weka算法参数整理

1.关联算法

1.1.Aprior算法

1.1.1.Apriori算法weka参数界面

概要

实现Apriori关联规则挖掘算法，挖掘出给定参数条件下的关联规则。此迭代的减少最小支持度直到发现设定最小置信度下的规则数目。

1.1.

2.Apriori算法参数配置说明

英文名称中文翻译默认值取值范围参数说明

car分类关联分析False False返回常规的关联分析规则

True返回指定分类属性的关联规则

classIndex分类属性索引-1{-1,[1,N]}int-1代表最后一列，设置的数字代表相应的列作为分类属性；Car为True时生效。delta delta0.05(0,1)每次迭代upperBoundMinSupport减少的数值，直到最小支持度或设定规则数目。lowerBoundMinSupport最小支持度下限0.1(0,upperBoundMinSupport)迭代过程中最小支持度的下限。

metricType度量类型confidence Confidence(置信度)规则项集数目占规则前件数目比例；car为True，metricType只能用confidence。

Lift(提升度)>1P(A,B)/P(A)P(B)；规则前件和规则后件同时发生的概率除以分布单独发生的概率之积；Lift=1时表示A和B独立，数值越大前后件关联性越强。

Leverage(杠杆率)P(A,B)-P(A)P(B)；Leverage=0时A和B独立，数值越大A和B的关联性越强。

Conviction(确信度)P(A)P(!B)/P(A,!B)（!B表示B没有发生）Conviction也是用来衡量A和B的独立性。从它和lift的关系（对B取反，代入Lift公式后求倒数）可以看出，这个值越大,A、B越关联。

minMetric最小度量值0.9根据metricType取值不同Confidence(0,1);lift>1;leverage>0;conviction(0,1)

numRules规则数目10[1,+∞]int关联算法产生规则的数目

outputItemSets输出项集False False不输出频繁项集

True输出频繁项集

removeAllMissingCols移除空列False False不移除所有值都缺失的列

True移除所有值都缺失的列

significanceLevel显著性水平-1？(0,1)χ2检验的显著性水平，-1则不进行检验。（仅适用于置信度度量）treatZeroAsMissing按照缺失值处理零False False不按照缺失值的相同方式处理零（标称型的第一个值）

True按照缺失值的相同方式处理零（标称型的第一个值）upperBoundMinSupport最小支持度上限1(lowerBoundMinSupport,1]迭代过程中最小支持度的上限；迭代过程中从该值开始降低。

verbose详细模式False False算法不以冗余模式运行

True算法以冗余模式运行

2.聚类

2.1.weka聚类主界面及参数说明

2.1.1.聚类算法主界面

2.1.2.聚类算法主界面参数说明

英文名称中文翻译配置说明

Use training set使用训练集使用训练集训练并直接使用训练集测试。

Supplied test set提供测试集使用训练集训练模型，从文件中加载一组测试实例，单击“Set...”

按钮选择测试文件，进行模型测试。

Percentage split分割百分比取出特定百分比的数据作为训练数据，其他作为测试数据。Class to clusters evaluations类作为评估准则比较所选择的簇与预先指定的类的匹配程度。

Store cluster for visualization为可视化保存簇选择后训练完成后，保存簇以供可视化使用

2.2.SimpleKMeans算法

2.2.1.SimpleKMeans算法参数配置用户界面和开发模式界面

2.2.2.SimpleKMeans聚类算法参数配置说明

英文名称中文翻译默认值取值范围参数说明

canopyMaxNumCanopiesToHoldI nMemory 内存中最大canopy数目100[1,+∞)如果用canopy聚类方法进行初始化，这个参数就是在内存中保存

的最大的候选canopies数目。

canopyMinimumCanopyDensity最低canopy密度 2.0?在使用canopy初始化时，在修剪时的canopy最低密度。canopyPeriodicPruningRate修剪周期10000?如果用canopy初始化，参数为修剪低密度canopies周期。canopyT1Canopy聚类T1半径-1.25(T2,+∞)canopy聚类时T1半径，当小于0时，T1=（-values）*T2。canopyT2Canopy聚类T2半径-1(-∞,T1)canopy聚类时T2半径，当值为负数时，根据属性标准差求出。debug设置调试模式False False调试信息不输出

True输出调试信息

displayStdDevs显示标准差False False不显示数值属性的标准差，不统计标称属性每类的数目。

True显示数值属性的标准差，或统计标称属性没类的数目。distanceFunction距离函数EuclideanDistance EuclideanDistance欧氏距离

Manhattan distance马氏距离

doNotCheckCapabilities不检查适用范围False False在聚类之前，检查聚类器的使用范围。

True在聚类之前，不检查聚类器的使用范围。dontReplaceMissingValues不替换缺失值False False在全局范围内用平均值或中数替换缺失值

True不替换

fastDistanceCalc加速距离计算False False根据cut-off值加速距离计算

True不加速距离计算

initializationMethod初始化质心方法Random Random随机选取质心

k-means++先使用k-means++聚类算法初始化质心

Canopy先使用Canopy聚类算法初始化质心

farthest first先使用farthest firsty聚类算法初始化质心

maxIterations最大迭代次数500[1,+∞)迭代过程中达到最大迭代次数结束本次聚类。

numClusters簇数目2[2,N)设定聚类个数，即最后被聚成几类。

numExecutionSlots最大执行线程数目1[1,?]设置成可用的cpu数目

preserveInstancesOrder保持实例顺序False False保持实例顺序

True不保持实例顺序

reduceNumberOfDistanceCalcsVi

aCanopies

减少计算距离数目False False在用canopy聚类初始化时，减少计算距离的数目。

True

seed随机数种子10使用的随机数种子，不随机化则该值设为-1

2.3.EM聚类算法

2.3.1.EM聚类算法适用范围

Class类Attributes属性No class Numeric

Empty nominal

Nominal

Missing values

Unary

Binary

2.3.2.EM聚类算法参数界面

2.3.3.EM聚类算法参数说明

英文名称中文翻译默认值取值范围参数说明

debug设置调试模式False False调试信息不输出

True输出调试信息

displayModelInOldFormat以旧格式显示结果False False以新的形式输出结果，当聚类数目比较少时比较合适。

Ture以旧的形式输出结果，当聚类的数目比较多的时候比较合适。doNotCheckCapabilities不检查适用范围False False在聚类之前，检查聚类器的使用范围。

True在聚类之前，不检查聚类器的使用范围。

maxIterations最大迭代次数100[1,+∞)最大的迭代次数

maximumNumberOfClusters最大的聚类数目-1{-1,[1,N]}聚类数目不超过这个值；当为-1时，交叉验证自动选择。minLogLikelihoodImprovementIter

ating

minLogLikelihoodImprovementCV

minStdDev

numClusters簇数目-1{-1,[1,N]}设定结果中簇的数目。当为-1时，交叉验证自动确定。numExecutionSlots最大执行线程数目1[1,?]设置可用的cpu数目

numfolds折数10交叉验证的折数，判定最好的聚类数目，其中一折用于验证，其他用于训练。seed随机数种子10使用的随机数种子，不随机化则该值设为-1

3.分类算法

3.1.分类算法主界面

英文名称中文翻译配置说明

Use training set使用训练集使用训练集训练并直接使用训练集测试。

Supplied test set提供测试集使用训练集训练模型，从文件中加载一组测试实例，单击“Set...”

按钮选择测试文件，进行模型测试。

Cross-validation交叉验证把数据分成k份，从第1份开始，作为测试数据，其他作为训练

数据集，一直到第k份结束，验证模型的能力。

Percentage split分割百分比取出特定百分比的数据作为训练数据集训练模型，其他数据作为

测试数据。

以上所述训练数据集和测试数据集均为模型验证时候的数据集，与模型的建立无关，模型建立均用实验提供的全部训练数据集。

3.2.分类算法输出选项界面

英文名称中文翻译配置说明

Output model输出模型输出通过完整训练集得到的分类模型，以便能够浏览、

可视化等。

Output per-class stats输出每类的统计信息输出每个分类的TP rate，FPrate，查准率/查全率以及

True/False统计信息。

Output entropy evaluation measures？输出熵评估量度输出中包括熵评估度量

Output confusion matrix输出混淆矩阵输出中包括分类器对测试数据集预测得到的混淆矩阵Store prediction for visualization为可视化保留预测保存分类器的预测结果，以便可视化。

Error plot point size proportional to

？

margin

Output prediction输出预测分别以csv、html、null（不输出）plaintext、xml格式输

出对测试数据集的预测，可输出到指定文件。

Cost-sensitive evaluation成本敏感评估成本矩阵用于评估错误率，点击set按钮允许用户指定

所使用的成本矩阵。

Random seed for xval/%split取样的随机种子随机抽取测试数据时产生随机数的种子

Preserve order for split取样时保持顺序抽取测试数据集时是否保持数据的顺序抽取，如果不选

择此选项，则随机抽取。

Output source code输出源代码输出构建模型的java源代码，并能指定java类的名称。

3.3.分类算法评价尺度参数界面及解释

Correct Correctly classified instances正确分类的实例输出正确分类的个数及其比例

Incorrect Incorrectly classified instances错误分类的实例输出错位分类的个数及其比例

Kappa Kappa statistic Kappa统计评价分类器与真实分类之间差异，并考虑

到分类器与真实分类偶然一致的情况。取

值范围为[-1,1]。K=1表示完全与真实分类

相同即全部预测正确，k=0表示与随机分

类器相同。此统计量越接近1表明分类器

越优秀。

Total cost Total Cost总代价代价敏感分析中根据代价矩阵计算的总

代价。代价越大模型预测越差。Average cost Average Cost平均代价总代价/验证数据集中实例数目。

KB relations K&B Relative Info Score

KB information K&B Information Score

correlation Correlation coefficient相关系数预测值与实际值之间的相关系数。（数值

性状显示此指标）

Complexity0Class complexity|order0

Complexity

scheme

Class complexity|scheme

Complexity improvement Complexity improvement (Sf)

MAE Mean absolute error平均绝对误差误差先取绝对值，然后取平均值。RMSE Root mean squared error均方根误差误差取平方，然后取平均值，在取根。RAE Relative absolute error相对绝对误差参照附录公式

RRSE Root relative squared error相对均方根误差参照附录公式

Coverage Coverage of cases(0.95level)案例的覆盖度

region size Mean rel.region size(0.95

level)

TP rate TP rate真阳性率TP/P=TP/(TP+FN)，实际正类中被预测为

正类的比例，数值越高，说明预测正类的

准确度高，不容易将正类预测为负类。FP rate FP rate假阳性率FP/N=FP/(FP+TN)，实际负类中被预测为

正类的比例。数值越高，说明分类器越容

易将负类预测为正类，分类器效果越差。precision precision查准率TP/(TP+FP)，被预测为正类中实际正类的

比例，数值越高说明预测的越准确。Fallout FP/(TP+FP)，1-precision（weka？）recall recall查全率TP/(TP+FN)，被分类器正确预测的正样本

比例，数值越高，说明预测正类的准确度

高，不容易将正类预测为负类。查全率等

于真阳性率。

F-measures F-measures F度量2*TP/(2*TP+FP+FN)，查准率和查全率的

调和平均数。值偏向查准率和查全率较低

的数值；较高的F度量确保查准率和查全

率都比较高。

Lift Lift提升根据每个

MCC MCC Matthews相关系数MCC=(TP*TN-FP*FN)/[(TP+FP)*(TP+FN

)*(TN+FP)*(TN+FN)]^0.5，同时考虑了FP

和FN，并适用于不平衡问题（两个类的

比例相差很大）。取值在[-1,1]之间，1代

表完美的预测，0代表与随机分类器效果

一样，-1代表预测结果与实际结果完全不

一致。

ROC area ROC area接受者操作特征曲

线下面积[0,1]越接近1说明分类器效果越好，等于0.5说明分类器和随机分类效果一致。ROC曲线越靠近左上方，说明分类器的分类效果越好。

PRC area PRC area查准率/查全率曲

线下面积

显示PRC曲线下面积，[0,1]范围的小数Weighted Avg Weighted Avg加权平均值对各个类的参数加权平均，权重为实际分

类中各类占的比例。

3.4.分类算法结果可视化

英文名称中文翻译描述

View in main window在主窗口查看在主窗口中显示输出，与单击该条目的功能相同。View in separate window在单独的窗口查看打开新的独立的窗口显示结果。

Save result buffer保存本次运行结果将结果保存到本地磁盘文件

Delete result buffer删除本次运行结果直接从缓存中删除本次运行结果

Load model加载模型从二进制文件中加载一个预先训练过的模型

Save model保存模型将模型对象保存为二进制的文件，对象以java序列化

对象的格式保存。保存后可以直接加载。

Re-evaluate model on current test set 用当前测试数据集重新评估

模型

用当前测试数据集重新评估模型，与Test model中选

择Supplied test set效果相同

Re-apply this model’s

configuration

？

Visualize Classifier errors可视化分类器错误正确分类的实例用十字表示，错误分类的实例用方块

表示。

Visualize tree查看结果树查看分类的树形图形

Visualize margin curve查看边缘曲线Margin定义为预测为实际分类的概率减去预测其他分

类中最高概率（分类概率）的差值。差值越接近1说

明预测越准确，越接近-1预测效果越差。

Visualize threshold curve查看阈值曲线

Cost/benefit analysis成本/收益分析

Visualize cost curve查看成本曲线3.4.1.Visualize Classifier errors

可根据需要选择X轴和Y轴坐标

多分类

实际的类表示颜色，如果分类正确则用十字，否则用方块表示。

Weka_数据挖掘软件使用指南

Weka 数据挖掘软件使用指南 1.Weka简介 该软件是WEKA的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），它的源代码可通过https://www.sodocs.net/doc/3016023416.html,/ml/weka得到。Weka作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看Weka的接口文档。在Weka中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 2.Weka启动 打开Weka主界面后会出现一个对话框，如图： 主要使用右方的四个模块，说明如下： ?Explorer：使用Weka探索数据的环境,包括获取关联项，分类预测，聚簇等； ?Experimenter：运行算法试验、管理算法方案之间的统计检验的环境； ?KnowledgeFlow：这个环境本质上和Explorer所支持的功能是一样的，但是它有一个可以拖放的界面。它有一个优势，就是支持增量学习； ?SimpleCLI：提供了一个简单的命令行界面，从而可以在没有自带命令行的操作系统中直接执行Weka命令（某些情况下使用命令行功能更好一些）。 3．主要操作说明 点击进入Explorer模块开始数据探索环境。 3.1主界面 进入Explorer模式后的主界面如下：

3.1.1标签栏 主界面最左上角（标题栏下方）的是标签栏，分为五个部分，功能依次是： ?Preprocess(数据预处理)：选择和修改要处理的数据； ?Classify(分类)：训练和测试关于分类或回归的学习方案； ?Cluster(聚类)：从数据中学习聚类； ?Associate(关联)：从数据中学习关联规则； ?Select attributes(属性选择)：选择数据中最相关的属性； ?Visualize(可视化)：查看数据的交互式二维图像。 3.1.2载入、编辑数据 标签栏下方是载入数据栏，功能如下： ?Open file：打开一个对话框，允许你浏览本地文件系统上的数据文件（.dat）； ?Open URL：请求一个存有数据的URL 地址； ?Open DB：从数据库中读取数据； ?Generate：从一些数据生成器中生成人造数据。 3.1.3其他界面说明 接下来的主界面中依次是Filter（筛选器），Currtent relation（当前关系）、Attributes（属性信息）、Selected attribute（选中的属性信息）以及Class（类信息），分别介绍如下： ?Filter 在预处理阶段，可以定义筛选器来以各种方式对数据进行变换。Filter 一栏用于对各种筛选器进行必要设置。Filter一栏的左边是一个Choose 按钮。点击这个按钮就可选择Weka中的某个筛选器。用鼠标左键点击这个choose左边的显示框，将出现GenericObjectEditor对话框。用鼠标右键点击将出现一个菜单，你可从中选择，要么在GenericObjectEditor对话框中显示相关属性，要么将当前的设置字符复制到剪贴板。 ?Currtent relation 显示当前打开的数据文件的基本信息：Relation（关系名），Instances（实例数）以及Attributes （属性个数）。

大数据挖掘weka大数据分类实验报告材料

一、实验目的 使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。 二、实验环境 实验采用Weka 平台，数据使用Weka安装目录下data文件夹下的默认数据集iris.arff。 Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java 写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 三、数据预处理 Weka平台支持ARFF格式和CSV格式的数据。由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF格式数据集如图1所示 图1 ARFF格式数据集(iris.arff)

对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal length、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。 实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属性的筛选。 实验所需的训练集和测试集均为iris.arff。 四、实验过程及结果 应用iris数据集，分别采用LibSVM、C4.5决策树分类器和朴素贝叶斯分类器进行测试和评价，分别在训练数据上训练出分类模型，找出各个模型最优的参数值，并对三个模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。 1、LibSVM分类 Weka 平台内部没有集成libSVM分类器，要使用该分类器，需要下载libsvm.jar并导入到Weka中。 用“Explorer”打开数据集“iris.arff”，并在Explorer中将功能面板切换到“Classify”。点“Choose”按钮选择“functions(weka.classifiers.functions.LibSVM)”，选择LibSVM分类算法。 在Test Options 面板中选择Cross-Validatioin folds=10，即十折交叉验证。然后点击“start”按钮：

数据挖掘WEKA实验报告

数据挖掘-WEKA 实验报告一 姓名及学号：杨珍20131198 班级：卓越计科1301 指导老师：吴珏老师

一、实验内容 1、Weka 工具初步认识（掌握weka程序运行环境） 2、实验数据预处理。（掌握weka中数据预处理的使用） 对weka自带测试用例数据集weather.nominal.arrf文件，进行一下操作。 1）、加载数据，熟悉各按钮的功能。 2）、熟悉各过滤器的功能，使用过滤器Remove、Add对数据集进行操作。 3）、使用weka.unsupervised.instance.RemoveWithValue过滤器去除humidity 属性值为high的全部实例。 4）、使用离散化技术对数据集glass.arrf中的属性RI和Ba进行离散化（分别用等宽，等频进行离散化）。 (1)打开已经安装好的weka,界面如下，点击openfile即可打开weka自带测试用例数据集weather.nominal.arrf文件

(2)打开文件之后界面如下： (3)可对数据进行选择，可以全选，不选，反选等，还可以链接数据库，对数

据进行编辑，保存等。还可以对所有的属性进行可视化。如下图： (4)使用过滤器Remove、Add对数据集进行操作。

(5)点击此处可以增加属性。如上图，增加了一个未命名的属性unnamed.再点击下方的remove按钮即可删除该属性. (5)使用weka.unsupervised.instance.RemoveWithValue过滤器去除humidity属性值为high的全部实例。 没有去掉之前： (6)去掉其中一个属性之后：

weka实验报告

基于w e k a的数据分类分析实验报告1 实验目的 （1）了解决策树C4.5和朴素贝叶斯等算法的基本原理。 （2）熟练使用weka实现上述两种数据挖掘算法，并对训练出的模型进行测试和评价。 2 实验基本内容 本实验的基本内容是通过基于weka实现两种常见的数据挖掘算法（决策树C4.5和朴素贝叶斯），分别在训练数据上训练出分类模型，并使用校验数据对各个模型进行测试和评价，找出各个模型最优的参数值，并对模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。 3 算法基本原理 （1）决策树C4.5 C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习：给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。C4.5由J.Ross Quinlan在ID3 的基础上提出的。ID3算法用来构造决策树。决策树是一种类似流程图的树结构，其中每个内部节点（非树叶节点）表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点存放一个类标号。一旦建立好了决策树，对于一个未给定类标号的元组，跟踪一条有根节点到叶节点的路径，该叶节点就存放着该元组的预测。决策树的优势在于不需要任何领域知识或参数设置，适合于探测性的知识发现。 从ID3算法中衍生出了C4.5和CART两种算法，这两种算法在数据挖掘中都非常重要。 属性选择度量又称分裂规则，因为它们决定给定节点上的元组如何分裂。属性选择度量提供了每个属性描述给定训练元组的秩评定，具有最好度量得分的属性被选作给定元组的分裂属性。目前比较流行的属性选择度量有--信息增益、增益率和Gini指标。

数据挖掘实验报告-实验1-Weka基础操作

数据挖掘实验报告-实验1-W e k a基础操作

学生实验报告 学院：信息管理学院 课程名称：数据挖掘 教学班级： B01 姓名： 学号：

实验报告 课程名称数据挖掘教学班级B01 指导老师 学号姓名行政班级 实验项目实验一： Weka的基本操作 组员名单独立完成 实验类型■操作性实验□验证性实验□综合性实验实验地点H535 实验日期2016.09.28 1. 实验目的和要求： （1）Explorer界面的各项功能； 注意不能与课件上的截图相同，可采用打开不同的数据文件以示区别。 （2）Weka的两种数据表格编辑文件方式下的功能介绍； ①Explorer-Preprocess-edit，弹出Viewer对话框； ②Weka GUI选择器窗口-Tools | ArffViewer，打开ARFF-Viewer窗口。（3）ARFF文件组成。 2．实验过程（记录实验步骤、分析实验结果） 2.1 Explorer界面的各项功能 2.1.1 初始界面示意

其中：explorer选项是数据挖掘梳理数据最常用界面，也是使用weka最简单的方法。 Experimenter：实验者选项，提供不同数值的比较，发现其中规律。 KnowledgeFlow：知识流，其中包含处理大型数据的方法，初学者应用较少。 Simple CLI ：命令行窗口，有点像cmd 格式，非图形界面。 2.1.2 进入Explorer 界面功能介绍 （1）任务面板 Preprocess（数据预处理）：选择和修改要处理的数据。 Classify（分类）：训练和测试分类或回归模型。 Cluster（聚类）：从数据中聚类。聚类分析时用的较多。 Associate（关联分析）：从数据中学习关联规则。 Select Attributes（选择属性）：选择数据中最相关的属性。 Visualize（可视化）：查看数据的二维散布图。 （2）常用按钮

!!!使用Weka进行数据挖掘

1.简介 数据挖掘、机器学习这些字眼，在一些人看来，是门槛很高的东西。诚然，如果做算法实现甚至算法优化，确实需要很多背景知识。但事实是，绝大多数数据挖掘工程师，不需要去做算法层面的东西。他们的精力，集中在特征提取，算法选择和参数调优上。那么，一个可以方便地提供这些功能的工具，便是十分必要的了。而weka，便是数据挖掘工具中的佼佼者。 Weka的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），是一款免费的，非商业化的，基于JA V A环境下开源的机器学习以及数据挖掘软件。它和它的源代码可在其官方网站下载。有趣的是，该软件的缩写WEKA也是New Zealand独有的一种鸟名，而Weka的主要开发者同时恰好来自新西兰的the University of Waikato。（本段摘自百度百科）。 Weka提供的功能有数据处理，特征选择、分类、回归、聚类、关联规则、可视化等。本文将对Weka的使用做一个简单的介绍，并通过简单的示例，使大家了解使用weka的流程。本文将仅对图形界面的操作做介绍，不涉及命令行和代码层面的东西。 2.安装 Weka的官方地址是https://www.sodocs.net/doc/3016023416.html,/ml/weka/。点开左侧download栏，可以进入下载页面，里面有windows，mac os，linux等平台下的版本，我们以windows系统作为示例。目前稳定的版本是3.6。 如果本机没有安装java，可以选择带有jre的版本。下载后是一个exe的可执行文件，双击进行安装即可。 安装完毕，打开启动weka的快捷方式，如果可以看到下面的界面，那么恭喜，安装成功了。 图2.1 weka启动界面 窗口右侧共有4个应用，分别是 1）Explorer 用来进行数据实验、挖掘的环境，它提供了分类，聚类，关联规则，特征选择，数据可视化的功能。（An environment for exploring data with WEKA） 2）Experimentor 用来进行实验，对不同学习方案进行数据测试的环境。（An environment for performing experiments and conducting statistical tests between learning schemes.） 3）KnowledgeFlow 功能和Explorer差不多，不过提供的接口不同，用户可以使用拖拽的方式去建立实验方案。另外，它支持增量学习。（This environment supports essentially the same functions as the Explorer but with a drag-and-drop interface. One advantage is that it supports incremental learning.） 4）SimpleCLI 简单的命令行界面。（Provides a simple command-line interface that allows direct execution of WEKA commands for operating systems that do not provide their own command line interface.） 3.数据格式 Weka支持很多种文件格式，包括arff、xrff、csv，甚至有libsvm的格式。其中，arff是最常用的格式，我们在这里仅介绍这一种。 Arff全称是Attribute-Relation File Format，以下是一个arff格式的文件的例子。

数据挖掘WEKA报告bezdekIris

第一部分概述 1.数据挖掘目的：根据已有的数据信息，寻找出鸢尾的属性之间存在怎样的关联规则。 2.数据源：UCI提供的150个实例，每个实例有5个属性。 3.数据集的属性信息： (1). sepal length in cm 萼片长度（单位：厘米）（数值型） (2). sepal width in cm 萼片宽度（单位：厘米）（数值型） (3). petal length in cm 花瓣长度（单位：厘米）（数值型） (4). petal width in cm 花瓣宽度（单位：厘米）（数值型） (5). class: 类型（分类型），取值如下 -- Iris Setosa 山鸢尾 -- Iris V ersicolor 变色鸢尾 -- Iris Virginica 维吉尼亚鸢尾 4.试验中我们采用bezdekIris.data数据集，对比UCI发布的iris.data数据集（08-Mar-1993）和bezdekIris.data数据集（14-Dec-1999），可知前者的第35个实例4.9,3.1,1.5,0.1,Iris-setosa和第38个实例4.9,3.1,1.5,0.1,Iris-setosa，后者相应的修改为：4.9,3.1,1.5,0.2,Iris-setosa和4.9,3.1,1.4,0.1,Iris-setosa。 第二部分将UCI提供的数据转化为标准的ARFF数据集 1. 将数据集处理为标准的数据集，对于原始数据，我们将其拷贝保存到TXT文档，采用UltraEdit工具打开，为其添加属性信息。如图： 2.（1）将bezdekIris.txt文件导入Microsoft Office Excel（导入时，文本类型选择文本文件），如图：

weka

https://www.sodocs.net/doc/3016023416.html,/ml/weka/ https://www.sodocs.net/doc/3016023416.html,/~ml/weka/index.html https://www.sodocs.net/doc/3016023416.html,/~ml/weka/ https://www.sodocs.net/doc/3016023416.html,/ucp.php?mode=login 原创]WEKA入门教程 由C6H5NO2? 2006年 11月 19日 16:03 目录 1. 简介顶楼 2. 数据格式顶楼 3.数据准备 1楼 4. 关联规则（购物篮分析） 1楼 5. 分类与回归 2楼 6. 聚类分析 2楼 Weka入门教程，来自 https://www.sodocs.net/doc/3016023416.html,/viewtopic.php?f=2&t=9。转载请注明出处。 1. 简介

WEKA的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），它的源代码可通过 https://www.sodocs.net/doc/3016023416.html,/ml/weka得到。同时weka也是新西兰的一种鸟名，而WEKA的主要开发者来自新西兰。 WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。 如果想自己实现数据挖掘算法的话，可以看一看weka的接口文档。在weka中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 2005年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的Weka 小组荣获了数据挖掘和知识探索领域的最高服务奖，Weka系统得到了广泛的认可，被誉为数据挖掘和机器学习历史上的里程碑，是现今最完备的数据挖掘工具之一（已有11年的发展历史）。Weka的每月下载次数已超过万次。 --整理自 https://www.sodocs.net/doc/3016023416.html,/computers/common/info.asp?id=2930 4

【原创】WEKA数据挖掘课程论文

数据挖掘课程论文 学院：工学院 专业：计算机科学与技术 班级： 学生姓名： 学号： 授课教师： 年月日 论文题目

[摘要] 数据分类过程与数据挖掘专家讨论相结合，找出了UCA数据集中的WEKA程序分析和数据挖掘方法之间的相关性，主要内容是数据挖掘和开发前景，总结和研究结果是否值得深入作为探索的结果学习。 [关键词]数据挖掘、分类、weka

1.引言 数据挖掘，通过大量的数据，新的关系，这是有意义的，趋势的仔细分析，是过程揭示的格局。它是数据库研究有价值的研究的新领域。人工智能，数据库技术，模式识别，机器学习，统计学，集成了数据可视化的理论和技术。 [1]。 有很多有关信息安全信息挖掘的，但是这是你需要什么，我们这方面的专家。 我们毫无意义的搜索，访问，即使在名义，在互联网上的所有行为这种行为的时代，用户被记录为生成内容UGC）数据挖掘数据。用户在精准营销，已经享受个性化的建议，担心在同一时间的深个人隐私和安全问题，它带来的同时方便。网络信息的挖掘为对方特定目的的操作的个人行为被称为人肉搜索，互联网公司，为了学习一些诸如信息，客户你需要自然担心。威胁到个人隐私，数据用户的朋友，爱好，聚集在个人喜好等个人特征，谁可以访问数据挖掘侧或数据集的圈子，识别特定个人谁，那么就违反了盈利的可能性。 1.1问题描述 本实验的基本内容是，WEKA在学习数据挖掘方面的培训，我使用奇偶校验和评估，根据每个模型对公共数据模型（决策树C4.5，KNN和朴素贝叶斯）进行分类算法实现校准数据。最后，我们使用分类器使用测试数据验证这些参数和数据结构，以预测最佳分类器，训练。

《数据挖掘实训》weka实验报告

《数据挖掘实训》课程论文（报告、案例分析） 院系信息学院 专业统计 班级 10级统计 3 班 学生姓名李健 学号 2010210453 任课教师刘洪伟 2013年 01月17日

课程论文评分表

《数据挖掘实训》课程论文 选题要求： 根据公开发表统计数据，请结合数据挖掘理论与方法，撰写一篇与数据挖掘领域相关的论文。 写作要求： （1）数据准确、有时效性，必须是最新的数据。 （2）文章必须有相应的统计方法，这些统计方法包括以前专业课中学到的任何统计方法，如参数估计、假设检验、相关与回归、多元统计等等。 （3）论文的内容必须是原创，有可靠的分析依据和明确的结论。 （4）论文按照规定的格式化撰写； （5）字数不少于2000字。

数据挖掘（WEKA软件）实验报告 统计学专业学生李健学号2010210453关键词：数据挖掘；游玩；因素；WEKA 本次实验指在熟练的运用软件weka进行数据处理，其中包括数据准备，关联规则等同时了解weka的基本用法。 一、软件介绍 1简介 数据挖掘、机器学习这些字眼，在一些人看来，是门槛很高的东西。诚然，如果做算法实现甚至算法优化，确实需要很多背景知识。但事实是，绝大多数数据挖掘工程师，不需要去做算法层面的东西。他们的精力，集中在特征提取，算法选择和参数调优上。那么，一个可以方便地提供这些功能的工具，便是十分必要的了。而weka，便是数据挖掘工具中的佼佼者。 WEKA的全名是怀卡托智能分析环境(Waikato Environment forKnowledge Analysis)，是由新西兰怀卡托(Waikato)大学开发的机器学习软件，纯Java技术实现的开源软件，遵循于GNU General Public License，跨平台运行，集合了大量能承担数据挖掘任务的机器学习算法，分类器实现了常用ZeroR算法、Id3算法、J4．8算法等40多个算法，聚类器实现了EM算法、SimpleKMeans算法和Cobweb算法3种算法，能对数据进行预处理、分类、回归、聚类、关联规则以及在新的交互式界面上的可视化。2oo5年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的WEKA小组荣获了数据挖掘和知识探索领域的最高服务奖，WEKA系统得到了广泛的认可，被誉为数据挖掘和机器学习历史上的里程碑，是现今最完备的数据挖掘工具之一。WEKA使用的是一种叫做arff(Attribute—Relation File Format)的数据文件结构。这种arff文件是普通的ASCII文本文件，内部结构很简单，主要是测试算法使用的轻量级的数据文件结构。arff文件可以自己建立，也可通过JDBC从Oracle和Mysql等流行数据库中获得。整个arf文件可以分为两个部分。第一部分给出了头信息(Head information)，包括关系声明(Relation Declaration)和属性声明(AttributeDeclarations)。第二部分给出了数据信息(Datainformation)，即数据集中给出的数据。关系声明的定义格式为：@relation；属性声明的定义格式为：

【最新】数据挖掘WEKA实验报告 优秀课程设计

数据挖掘-WAKA实验报告 数据挖掘-WAKA 实验报告 数据挖掘-WAKA实验报告 一、WEKA软件简介 在我所从事的证券行业中，存在着海量的信息和数据，但是这些数据日常知识发挥了一小部分的作用，其包含了大量的隐性的信息并不为所用，但是却可以为一些公司的决策和对客户的服务提供不小的价值。因此,我们可以通过一些数据采集、数据挖掘来获得潜在的有价值的信息。 数据挖掘就是通过分析存在于数据库里的数据来解决问题。在数据挖掘中计算机以电子化的形式存储数据，并且能自动的查询数据，通过关联规则、分类于回归、聚类分析等算法对数据进行一系列的处理，寻找和描述数据里的结构模式，进而挖掘出潜在的有用的信息。数据挖掘就是通过分析存在于数据库里的数据来解决问题。WEKA的出现让我们把数据挖掘无需编程即可轻松搞定。 WEKA是由新西兰怀卡托大学开发的开源项目，全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis）。WEKA是由JAVA编写的，它的源代码可通过https://www.sodocs.net/doc/3016023416.html,/ml/WEKA得到，并且限制在GBU通用公众证书的条件下发布，可以运行在所有的操作系统中。是一款免费的，非商业化的机器学习以及数据挖掘软件 WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看WEKA 的接口文档。在WEKA中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 安装WEKA也十分简单，首相要下载安装JDK环境，JDK在这个页面可以找到它的下载https://www.sodocs.net/doc/3016023416.html,/javase/downloads/index.jsp。点击JDK 6之后的Download按钮，转到下载页面。选择Accepct，过一会儿页面会刷新。我们需要的是这个Windows Offline Installation, Multi-language jdk-6-windows-i586.exe 53.16 MB ，点击它下载。也可以右键点击它上面的链接，在Flashget等工具中下载。安装它和一般软件没什么区别。不过中间会中断一下提示你安装JRE，一并装上即可。之后就是安装WEKA软件，这个在网上很多地方都有。同样简单地按默认方法安装后即可使用。 点击启动运行WEKA软件后，我门发现WEKA存储数据的格式是ARFF 数据挖掘-WAKA实验报告

数据挖掘WEKA实验报告

数据挖掘-WAKA 实验报告

一、WEKA软件简介 在我所从事的证券行业中，存在着海量的信息和数据，但是这些数据日常知识发挥了一小部分的作用，其包含了大量的隐性的信息并不为所用，但是却可以为一些公司的决策和对客户的服务提供不小的价值。因此,我们可以通过一些数据采集、数据挖掘来获得潜在的有价值的信息。 数据挖掘就是通过分析存在于数据库里的数据来解决问题。在数据挖掘中计算机以电子化的形式存储数据，并且能自动的查询数据，通过关联规则、分类于回归、聚类分析等算法对数据进行一系列的处理，寻找和描述数据里的结构模式，进而挖掘出潜在的有用的信息。数据挖掘就是通过分析存在于数据库里的数据来解决问题。WEKA的出现让我们把数据挖掘无需编程即可轻松搞定。 WEKA是由新西兰怀卡托大学开发的开源项目，全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis）。WEKA是由JAVA 编写的，它的源代码可通过https://www.sodocs.net/doc/3016023416.html,/ml/WEKA得到，并且限制在GBU通用公众证书的条件下发布，可以运行在所有的操作系统中。是一款免费的，非商业化的机器学习以及数据挖掘软件 WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看WEKA的接口文档。在WEKA中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 安装WEKA也十分简单，首相要下载安装JDK环境，JDK在这个页面可以找到它的下载https://www.sodocs.net/doc/3016023416.html,/javase/downloads/index.jsp。点击JDK 6之后的Download按钮，转到下载页面。选择Accepct，过一会儿页面会刷新。我们需要的是这个Windows Offline Installation, Multi-language jdk-6-windows-i586.exe 53.16 MB ，点击它下载。也可以右键点击它上面的链接，在Flashget等工具中下载。安装它和一般软件没什么区别。不过中间会中断一下提示你安装JRE，一并装上即可。之后就是安装WEKA软件，这个在网上很多地方都有。同样简单地按默认方法安装后即可使用。 点击启动运行WEKA软件后，我门发现WEKA存储数据的格式是ARFF

数据挖掘weka数据分类实验报告

数据挖掘weka数据分类实验报告 一、实验目的 使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们

之间的不同。与此同时了解Weka平台的基 本功能与使用方法。 二、实验环境 实验采用Weka 平台，数据使用Weka安装目录下data文件夹下的默认数据集 iris.arff。 Weka是怀卡托智能分析系统的缩写，该系 统由新西兰怀卡托大学开发。Weka使用Java 写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，

是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 三、数据预处理 Weka平台支持ARFF格式和CSV格式的数据。由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF 所示1格式数据集如图

图1 ARFF格式数据集(iris.arff) 对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal length、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour 和Iris Virginica。 实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属性的筛选。

weka数据挖掘作业报告

数据挖掘作业报告 1.修改数据类型，将binary和categorical数据类型改为nominal 步骤：1.首先将数据的excel文件另存为.csv文件，这样可以用weka打开，然后用weka另存为.arff文件。本次作业使用ultraEdit编辑器打开arff文件，如下图所示： 所有属性的数据类型都为numeric，将其中要修改的进行修改，修改后的数据截图如下： 用weka打开如下

2.建立分类模型 2.1 采用决策树建立模型 采用十折交叉验证 从上面可以看出模型的准确度只有71%。原本分类为0的样本，有136个分类正确，而有164个样本错分到1的类。原本分类为1的样本，有574个分类正确，有126个错分到0的类。 由于所建模型精度不高，做如下处理：显然样本编号在分类中不起作用，因此去掉OBS#这个属性，重新建立模型得

可以直观的观察建立的决策树： 2.1.2 提高模型性能 1）调整算法参数 如图，可以设置算法的各个参数，其中本次实验只修改以下几个参数：confidencefactor，minNum0bj（用来设置叶子上的最小实例数），numFolds。通过几次设置之后发现，当confidencefactor的值为0.1时，其余参数不变的情况下（即如图所示），模型准确率最高，达71.9% 2）对原属性进行处理，剔除部分属性

利用分类器特征筛选，选择supervised -> attribute下面的AttributeSelection，如下图所示： 选择InformationGainAttributeEval（即信息增益）作为evaluator，使用Ranker作为search，然后设置阈值，点击apply之后，没有达到阈值的属性会被删除。 以下是各种情况下不同阈值对应的结果： 28个属性的训练结果，阈值为0.00001 再次调整阈值0.001，减少属性的个,23个，结果如下：

weka实验报告

基于weka 的数据分类分析实验报告 1实验目的 （1）了解决策树C4.5和朴素贝叶斯等算法的基本原理。 （2）熟练使用weka实现上述两种数据挖掘算法，并对训练出的模型进行测试和评价。 2实验基本内容 本实验的基本内容是通过基于weka实现两种常见的数据挖掘算法（决策树C4.5和朴素贝叶斯），分别在训练数据上训练出分类模型，并使用校验数据对各个模型进行测试和评价，找出各个模型最优的参数值，并对模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。 3算法基本原理 （1）决策树C4.5 C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习： 给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。C4.5由J.Ross Quinlan在ID3 的基础上提出的。ID3算法用来构造决策树。决策树是一种类似流程图的树结构，其中每个内部节点（非树叶节点）表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点存放一个类标号。一旦建立好了决策树，对于一个未给定类标号的元组，跟踪一条有根节点到叶节点的路径，该叶节点就存放着该元组的预测。决策树的优势在于不需要任何领域知识或参数设置，适合于探测性的知识发现。 从ID3算法中衍生出了C4.5和CART S种算法，这两种算法在数据挖掘中都非常重要。 属性选择度量又称分裂规则，因为它们决定给定节点上的元组如何分裂。属性选择度量提供了每个属性描述给定训练元组的秩评定，具有最好度量得分的属性被选作给定元组的分裂属性。目前比较流行的属性选择度量有--信息增益、增益率和Gini指标。 (2)朴素贝叶斯

数据挖掘工具WEKA及其应用研究

qiyekejiyufazhan 2018年第9期（总第443期） 0 引言 由于需要统一的工作台，让研究人员能够轻松获得机器学习中的最新技术，怀卡托知识分析环境（Waikato Environ-ment for Knowledge Analysis ，WEKA ）应运而生。在1992年项目开始的时候，学习算法有多种语言可供使用，可用于不同的平台，并以各种数据格式运行。收集学习机制来做数据集的比较研究，这个任务的工作量多得令人望而生畏。设想WEKA 不仅提供学习算法的工具箱，而且还提供一个框架，研究人员可以实现新算法，而不必关心支持数据操作和方案评估的基础架构。 目前，WEKA 被认为是数据挖掘和机器学习领域的里程碑式系统，被研究和商业领域广泛接受，成为数据挖掘研究领域最常用的工具。WEKA 的成功很大程度上归功于它的开源性，用户能够自由使用源代码，也就愿意改进或编写新的项目融入扩展WEKA 。 1 WEKA 工作台 WEKA 项目旨在为研究者和练习者提供通用的机器学习算法集和数据预处理工具，用户可以简单快速地在WEKA 工作台上对新的数据集进行新的算法测试，其模块化、可扩展的架构允许用户从广泛的基础学习算法和工具集合中构建复杂的数据挖掘流程。通过简单的API 、插件机制和设备，可以自动将新的学习算法与WEKA 的图形用户界面集成在一起，因此扩展工具包非常容易。工作台包括回归、分类、聚类、关联规则挖掘和属性选择等算法。数据可视化工具和许多预处理工具很好地满足了数据的初步探索。这些与学习计划的统计评估和学习结果的可视化相结合，支持CRISP-DM 等数据挖掘过程模型。 WEKA 提供许多图形用户界面，使得应用算法变得极其容易。其中主要的GUI 是“Explorer ”，它有一个基于面板的 界面，不同的面板对应不同的数据挖掘任务。在“预处理”面板的第一个面板中，可以使用WEKA 的数据预处理工具“过滤器”加载和转换数据。数据可以从各种来源加载，包括文件、URL 和数据库。支持的文件格式包括WEKA 自己的ARFF 格式、CSV 格式、LibSVM 格式和C4.5格式，也可以使用生成数据并使用数据集编辑器手动编辑数据。 资源管理器中的第二个面板允许访问WEKA 的分类和回归算法，相应的面板被称为“分类”，因为回归技术被视为“连续分类”的预测指标。默认情况下，该面板对预处理面板中已准备的数据集上的选定学习算法运行交叉验证，用以估计预测性能。它还显示了从完整数据集构建的模型的文本表示。面板还提供对模型的图形表示的访问，如决策树等。此外，它可以将散点图中的预测误差可视化，还可以通过ROC 曲线和其他阈值曲线进行评估。模型也可以保存并加载到此面板中。 除了监督算法，WEKA 还支持应用无监督算法，即关联规则挖掘的聚类算法和方法。这些资源可以在资源管理器中分别通过第三和第四个面板访问。用户能够通过“集群”面板对预处理面板中加载的数据运行集群算法，为评估聚类性能提供了简单的统计数据。统计聚类算法基于似然的性能，以及如果在数据中的某个属性中指定了“真”聚类成员资格的比较。如果适用，聚类结构也可能可视化，如有必要，模型可以在持久存储。 WEKA 对聚类任务的支持并不像对分类和回归的支持那么广泛，但是它拥有更多的聚类技术，而不仅仅是关联规则挖掘技术，关联规则挖掘目前在某种程度上被忽略了。尽管如此，它还是包含了该领域最著名算法及其他一些算法的实现。这些方法可以通过Explorer 中的Associate 面板访问。 数据挖掘在实际应用中最重要的任务之一是识别数据中哪些属性是最具预测性的。为此，WEKA 的资源管理器有一个用于属性选择的专用面板———“选择属性”，它提供了各种算法和评估标准，用于识别数据集中最重要的属性。由于可以将不 【作者简介】杨忠诚，男，重庆江津人，本科，重庆财经职业学院副教授，研究方向：计算机信息处理。 数据挖掘工具WEKA 及其应用研究 杨忠诚 （重庆财经职业学院，重庆永川402160 ）【摘要】数据挖掘、知识发现和机器学习的研究取得了瞩目的成果，一大批算法和数据集 层出不穷，为让研究者简单、有效地测试新的算法和数据，开源工具WEKA 提供了一个优秀的测试和开发平台。目前，WEKA 已成为数据挖掘研究领域最常用的工具。文章详细介绍WEKA 平台的使用方法，并介绍在WEKA 社区内一些成熟的应用模块。【关键词】数据挖掘；WEKA ；算法；数据集层【中图分类号】TP311.13 【文献标识码】A 【文章编号】1674-0688（2018）09-0038-02 企业科技创新38

weka数据挖掘实验2报告

数据挖掘实验报告 姓名：邢金雁 学号：091070106 专业：电子商务

实验二 一、实验名称： 基于关联规则的信息获取 二、实验目的： 通过一个已有的训练数据集，观察训练集中的实例，进行关联信息获取，更好地理解和掌握关联规则算法的基本原理，建立相应的预测模型，然后对新的未知实例进行预测，预测的准确程度来衡量所建立模型的好坏。 三、实验要求 1、熟悉Weka平台 2、掌握关联规则算法 3、对数据进行预处理，利用Weka和不同参数设置进行关联分析，对比结 果，得出结论，对问题进行总结。 四、实验平台 新西兰怀卡托大学研制的Weka系统。

实验步骤 数据实验 1.数据准备 选择Filter中的Discretize方法，点击Apply，先对ARFF文件进行离散化：用UltraEdit对其进行编辑：@attribute children numeric改为： @attribute children {0,1,2,3} 然后用discretize算法对age和income离散化，并删掉id项因为它对关联规则分析无影响，保存文件。 图1——first-last离散化

图2——UltraEdit编辑 图3——针对属性1 age和属性4 income进行离散化

2.选择Associate项中的Apriori算法分析进行关联信息获取，并进行参数设置。 图4——离散化后的Apriori算法结果 图5——变换参数得到不同结果

例如：现在我们计划挖掘出支持度在10%到100%之间，并且lift值超过1.5且lift值排在前10位的那些关联规则。把“lowerBoundMinSupport”和“upperBoundMinSupport”分别设为0.1和1，“metricType”设为lift，“minMetric”设为1.5，“numRules”设为100。其他选项保持默认。“OK” 之后在“Explorer”中点击“Start”开始运行算法，在右边窗口显示数据集摘要和挖掘结果 图6——举例结果

weka文档

WEKA入门教程 https://www.sodocs.net/doc/3016023416.html,/ 1.简介 WEKA的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），它的源代码可通过https://www.sodocs.net/doc/3016023416.html,/ml/weka得到。同时weka 也是新西兰的一种鸟名，而WEKA的主要开发者来自新西兰。 WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看weka的接口文档。在weka中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 2005年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的Weka小组荣获了数据挖掘和知识探索领域的最高服务奖，Weka系统得到了广泛的认可，被誉为数据挖掘和机器学习历史上的里程碑，是现今最完备的数据挖掘工具之一（已有11年的发展历史）。Weka的每月下载次数已超过万次。 2.数据格式 巧妇难为无米之炊。首先我们来看看WEKA所用的数据应是什么样的格式。跟很多电子表格或数据分析软件一样，WEKA所处理的数据集是图1那样的一个二维的表格。 这里我们要介绍一下WEKA中的术语。表格里的一个横行称作一个实例（Instance），

相当于统计学中的一个样本，或者数据库中的一条记录。竖行称作一个属性（Attrbute），相当于统计学中的一个变量，或者数据库中的一个字段。这样一个表格，或者叫数据集，在WEKA看来，呈现了属性之间的一种关系(Relation)。图1中一共有14个实例，5个属性，关系名称为“weather”。WEKA存储数据的格式是ARFF（Attribute-Relation File Format）文件，这是一种ASCII文本文件。图1所示的二维表格存储在如下的ARFF文件中。这也就是WEKA自带的“weather.arff”文件，在WEKA安装目录的“data”子目录下可以找到。代码: 全选 % ARFF file for the weather data with some numric features % @relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature real @attribute humidity real @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data % % 14 instances % sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes rainy,70,96,FALSE,yes rainy,68,80,FALSE,yes rainy,65,70,TRUE,no overcast,64,65,TRUE,yes sunny,72,95,FALSE,no sunny,69,70,FALSE,yes rainy,75,80,FALSE,yes sunny,75,70,TRUE,yes