如何在使用 Weka Java API 执行线性回归时处理字符串值答案

【问题标题】：How to Handing String Values While Performing Linear Regression Using Weka Java API如何在使用 Weka Java API 执行线性回归时处理字符串值
【发布时间】：2014-05-25 06:50:59
【问题描述】：

我正在使用 Weka Java API 执行线性回归。数据集由 UserId、用户访问的 URL、在 Page 上花费的时间组成。由于 URL 是一个字符串属性，我在使用上述数据集执行线性回归时遇到了问题。他们是否有任何现成的方法可以将 String 转换为 Weka 中的等效 Int 值。我在 Mahout 中看到过类似的功能，但在 Weka 中找不到。我可以通过计算每个字符的 ASCII 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。

【问题讨论】：

标签： java algorithm machine-learning weka mahout

【解决方案1】：

线性回归只对数值起作用是正确的。但是，从分类值到数字的任何旧转换都可以正常工作，这根本不是真的。例如，对字符串进行哈希处理会给出一个数字，但作为线性回归的特征，会给出完全没有意义的结果。

数值应具有有序且有意义的大小。 “foo.com”是 135092 而“bar.com”是 985882 是什么意思？线性回归会尝试将“bar.com”解释为“比 foo.com 大 5 倍”，这是无稽之谈。

您可能正在考虑 1-of-n 编码，即为每个可能的值 (URL) 创建一个新的 0/1 特征。这对于 URL 是不可行的。域——也许吧。

【讨论】：

非常感谢。您能否建议我使用我的数据集获取访问最多的网址的任何其他算法。我的目标是根据用户对电子商务网站的访问向他推荐产品。
“获取最常访问的 URL”不是机器学习问题，而是 SQL 查询。这些都不是推荐问题。您需要明确说明您要做什么。
我的应用程序跟踪用户在电子商务应用程序中的所有在线活动。在此基础上，它应该对用户行为进行情感分析，并向用户提供推荐的优惠。当然我们可以得到用户访问最多的 url，但是我的应用程序也应该能够推荐类似的产品，用户花费更多时间在
我们的目标是对收集的数据应用回归或类似类型的算法，并得出一个可靠的分数，以便根据分值，我们可以推荐具有前 5 分值的产品给用户。

【解决方案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，可以通过算法计算。我不太确定算法究竟是如何执行的，但根据我的经验，它在某些情况下改进了结果（因为名义上的值可以算作重复值，值之间的距离 ~1 如果不相等等）。

【讨论】：