private Arquivo AvaliarWekaClassificacao(Arquivo _arquivoAvaliado)
{
// Importa o Classificador que foi salvo pelo treinamento
FilteredClassifier classifier = (FilteredClassifier)ImportaClassificadorSalvo();
// Importa os Dados de Treinamento salvo pelo treinamento
Instances dadosTreinamento = ImportaDadosTreinamentoSalvo();
dadosTreinamento.setClassIndex(dadosTreinamento.numAttributes() - 1); // Classe fica em último
int numAttributes = dadosTreinamento.numAttributes();
// Cria a instância de teste
Instance instance = new DenseInstance(numAttributes);
instance.setDataset(dadosTreinamento);
// Inicializa todos os atributos como valor zero.
for (int i = 0; i < numAttributes; i++)
{
instance.setValue(i, 0);
}
// Insere o texto a ser avaliado no primeiro atributo
for (int i = 0; i < numAttributes - 1; i++)
{
instance.setValue(i, _arquivoAvaliado.TextoFormatado);
}
// Indica que a Classe está faltando, para que a mesma possa ser classificada
instance.setClassMissing();
// Classifica a instância de teste
var resultado = "";
try
{
// Realiza a classificação da instância, retornando o resultado previsto
var predicao = classifier.classifyInstance(instance);
instance.setClassValue(predicao);
// Realiza a tradução do resultado numérico na Classificação esperada
resultado = dadosTreinamento.classAttribute().value((int)predicao);
var distribuicao = classifier.distributionForInstance(instance);
} catch (Exception)
{
throw (new ClassificationException("O texto não pode ser classificado quanto à sua qualidade."));
}
// Atribui o resultado ao arquivo avaliado
_arquivoAvaliado.Classificacao = resultado;
return(_arquivoAvaliado);
}
/// <summary>
/// 预测薪资
/// </summary>
/// <param name="jobScore">职位得分</param>
/// <param name="schoolScore">学校得分</param>
/// <param name="degreeScore">学历得分</param>
/// <param name="addrScore">地区得分</param>
/// <param name="year">工作年限</param>
/// <returns>预估薪资</returns>
public double predicate(double jobScore, double schoolScore, double degreeScore, double addrScore, double year)
{
Instance inst = new DenseInstance(header.numAttributes());
inst.setDataset(header);
// 职位得分
inst.setValue(0, jobScore);
// 学校得分
inst.setValue(1, schoolScore);
// 学历得分
inst.setValue(2, degreeScore);
// 地区得分
inst.setValue(3, addrScore);
// 工作年限
inst.setValue(4, year);
// 薪资(待预测)
inst.setValue(5, 0);
return cl.classifyInstance(inst);
}
public void Train(string text, IList<int> tags)
{
Instance ins = new DenseInstance(tagsNb+1);
ins.setDataset(dataSet);
ins.setValue(0, text);
for (int i = 0; i < tagsNb; i++) {
if (tags.Contains(i)) {
ins.setValue(i + 1, 1);
} else {
ins.setValue(i + 1, 0);
}
}
dataSet.add(ins);
}
public IEnumerable<double> Tag(string text)
{
Instance ins = new DenseInstance(tagsNb+1);
ins.setDataset(dataSet);
ins.setValue(0, text);
MultiLabelOutput mlo = cl.makePrediction(ins);
List<double> outp = new List<Double>();
foreach (bool b in mlo.getBipartition()) {
if (b) {
outp.Add(1);
} else {
outp.Add(0);
}
}
return outp;
}
public IEnumerable<double> Tag(string text)
{
Instance instance = new DenseInstance (1.0d, new ConcreteBasicTextVector (text, false).ToVector (1));
double[] val = new double[this.not];
for (int i = 0; i < this.not; i++) {
instance.setDataset (datasets [i]);
val [i] = classifiers [i].classifyInstance (instance);
}
return val;
}
public IEnumerable<double> Tag(string text)
{
Instance ins = new DenseInstance(tagsNb + 1);
ins.setDataset(oDataSet);
ins.setValue(0, text);
stv.input(ins);
ins = stv.output();
MultiLabelOutput mlo = lps.makePrediction(ins);
List<double> outp = new List<Double>();
int i = 0;
foreach (bool b in mlo.getBipartition()) {
if (b) {
outp.Add(mlo.getConfidences()[i++]/2 + 0.5);
} else {
outp.Add(0.5 - mlo.getConfidences()[i++]/2);
}
}
return outp;
}
