আই কেভিএম এবং কিছু 'আঠার কোড' ব্যবহার করে শেনের বক্তব্য অনুযায়ী ওয়েকা সি # থেকে খুব সহজেই ব্যবহার করা যায়। ওয়েকার '.NET সংস্করণ' তৈরি করতে ওয়েকা পৃষ্ঠায় টিউটোরিয়ালটি অনুসরণ করুন , তারপরে আপনি নিম্নলিখিত পরীক্ষাগুলি চালনার চেষ্টা করতে পারেন:
[Fact]
public void BuildAndClassify()
{
var classifier = BuildClassifier();
AssertCanClassify(classifier);
}
[Fact]
public void DeserializeAndClassify()
{
BuildClassifier().Serialize("test.weka");
var classifier = Classifier.Deserialize<LinearRegression>("test.weka");
AssertCanClassify(classifier);
}
private static void AssertCanClassify(LinearRegression classifier)
{
var result = classifier.Classify(-402, -1);
Assert.InRange(result, 255.8d, 255.9d);
}
private static LinearRegression BuildClassifier()
{
var trainingSet = new TrainingSet("attribute1", "attribute2", "class")
.AddExample(-173, 3, -31)
.AddExample(-901, 1, 807)
.AddExample(-901, 1, 807)
.AddExample(-94, -2, -86);
return Classifier.Build<LinearRegression>(trainingSet);
}
প্রথম পরীক্ষার শোগুলি, আপনি কীভাবে একটি শ্রেণিবদ্ধকারী তৈরি করেন এবং এটির সাথে একটি নতুন উদাহরণকে শ্রেণিবদ্ধ করেন, দ্বিতীয়টি দেখায়, উদাহরণস্বরূপ শ্রেণিবদ্ধকরণের জন্য আপনি কীভাবে একটি ফাইল থেকে অবিরাম শ্রেণিবদ্ধ ব্যবহার করতে পারেন। আপনার যদি খুব বেশি সমর্থন বিচ্ছিন্ন বৈশিষ্ট্যগুলির প্রয়োজন হয় তবে কিছু সংশোধন করা দরকার। উপরের কোডটিতে ২ জন সহায়ক ক্লাস ব্যবহার করা হয়েছে:
public class TrainingSet
{
private readonly List<string> _attributes = new List<string>();
private readonly List<List<object>> _examples = new List<List<object>>();
public TrainingSet(params string[] attributes)
{
_attributes.AddRange(attributes);
}
public int AttributesCount
{
get { return _attributes.Count; }
}
public int ExamplesCount
{
get { return _examples.Count; }
}
public TrainingSet AddExample(params object[] example)
{
if (example.Length != _attributes.Count)
{
throw new InvalidOperationException(
String.Format("Invalid number of elements in example. Should be {0}, was {1}.", _attributes.Count,
_examples.Count));
}
_examples.Add(new List<object>(example));
return this;
}
public static implicit operator Instances(TrainingSet trainingSet)
{
var attributes = trainingSet._attributes.Select(x => new Attribute(x)).ToArray();
var featureVector = new FastVector(trainingSet.AttributesCount);
foreach (var attribute in attributes)
{
featureVector.addElement(attribute);
}
var instances = new Instances("Rel", featureVector, trainingSet.ExamplesCount);
instances.setClassIndex(trainingSet.AttributesCount - 1);
foreach (var example in trainingSet._examples)
{
var instance = new Instance(trainingSet.AttributesCount);
for (var i = 0; i < example.Count; i++)
{
instance.setValue(attributes[i], Convert.ToDouble(example[i]));
}
instances.add(instance);
}
return instances;
}
}
public static class Classifier
{
public static TClassifier Build<TClassifier>(TrainingSet trainingSet)
where TClassifier : weka.classifiers.Classifier, new()
{
var classifier = new TClassifier();
classifier.buildClassifier(trainingSet);
return classifier;
}
public static TClassifier Deserialize<TClassifier>(string filename)
{
return (TClassifier)SerializationHelper.read(filename);
}
public static void Serialize(this weka.classifiers.Classifier classifier, string filename)
{
SerializationHelper.write(filename, classifier);
}
public static double Classify(this weka.classifiers.Classifier classifier, params object[] example)
{
// instance lenght + 1, because class variable is not included in example
var instance = new Instance(example.Length + 1);
for (int i = 0; i < example.Length; i++)
{
instance.setValue(i, Convert.ToDouble(example[i]));
}
return classifier.classifyInstance(instance);
}
}