在weka中以不同方式合并属性

Question

我正在使用Weka预处理数据集。问题是我有一个属性'医学专业'，其中包含大量超过70的标签，所以通过爆炸它（从名义更改为二进制），我在数据集中获得了70多个属性。所以我找到了尽可能减少这个数字的方法：

以下是了解标识值的示例：

*儿科

*儿科-Endocrnology

*内分泌

所以我只需要保留小儿科和内分泌作为属性，对于小儿科 - 内分泌中的实例，他们将在< strong>儿科和内分泌中的1。

我怎么能用weka做到这一点？有什么建议??

Answer 1

您应该可以使用 StringToWordVector 无监督属性过滤器来执行此操作。您需要：

• 确保属性是字符串，而不是名义上的：如果数据已经从ARFF加载，则使用 NominalToString ，或者如果您从CSV加载源数据然后勾选Invoke options dialog框并在stringAttributes字段中输入属性索引
• 如果您想要在问题中拆分由连字符连接的单词，请在标记生成器选项中的分隔符列表中添加连字符-
• 在StringToWordVector设置中设置您需要的任何其他选项，例如，如果出现具有不同情况的相同单词，您可能希望将lowerCaseTokens设置为true。您不需要为dictionaryFileToSaveTo设置任何内容，除非您需要保存过滤器找到的字词词典。

假设您正在使用Weka Explorer GUI。如果您通过命令行或API操作Weka，请参阅文档以了解如何调用过滤器并设置相应的选项。