Recursive Feature Elimination with SVM avec le classifieur SMO de Weka

Question

Salut tout le monde

voici mon problème cela fait presque un mois que je travaille sur un algorithme de sélection d'attribut pour le datamining.
j'ai choisi d'implémenté l'algorithme RFE-SVM (en java) pour tester les performances de cet algorithme sur les emsembles d'apprentissages de Weka, c'est à dire des bases au formats .arff.
voici le code source que j'ai écris:

import java.io.FileReader;
import java.io.IOException;
import weka.classifiers.functions.SMO;
import weka.classifiers.Evaluation;
import weka.core.Instances;
public class algoRFESVM {

   /**
    * takes an ARFF file as first argument, the number of indices to remove
    * as second and thirdly whether to invert or not (true/false).
    * Dumps the generated data to stdout.
    */
     public static Instances reste;
     public static Instances liste;
     
  public static void main(String[] args) throws IOException, Exception
        {

            // prepare dataset
      
            Instances train = new Instances(new FileReader("data//S//sonartrain.arff"));
            train.setClassIndex(train.numAttributes() - 1);
            System.out.println("La Base d'apprentissage a: "+train.numAttributes()+" attributs");

            Instances test = new Instances(new FileReader("data//S//sonartest.arff"));
            test.setClassIndex(test.numAttributes()-1);
            System.out.println("La Base teste a: "+test.numAttributes()+" attributs");
            
            reste = train;
        

            while (reste.numAttributes() > 1)
            {
            // Construction du modéle de Classifieur
            SMO smo = new SMO();
            smo.buildClassifier(reste);
            System.out.println();

            System.out.println("Performance du classifieur construit avec "+reste.numAttributes()+" attributs");
            // Evaluation du modéle construit
            Evaluation evaluation = new Evaluation(reste);
            evaluation.evaluateModel(smo, train);
            System.out.println(evaluation.toSummaryString());
            /*Create a Weka AS Evaluation algorithm */
            
            // weights and indices in sparse format
            double[][][] sparseWeights = smo.sparseWeights();
            int[][][] sparseIndices = smo.sparseIndices();
            //  weights into non sparse format
            double[] weights = new double[reste.numAttributes()];
            for (int i = 0; i < sparseIndices[0][1].length; i++)
                weights[sparseIndices[0][1][i]] = sparseWeights[0][1][i];

            for( int i = 0; i< reste.numAttributes()-1; i++)
                System.out.println("Attribut "+i+" rang "+weights[i]);
           
            // trouver l'attribut ayant le plus petit score
               int indice = (int) weights[0];
               int numRemove = 0;
           for (int i = 1; i < weights.length-1; i++)
           {

        	   if (indice < weights[i])
                   {
                       indice=(int) weights[i];
                       numRemove=i;
                   }
                   }
               System.out.println("L'indice de l'attribut à enlever est: " +numRemove);
               System.out.println();

               //liste.add(reste.attribute(numRemove)); 
               reste.deleteAttributeAt(numRemove);
               System.out.println("Le nombre d'attribut restant est: "+reste.numAttributes());
               

            }
  }
}

Maintenat j'attends vos remarques et suggestions car j'ai pas l'habitude d'implémenter ce genre d'algorithmes. Merci d'avance à tous !

pegase31 · Answer

Bonsoir, je déplace le sujet sur le bon forum ...

Peg'
Admin Codes-Sources

MLSamb · Answer

Merci Admin!!!

Recursive Feature Elimination with SVM avec le classifieur SMO de Weka

2 réponses

Votre réponse

Discussions similaires