稀疏ARFF文件的Weka字符串属性

Question

我正在尝试使用Weka进行文本分类。 为此，使用稀疏ARFF数据文件格式是有意义的。 使用Weka 3.7.2，我尝试了：

1. 使用将文本目录转换为Instances对象 TextDirectoryLoader。
2. 使用StringToWordVector将前一阶段产生的字符串翻译为数字。

第一阶段运作良好。第二阶段造成了一个问题，用这种方式描述了 Weka's ARFF file format specification：

  

警告：从具有字符串属性的数据集中保存SparseInstance对象存在一个已知问题。在Weka中，字符串和标称数据值存储为数字;这些数字作为可能属性值数组的索引（这非常有效）。但是，第一个字符串值被赋予索引0：这意味着，在内部，此值存储为0.当写入SparseInstance时，不输出内部值为0的字符串实例，因此它们的字符串值将丢失（并且再次读取arff文件，默认值0是不同字符串值的索引，因此属性值似乎更改）。

ARFF格式提出了这个解决方案：

  

要解决此问题，请在索引0处添加一个虚拟字符串值，只要声明可能在SparseInstance对象中使用并保存为稀疏ARFF文件的字符串属性，就不会使用该值。

我正在尝试这样做 - 添加一个虚拟字符串。我没有手动执行此操作（通过编辑ARFF文件）。任何已经完成此操作的人都可以发布一个示例 - 执行此操作的程序段，正确修改的ARFF文件或其他一些方法吗？

感谢。

Answer 1

请勿直接编辑arff文件。

我刚才在这里回答了类似的问题： Weka printing sparse arff file

使用相同的代码示例。