1、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：http:/ 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：java view plaincopy1. import java.io.File; 2. import java.io.IOException; 3. 4. 5. import weka.classi
2、fiers.functions.MultilayerPerceptron; 6. import weka.core.Attribute; 7. import weka.core.FastVector; 8. import weka.core.Instance; 9. import weka.core.Instances; 10. import weka.core.converters.ArffLoader; java view plaincopy1. public class Test2 2. 3. public static void main(String args) throws IOE
3、xception 4. /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. double a = -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
4、.575,-0.92,-0.23,-0.575; 10. 11. /读入训练集数据 12. File inputFile = new File(“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. ArffLoader atf = new ArffLoader(); 14. try 15. atf.setFile(inputFile); 16. catch (IOException e1) 17. e1.printStackTrace(); 18. 19. Instances instancesTrain = at
5、f.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. FastVector attrs = new FastVector(); 24. 25. Attribute ratio = new Attribute(“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. Attribute preratio = new Attribute(“PRE“,2); 27. 28. a
6、ttrs.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. Instances instancesTest = new Instances(“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.
7、 for(int k=0;k13;k+) 36. Instance ins = new Instance(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. MultilayerPerceptron m_classifier =
8、 new MultilayerPerceptron();/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. try 46. m_classifier.buildClassifier(instancesTrain); /进行训练 47. catch (Exception e) 48. e.printStackTrace(); 49. 50. 51. for(int i = 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. try 55. System.out.println(m_classifier.classifyInstance(instancesTest.instance(i)+“,“+instancesTest.instance(i).classValue(); 56. catch (Exception e) 57. e.printStackTrace(); 58. 59. 60. System.out.println(“bp success!“); 61. 62. 63. Train.arff 文件下载链接：http:/
