } catch (IOException ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    } catch (Exception ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    }

}

---

From source file:clasificador.RedNeuronal.java

public void testing() {
    try {//from   w w  w . j av  a  2 s  . com
        FileReader testReader = new FileReader(
                new File(System.getProperty("user.dir") + "\\src\\clasificador\\archivos\\librotest.arff"));
        Instances testInstance = new Instances(testReader);
        testInstance.setClassIndex(testInstance.numAttributes() - 1);
        Evaluation evalTest = new Evaluation(testInstance);
        SerializedClassifier clasificador = new SerializedClassifier();
        clasificador.setModelFile(new File("TrainMLP.train"));
        //CLASIFICADOR ESTANDAR
        Classifier clasificadorEstandar = clasificador.getCurrentModel();
        evalTest.evaluateModel(clasificadorEstandar, testInstance);

        System.out.println(evalTest.toSummaryString("resultado:", false));
        System.out.println(evalTest.toMatrixString("*****************Matriz de confusion*******"));

        //vamos a predecir el numero q voy a usar       
        // evalTest.toMatrixString();
    } catch (IOException e) {
        e.printStackTrace();
    } catch (Exception ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    }
}

---

From source file:clasificador.RedNeuronal.java

public void prediccion() {

    FileReader testReader = null;
    try {//w  w  w  .j a v a  2s.c  om
        testReader = new FileReader(
                new File(System.getProperty("user.dir") + "\\src\\clasificador\\archivos\\libro1.arff"));
        Instances testInstance = new Instances(testReader);
        testInstance.setClassIndex(testInstance.numAttributes() - 1);
        Evaluation evalTest = new Evaluation(testInstance);
        SerializedClassifier clasificador = new SerializedClassifier();
        clasificador.setModelFile(new File("TrainMLP.train"));
        //CLASIFICADOR ESTANDAR
        Classifier clasificadorEstandar = clasificador.getCurrentModel();
        evalTest.evaluateModel(clasificadorEstandar, testInstance);

        double[] valores = evalTest.evaluateModel(clasificadorEstandar, testInstance);

        for (int i = 0; i < valores.length; i++) {

            System.out.println("se predice:     " + valores[i] + "\n");
        }
    } catch (FileNotFoundException ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    } catch (IOException ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    } catch (Exception ex) {
        Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
    } finally {
        try {
            testReader.close();
        } catch (IOException ex) {
            Logger.getLogger(RedNeuronal.class.getName()).log(Level.SEVERE, null, ex);
        }
    }

}

---