我在使用Weka构建随机森林模型。我的数据存储在MySQL数据库中。我找不到直接从数据库创建Weka数据集（’Instances’对象）的方法（至少没有直接的方法），所以我查询数据库并使用以下代码将数据处理成Weka数据集（Instances）：

    List<MetadataRecord> metadata = acquireMetadata(); // 从数据库加载    int datasetSize = metadata.size();    int numFeatures = MetadataRecord.FEATURE_NUM;  // 当前设置为14    ArrayList<Attribute> atts = new ArrayList<Attribute>();    List<Instance> instances = new ArrayList<Instance>();    for (int feature = 0; feature < numFeatures; feature++) {        Attribute current = new Attribute("Attribute" + feature, feature);        if (feature == 0) {            for (int obj = 0; obj < datasetSize; obj++) {                instances.add(new SparseInstance(numFeatures));            }        }        for (int obj = 0; obj < datasetSize; obj++) {            MetadataRecord record = metadata.get(obj);            Instance inst = instances.get(obj);            switch (feature) {            case 0:                inst.setValue(current, record.labelId);                break;            case 1:                inst.setValue(current, record.isSecured ? 2 : 1);                break;            case 2:                inst.setValue(current, record.pageCount);                break;                // 省略了3-13的情况...            }        }        atts.add(current);    }    Instances newDataset = new Instances("Metadata", atts, instances.size());    for (Instance inst : instances) {        newDataset.add(inst);    }    newDataset.setClassIndex(0);

大部分数据都被输入为’数值型’，而我需要将一些特征（第一和第二）转换为分类型（或按照Weka的术语为“名义型”）。我尝试使用过滤器将它们转换为名义型：

    NumericToNominal nomFilter = new NumericToNominal();    nomFilter.setAttributeIndicesArray(new int[] { 0, 1 });    nomFilter.setInputFormat(newDataset);    newDataset = Filter.useFilter(newDataset, nomFilter);

这运作良好，但令人惊讶的是，在调试数据集时，发现一些数据丢失了！

应用过滤器前：

@attribute Attribute0 numeric@attribute Attribute1 numeric@attribute Attribute2 numeric// 省略了其他10个属性@data{0 1005,1 1,2 19,3 1123,4 7,5 25,6 0.66,7 49,8 2892.21,9 5.32,10 22.63,11 0.4,12 48.95,13 5.29}

应用过滤器后：

@attribute Attribute0 {0,2,3,4,5,6,7,9,11,12,18,22,23,24,25,35,36,39,40,45,51,56,60,67,68,69,78,79,83,84,85,88,94,98,126,127,128,1001,1003,1004,1005,1007,1008,1009,1012,1013,1017,1018,1019,1022}@attribute Attribute1 {1,2}@attribute Attribute2 numeric// 省略了其他10个属性@data{0 1005,2 19,3 1123,4 7,5 25,6 0.66,7 49,8 2892.21,9 5.32,10 22.63,11 0.4,12 48.95,13 5.29}

为什么第二个属性的值丢失了？

回答：

该特征并没有丢失，只是没有在输出中明确显示，因为它是以稀疏格式存储的。请查看ARFF文件格式说明：

稀疏ARFF文件与ARFF文件非常相似，但值为0的数据不会被明确表示。

稀疏ARFF文件具有相同的头部（即@relation和@attribute标签），但数据部分不同。不是按顺序表示每个值，像这样：

@data0, X, 0, Y, "class A"0, 0, W, 0, "class B"

而是明确指出非零属性的属性编号及其值，像这样：

@data{1 X, 3 Y, 4 "class A"}{2 W, 4 "class B"}

每个实例都用大括号包围，每个条目的格式为：其中index是属性索引（从0开始）。

请注意，稀疏实例中省略的值为0，它们不是“缺失”值！如果一个值未知，必须用问号（?）明确表示。

特别是最后一句非常重要。你的Attribute1有两个可能的值，1和2。由于现在是名义型，值1的索引为0。而索引为0的值会被省略。

再次强调：这只是在内存中和打印到文件或屏幕上的表示方式。你的数据集的实际内容并没有改变。