конвертировать текстовый файл, содержащий слова и их частоты, в файл arff, подходящий для weka

Question

У меня есть 4 текстовых файла, которые используются для представления категорий экономики, политики, здоровья и спорта. Каждый файл содержит 400 арабских слов и частоту каждого слова который использовался для представления каждой категории.

например: health.txt содержит

اصابة 113

6 غذائية

6 طبيعي . .

Я использовал Simple CI для создания arff. выходной файл ARFF как следующий: @relation C__finaloutput

@attribute строка

@attribute @@ класс @@ {экономика, здоровье, политика, спорт}

@data

'إصابة 113 \ r \ n غذائية 6 \ r \ n طبيعي 6 \ r \ n مريضا 6 \ r \ n', здоровье

.

.

проблемы: 1.how weka распознает число в файле arff как частоту каждого слова?

2. Как использовать классификатор SMO или другие классификаторы, такие как j48, которые не обрабатывают строковые атрибуты?

Answer 1

Weka может загружать CSV-файлы из диалогового окна «Открыть файл» Explorer, from the command line или in code. Выше, ваш файл содержит пробел или вкладку в качестве разделителя, а не запятую, но CSVLoader тоже может справиться с этим. См. Параметр -F, описанный в the docs for CSVLoader. Или вы можете просто преобразовать пробелы (или вкладки) в запятые, используя различные методы, такие как sed -e 's/ /,/ health.txt > health.csv.