在Weka.classifiers.meta.vote多数票算法(Majority vote alg

什么是Weka中使用的多数表决算法。我试图找出它的代码，但无法理解。

在Weka中您可以选择使用多分类Weka.classifiers.meta.vote 。如果您选择了Majority Voting为combinationRule （只与工作nominal类），然后每个分类器将预测测试样品标称类的标签。这是预测的最标签将被选择作为输出vote分类器。

例如。您可以选择使用以下分类： trees.J48 ， bayes.NaiveBayes和functions.LibSVM来预测天气，这可以被标记bad ， normal或good 。给定一个新的测试样品，这些都是他们的预测：

J48        - bad
NaiveBayes - good
LibSVM     - good

在下面的票数为每个可能的标签结果：

bad    - 1
normal - 0
good   - 2

所以Weka中的vote分类将选择good作为标签，供试品，因为它拥有最多票数的所有三个分类之中。

- 编辑 -

该功能distributionForInstanceMajorityVoting在源代码 Weka中的的Vote类显示了多数表决是如何实现的。我加了下面的功能。这里是做什么的描述：

代码工作，因为我上面所解释的漂亮多了。测试实例的所有标称类被加载到votes 。最高概率获得一票每个分类，分类上述实例和标签。如果多个标签具有相同的概率，那么所有这些标签收到的一票。一旦所有分类都投有票，得票最多的标签被选定为标签的测试实例。如果多个标签具有票的相同量，则这些标记之一将随机选择。

protected double[] distributionForInstanceMajorityVoting(Instance instance) throws Exception {

  double[] probs = new double[instance.classAttribute().numValues()];
  double[] votes = new double[probs.length];

  for (int i = 0; i < m_Classifiers.length; i++) {
    probs = getClassifier(i).distributionForInstance(instance);
    int maxIndex = 0;
    for(int j = 0; j<probs.length; j++) {
      if(probs[j] > probs[maxIndex])
        maxIndex = j;
    }

    // Consider the cases when multiple classes happen to have the same probability
    for (int j=0; j<probs.length; j++) {
      if (probs[j] == probs[maxIndex])
        votes[j]++;
    }
  }

  for (int i = 0; i < m_preBuiltClassifiers.size(); i++) {
    probs = m_preBuiltClassifiers.get(i).distributionForInstance(instance);
    int maxIndex = 0;

    for(int j = 0; j<probs.length; j++) {
      if(probs[j] > probs[maxIndex])
        maxIndex = j;
    }

    // Consider the cases when multiple classes happen to have the same probability
    for (int j=0; j<probs.length; j++) {
      if (probs[j] == probs[maxIndex])
        votes[j]++;
    }
  }

  int tmpMajorityIndex = 0;
  for (int k = 1; k < votes.length; k++) {
    if (votes[k] > votes[tmpMajorityIndex])
      tmpMajorityIndex = k;
  }

  // Consider the cases when multiple classes receive the same amount of votes
  Vector<Integer> majorityIndexes = new Vector<Integer>();
  for (int k = 0; k < votes.length; k++) {
    if (votes[k] == votes[tmpMajorityIndex])
      majorityIndexes.add(k);
   }

  // Resolve the ties according to a uniform random distribution
  int majorityIndex = majorityIndexes.get(m_Random.nextInt(majorityIndexes.size()));

  //set probs to 0
  probs = new double[probs.length];

  probs[majorityIndex] = 1; //the class that have been voted the most receives 1

  return probs;
}