Matlab中的Weka:为什么它使用错误的属性？

Question

我正在尝试从Weka导入一些测试到Matlab.我已经用Weka 3.7创建了一个模型,现在我想在Matlab中重现结果.首先,我创建了集traindata和testdata,例如我有:

> ...
> @attribute Tmp numeric
> @attribute Hum numeric
> @attribute Wsp numeric
> @attribute Wnd numeric
> @attribute class {IN,no}
> @data ...

然后,我加载模型,我获得预测:

classifier = weka.core.SerializationHelper.read('myMIX750.model');
numInst = testdata.numInstances();
pred = zeros(numInst,1);
predProbs = zeros(numInst, traindata.numClasses());
for i=1:numInst
     pred(i) = classifier.classifyInstance( testdata.instance(i-1) );
     predProbs(i,:) = classifier.distributionForInstance( testdata.instance(i-1) );
end

......它有效!但是,我错误地引入了一个错误的输入文件,我的模型是这样的:

disp( char(classifier.toString()) )

J48 pruned tree
------------------
WxCat = 0: 0 (14003.0)
WxCat = 1
|   WndVar <= 0
|   |   PcpCatVar <= 1.00015: 0 (4436.0/389.0)
|   |   PcpCatVar > 1.00015: 1 (2499.0/143.0)
|   WndVar > 0: 1 (18636.0/1592.0)

请注意,traindata/testdata的属性与模型中的属性不同.但是,它运行的代码,它返回一个分类......

=== Detailed Accuracy By Class ===
                 TP Rate  FP Rate  Precision  Recall   F-Measure  MCC      ROC Area  PRC Area  Class
                 1,000    1,000    0,500      1,000    0,667      0,000    0,500     0,500     IN
                 0,000    0,000    0,000      0,000    0,000      0,000    0,500     0,500     no
Weighted Avg.    0,500    0,500    0,250      0,500    0,333      0,000    0,500     0,500     

那么,weka如何将包含不同属性的这些实例分类为模型使用的实例？

这是我使用的其余代码:

eval = weka.classifiers.Evaluation(traindata);

eval.evaluateModel(classifier, testdata, javaArray('java.lang.Object',1));

fprintf('=== Run information ===\n\n')
fprintf('Scheme: %s %s\n', ...
    char(classifier.getClass().getName()), ...
    char(weka.core.Utils.joinOptions(classifier.getOptions())) )
fprintf('Relation: %s\n', char(traindata.relationName))
fprintf('Instances: %d\n', traindata.numInstances)
fprintf('Attributes: %d\n\n', traindata.numAttributes)

fprintf('=== Classifier model ===\n\n')
disp( char(classifier.toString()) )

fprintf('=== Summary ===\n')
disp( char(eval.toSummaryString()) )
disp( char(eval.toClassDetailsString()) ) %Detailed Accuracy By Class
disp( char(eval.toMatrixString()) )  %Confusion Matrix

提前致谢!

PGAM