如何使用Weka Java API执行线性回归时处理字符串值

Question

我正在使用Weka Java API执行线性回归。数据集包括UserId，用户访问的URL，页面上的时间花费。由于URL是String属性，因此在使用上述数据集执行线性回归时遇到问题。是他们任何准备使用的方法，它将字符串转换为Weka中的等效Int值。我在Mahout中看到了类似的功能，但在Weka中找不到它。我可以通过计算每个字符的ASCII总和来轻松创建一个函数来输出字符串的Int值，但我想要一个更可靠且已经过测试的解决方案。

Answer 1

您是正确的，线性回归仅对数值进行操作。但是，从分类值到数字的任何旧转换都没有问题。例如，散列字符串会给出一个数字，但会给出完全无意义的结果作为线性回归的特征。

数字值应具有有序和有意义的大小。 “foo.com”是135092，“bar.com”是985882是什么意思？线性回归会试图将“bar.com”解释为“比foo.com大5倍的东西”，这是无稽之谈。

您可能正在考虑使用1-of-n编码，您可以为每个可能的值（URL）创建新的0/1功能。对于URL，这是不可行的。域名 - 也许。

Answer 2

虽然Weka LinearRegression分类不适用于String数据类型，但您可以尝试将所有网站转换为名义，这可以通过算法计算。我不太清楚算法究竟是如何执行的，但根据我的经验，它在某些情况下改善了结果（因为名义可以算作重复值，值之间的距离如果不相等则等于1）。