weka使用笔记1-cluster内方法的使用

weka提供了11种聚类算法，常用的有kmeans 和EM，weka的simpleKmeans是最简单的聚类方法，距离是计算欧几里德距离，但是新版本的weka是可以置入自己的计算距离的公式的。EM聚类的效率很低，建议如果不是实验情况，不要使用。

主要说一下simpleKmeans聚类。SimpleKmeans聚类参数很简单，这里不再赘述，文档里面写的很清楚。用图形界面的情况下，聚类之后，在左下方的result list栏里，右键，有很多选项，其中visualize cluster assignment可以看聚类之后的结果，在这个visualize界面，有一个save，是可以把类标号添加到每一行数据的，如果数据里面有用户ID的话，那这个就可以把每个用户ID和这个用户所在的类提取出来，很方便，生成的也是.arff文件。

但是在命令行模式下，没有办法得到这个类标号，只能得到一个很简单的数据，所以只能用编程实现了。

在一个工程内引用weka.jar之后就能用weka的接口了，非常方便.废话不说，直接上代码：

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;

import weka.clusterers.SimpleKMeans;
import weka.clusterers.ClusterEvaluation;
import weka.core.Instances;
import weka.core.converters.ArffLoader;

public class Kmeans {

	public static void startCluster(String inputfilename,String outputfilename) {
		Instances ins = null;
		SimpleKMeans KM = null;
		ClusterEvaluation cl = null;
		File file = new File(inputfilename);
		ArffLoader loader = new ArffLoader();
		File f = new File(outputfilename);
		try {
			cl = new ClusterEvaluation();	
			loader.setFile(file);
			ins = loader.getDataSet();
			ins.deleteAttributeAt(0);//忽略第一列
			KM = new SimpleKMeans();

			KM.setNumClusters(15);
			KM.buildClusterer(ins);	
			cl.setClusterer(KM);
			cl.evaluateClusterer(new Instances(ins));
			double[] d = cl.getClusterAssignments();//得到每一列的类标号
			
			if (f.exists()) {
				System.out.print("cunzai");
			} else {
				System.out.print("bucunzai");
				f.createNewFile();
			}
			BufferedWriter output = new BufferedWriter(new FileWriter(f));
			String dataline = "";
			output.write(cl.clusterResultsToString());//就是聚类之后打印出来的聚类结果
			for(int i = 0 ; i < d.length;i++){
				dataline = d[i]+"";
				output.write(dataline);
				output.newLine();
				System.out.println(dataline);
			}
			
			output.close();

		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
}

　　然后打上jar包就能运行了，上面代码只是得到了一个简单的类标号，还可以根据自己的需要输出更多的数据。