weka java预测天气代码

以下是一个简单的使用Weka Java API预测天气的示例代码：

import java.io.BufferedReader;
import java.io.FileReader;
import weka.classifiers.Classifier;
import weka.classifiers.bayes.NaiveBayes;
import weka.classifiers.evaluation.Evaluation;
import weka.core.Instance;
import weka.core.Instances;

public class WeatherPredictor {

    public static void main(String[] args) throws Exception {
        // 1. 加载数据集
        BufferedReader reader = new BufferedReader(new FileReader("weather.arff"));
        Instances data = new Instances(reader);
        reader.close();

        // 2. 设置类别属性
        data.setClassIndex(data.numAttributes() - 1);

        // 3. 构建决策树分类器
        Classifier classifier = new NaiveBayes();
        classifier.buildClassifier(data);

        // 4. 交叉验证评估分类器
        Evaluation eval = new Evaluation(data);
        eval.crossValidateModel(classifier, data, 10, new java.util.Random(1));
        System.out.println(eval.toSummaryString());

        // 5. 预测新实例
        Instance instance = new Instance(4);
        instance.setDataset(data);
        instance.setValue(0, "sunny");
        instance.setValue(1, "hot");
        instance.setValue(2, "high");
        instance.setValue(3, "weak");

        double[] probabilities = classifier.distributionForInstance(instance);
        System.out.println("Probability of each class:");
        for (int i = 0; i < data.classAttribute().numValues(); i++) {
            System.out.println(data.classAttribute().value(i) + ": " + probabilities[i]);
        }
    }

}

在本例中，我们使用了Weka自带的天气数据集（weather.arff）。在代码中，我们首先加载数据集，并将其类别属性设置为最后一个属性。然后，我们使用朴素贝叶斯分类器构建模型，并对模型进行10折交叉验证评估。最后，我们使用朴素贝叶斯分类器对新实例进行分类，并输出每个类别的概率。