Изменения
→См. также
[[File:Java.jpeg|auto|thumb|Java: https://www.oracle.com/java/]]
==Популярные библиотеки==
* <code>Weka</code><ref>[https://www.cs.waikato.ac.nz/~ml/weka/ Weka]</ref> {{---}} популярная библиотека, написанная на языке <code>Java</code> и содержащая в себе множество алгоритмов машинного обучения для задач анализа данных. Предоставляет инструменты для решения задач классификации, кластеризации данных, регрессионного анализа и др. Основные возможности <code>Weka</code> можно сгруппировать в 3 категории: инструменты пре-процессинга данных, алгоритмы машинного обучения и инструменты оценки модели. Инструменты пре-процессинга в <code>Weka</code> называются фильтрами, <code>Weka</code> содержит фильтры для дискретиации, нормализации, уменьшения размерности, трансформации и комбинирования признаков. <code>Weka Machine Learning Toolkit</code> содержит алгоритмы классификации, регрессии, кластеризации. Реализованы следующие алгоритмы обучения: деревья решений, метод опорных векторов, <code>MLP</code>, логистическая регрессия, Байесовские сети, и др., мета-алгоритмы включают в себя: бэггинг, [[Бустинг, AdaBoost|бустинг]], стекинг, алгоритмы выбора признаков: [[Метод главных компонент (PCA)| PCA]]<sup>[на 28.01.19 не создан]</sup>, фильтрующие методы, основанные на information gain, коэффициенте корреляции Пирсона и <code>OneR</code> классификаторе.
* <code>Smile</code><ref>[https://haifengl.github.io/smile/ Smile, Statistical Machine Intelligence and Learning Engine]</ref> {{---}} <code>Java</code> фреймворк для машинного обучения, анализа естественного языка, линейной алгебры и визуализации данных. <code>Smile</code> покрывает все основные аспекты машинного обучения и предоставляет высокопроизводительные алгоритмы и структуры данных.
* <code>deeplearning4j</code><ref>[https://github.com/deeplearning4j/deeplearning4j deeplearning4j, deep learning & linear algebra for Java/Scala with GPUs + Spark]</ref> {{---}} <code>Java</code> библиотека для глубокого обучения, создания рекуррентых (в том числе распределенных ) нейронных сетей.==Основные особенности использования Java для задач машинного обучения==В отличие от <code>Python</code>, <code>Java</code> не обладает столь обширной экосистемой, ориентированной на решение задач машинного обучения и анализа данных. Большинство имеющихся инструментов являются узко специализированными (по сравнению, например, с <code>scikit-learn</code><ref>[https://scikit-learn.org/stable/ Библиотека scikit-learn]</ref>) и хуже документированы. Ввиду более низкой популярности языка в сфере <code>ML</code> большинство онлайн курсов и обучающих материалов ориентированы на <code>Python</code>. Однако, несмотря на вышеперечисленные факторы, <code>Java</code> остаетсяпопулярной альтернативой, особенно при необходимости интеграции с существующими <code>JVM</code> проектами. Также к достоинствам <code>Java</code> можно отнести статическую типизацию (и как следствие уменьшенную вероятность ошибок времени исполнения)и заметно более развитую поддержку в IDE.
==Примеры кода==
Для работы с приведенными ниже примерами необходим <code>JDK</code> версии не ниже 10 и система сборки <code>Maven</code>.<br>
{{main|Вариации регрессии}}
====Линейная регрессия====
{{main|Линейная регрессия#Пример на языке Java}}Пример линейной регресии с применением <code>weka.classifiers.functions.LinearRegression</code><ref>[http://weka.sourceforge.net/doc.dev/weka/classifiers/functions/LinearRegression.html/ Weka, Linear Regression]</ref>
====Логистическая регрессиия====
{{main|Логистическая регрессия#Пример на языке Java}}Пример линейной регрессии с применением <code>smile.classification.LogisticRegression</code><ref>[https://haifengl.github.io/smile/api/java/smile/classification/LogisticRegression/ Smile, Logistic Regression]</ref> <dependency> <groupId>com.github.haifengl</groupId> <artifactId>smile-core</artifactId> <version>1.5.2</version> </dependency> '''import''' smile.data.AttributeDataset; '''import''' smile.data.NominalAttribute; '''import''' smile.classification.LogisticRegression; '''import''' smile.data.parser.ArffParser; '''var''' arffParser = new ArffParser(); arffParser.setResponseIndex(4); '''var''' iris = arffParser.parse(smile.data.parser.IOUtils.getTestDataFile("weka/iris.arff")); '''var''' logClf = new LogisticRegression(iris.x(), iris.labels()); logClf.predict(testX);
====Гребневая регрессия (ридж-регрессия)====
{{Main|Вариации регрессии#Гребневая регрессия (ридж-регрессия)Пример на языке Java}} Пример гребневой регрессии с применением <code>smile.regression.RidgeRegression</code><ref>[https://haifengl.github.io/smile/api/java/smile/regression/RidgeRegression.html/ Smile, Ridge Regression]</ref> <dependency> <groupId>com.github.haifengl</groupId> <artifactId>smile-core</artifactId> <version>1.5.2</version> </dependency> '''import''' smile.data.NominalAttribute; '''import''' smile.data.parser.DelimitedTextParser; '''import''' smile.regression.RidgeRegression; '''var''' parser = new DelimitedTextParser(); parser.setDelimiter(", "); parser.setResponseIndex(new NominalAttribute("class"), 0); '''var''' dataset = parser.parse("dataset.csv"); '''var''' lambda = 0.0057d; '''var''' ridgeClf = new RidgeRegression(dataset.x(), dataset.y(), lambda); ridgeClf.predict(testX);
====Лассо-регрессия====
{{Main|Вариации регрессии#Лассо-регрессияПример на языке Java_2}}
===Метрический классификатор и метод ближайших соседей==={{Main|Метрический классификатор и метод ближайших соседей#Пример Лассо-регрессии с применением <code>smile.regression.LASSO</code><ref>[https://haifengl.github.io/smile/api/java/smile/regression/LASSO.html/ Smile, LASSO regression]</ref>на языке Java}}
===Классификация при помощи MLP===
{{main|Нейронные сети, перцептрон#Пример на языке Java}}Пример классификации с применением <code>weka.classifiers.functions.MultilayerPerceptron</code><ref>[http://weka.sourceforge.net/doc.dev/weka/classifiers/functions/MultilayerPerceptron.html/ Weka, MLP]</ref> <dependency> <groupId>nz.ac.waikato.cms.weka</groupId> <artifactId>weka-stable</artifactId> <version>3.8.0</version> </dependency> '''import''' weka.classifiers.functions.MultilayerPerceptron; '''import''' weka.core.converters.CSVLoader; '''import''' java.io.File; '''var''' trainds = new DataSource("etc/train.csv"); '''var''' train = trainds.getDataSet(); train.setClassIndex(train.numAttributes() - 1); '''var''' testds = new DataSource("etc/test.csv"); '''var''' test = testds.getDataSet(); test.setClassIndex(test.numAttributes() - 1); '''var''' mlp = new MultilayerPerceptron(); mlp.buildClassifier(train); // Test the model '''var''' eTest = new Evaluation(train); eTest.evaluateModel(mlp, test); // Print the result à la Weka explorer: '''var''' strSummary = eTest.toSummaryString(); System.out.println(strSummary);
===Рекуррентные нейронные сети===
{{Main|Рекуррентные нейронные сети#Пример на языке Java}}[https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/recurrent/basic/BasicRNNExample.java Пример] простой рекуррентной нейронной сети, способной генерировать заданную строку по первому символу, с применением библиотеки <code>deeplearning4j</code>.
===Долгая краткосрочная память===
{{Main|Долгая краткосрочная память#Пример на языке Java}}[https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/recurrent/character/LSTMCharModellingExample.java Пример] реализации рекуррентной нейронной сети, использующей механизм LSTM и натренированной на текстах Шекспира, с применением библиотеки <code>deeplearning4j</code>.
===Метод опорных векторов===
{{main|Метод опорных векторов (SVM)}}#Пример классификации с применением <code>smile.classification.SVM</code><ref>[https://haifengl.github.io/smile/api/java/smile/classification/SVM.html/ Smile, SVM]</ref> <dependency> <groupId>com.github.haifengl</groupId> <artifactId>smile-core</artifactId> <version>1.5.2</version> </dependency> '''import''' smile.classification.SVM; '''import''' smile.data.NominalAttribute; '''import''' smile.data.parser.DelimitedTextParser; '''import''' smile.math.kernel.GaussianKernel; '''import''' java.util.Arrays; // read train & test dataset '''var''' parser = new DelimitedTextParser(); parser.setResponseIndex(new NominalAttribute("class"), 0); '''var''' train = parser.parse("USPS Train", this.getClass().getResourceAsStream("/smile/data/usps/zip.train")); '''var''' test = parser.parse("USPS Test", this.getClass().getResourceAsStream("/smile/data/usps/zip.test")); '''var''' classes = Arrays.stream(test.labels()).max().orElse(0) + 1; // build SVM classifier '''var''' svm = new SVM<>(new GaussianKernel(8.0), 5.0, classes, SVM.Multiclass.ONE_VS_ONE); svm.learn(train.x(), train.labels()); svm.finish(); // calculate test error rate '''var''' error = 0; for (int i = 0; i < test.x().length; i++) { if (svm.predict(test.x()[i]) != test.labels()[i]) { error++; на языке Java} } System.out.format("USPS error rate = %.2f%%\n", 100.0 * error / test.x().length);
===Деревья решений, случайный лес===
{{Main|Дерево решений и случайный лес#Пример на языке Java}}
'''import''' java.util.Random;
<font color="green">//load data</font>
'''var''' data = new Instances(new BufferedReader(new FileReader("data/bank-data.arff")));
<font color="green">// new instance of clusterer</font>
'''var''' model = new EM();
<font color="green">// build the clusterer</font>
model.buildClusterer(data);
System.out.println(model);
===Байесовская классификация===
{{Main|Байесовская классификация#Пример на языке Java}}
==См. также==
*[[:Примеры кода на Scala|Примеры кода на Scala]]
*[[:Примеры кода на R|Примеры кода на R]]<sup>[на 08.04.19 не создан]</sup>
*[[:Обзор библиотек для машинного обучения на Python|Обзор библиотек для машинного обучения на Python]]
