2019/03/15 BBB Weka-SimpleCLI

BBB SimpleCLI

2019.03.14 SSU

SMOTE

java weka.filters.supervised.instance.SMOTE -i "D:\Lab\SSU\BBB_project\padel\20190312_PubChem-haveActive_Cut1.csv" -C 0 -K 5 -P 262.77 -S 1 > "D:\Lab\SSU\test.csv"

((結果無檔案~~，還需再嘗試~~))

SpreadSubsample

java weka.filters.supervised.instance.SpreadSubsample -i D:/Lab/SSU/BBB_project/padel/20190312_SubstructureCount-haveActive_Cut1.csv -S 1 -M 1.0 -X 0.0 > D:/Lab/SSU/output.arff

((出來有檔案，但檔案內無資料，會顯示Class attribute not set! ~~，還需再嘗試~~))

嘗試以下兩步驟，還是會出現 Class attribute not set!

java weka.filters.unsupervised.attribute.ClassAssigner -C last -i D:/Lab/SSU/BBB_project/padel/20190312_SubstructureCount-haveActive_Cut1.csv > D:/Lab/SSU/output1.arff

java weka.filters.supervised.instance.SpreadSubsample -S 1 -M 1.0 -X 0.0 -i D:/Lab/SSU/output1.arff > D:/Lab/SSU/output2.arff

((↓ 可能能嘗試script (Executes commands from a script file)或使步驟合併，目前 | (pipe line) 嘗試過無法 ↓))

java weka.filters.unsupervised.attribute.ClassAssigner -C last -i D:/Lab/SSU/BBB_project/padel/20190312_SubstructureCount-haveActive_Cut1.csv | weka.filters.supervised.instance.SpreadSubsample -S 1 -M 1.0 -X 0.0 > D:/Lab/SSU/output.arff

((↓ 下行方法也無法，也有可能是ClassAssigner無法用在SimpleCLI ↓))

java [weka.filters.unsupervised.attribute.ClassAssigner -C last] [weka.filters.supervised.instance.SpreadSubsample -S 1 -M 1.0 -X 0.0] -i D:/Lab/SSU/BBB_project/padel/20190312_SubstructureCount-haveActive_Cut1.csv > D:/Lab/SSU/output.arff

RandomForest

java weka.classifiers.trees.RandomForest -t "D:\Lab\SSU\BBB_project\padel\20190312_PubChem-haveActive_Cut1.csv" -P 100 -I 100 -num-slots 1 -K 0 -M 1.0 -V 0.001 -S 1

不過當設定為預設時，可以省略後面分類器的參數，簡單使用以下形式：

java weka.classifiers.trees.RandomForest -t "D:\Lab\SSU\BBB_project\padel\out of use\20190312_PubChem-haveActive_Cut1.csv"
	




	SGD
	java weka.classifiers.functions.SGD -t "D:\Lab\SSU\BBB_project\padel\20190312_PubChem-haveActive_Cut1.csv" -F 0 -L 9.893102543189347E-5 -R 1.8955284697637686E-10 -E 500 -C 0.001 -M -S 1

	SGD introduction
	





    最後不使用SimpleCLI，原因：
	當使用他的-t (training data) -T (test data)參數做預測時

    java weka.classifiers.trees.RandomForest -t "訓練數據集的絕對路徑" -T "測試數據集的絕對路徑"

	出來的結果會是非以cross validation做出的結果

    ((-t -T 會使資料變成Use training set / Supplied test set，除非先將model存出))


	更新：

	存出model的方法
	java weka.classifiers.trees.RandomForest -t "訓練數據集的絕對路徑" -d "要存model的路徑\檔名.model"
    以讀入model做資料測試的方法
	java weka.classifiers.trees.RandomForest "*.model檔案的絕對路徑" -T "測試數據集的絕對路徑"
	





	其他參考網站：

	Weka Wiki

	WEKA使用教程