1、Weka數據挖掘軟件使用指南1. Weka簡介該軟件是 WEKA 的全名是懷卡托智能分析環境( Waikato Environment for Knowledge Analysis)，它的源代碼可通過 http:/www.cs.waikato.ac.nz/ml/weka 得到。Weka作為一個公開 的數據挖掘工作平臺，集合了大量能承擔數據挖掘任務的機器學習算法，包括對數據進行預 處理，分類，回歸、聚類、關聯規則以及在新的交互式界面上的可視化。如果想自己實現數 據挖掘算法的話，可以看一看Weka的接口文檔。在Weka中集成自己的算法甚至借鑒它的方 法自己實現可視化工具并不是件很困難的事情。2.

2、Weka啟動打開Weka主界面后會出現一個對話框，如圖：主要使用右方的四個模塊，說明如下：Explorer:使用Weka探索數據的環境，包括獲取關聯項，分類預測，聚簇 等；Experimenter：運行算法試驗、管理算法方案之間的統計檢驗的環境；KnowledgeFlow 這個環境本質上和Explorer所支持的功能是一樣的，但是它有一個可以 拖放的界面。它有一個優勢，就是支持增量學習；SimpleCLI:提供了一個簡單的命令行界面，從而可以在沒有自帶命令行的操作系統中直 接執行Weka命令(某些情況下使用命令行功能更好一些)。3.主要操作說明點擊進入Explorer模塊開始數據探索環境。3.

3、1主界面進入Explorer模式后的主界面如下：3.1.1標簽欄主界面最左上角（標題欄下方）的是標簽欄，分為五個部分，功能依次是：Preprocess教據預處理）：選擇和修改要處理的數據；Classify份類）：訓練和測試關丁分類或回歸的學習方案；Cluster（聚類）:從數據中學習聚類；Associate慶聯）：從數據中學習關聯規則；Select attributes屬性選擇）：選擇數據中最相關的屆性；Visualize視化）：查看數據的交互式二維圖像。3.1.2入、編輯數據標簽欄下方是載入數據欄，功能如下：Open file：打開一個對話框，允許你瀏覽本地文件系統上的數據文件（.dat）；

4、Open URL:請求一個存有數據的URL地址；Open DB:從數據庫中讀取數據；Generate：從一些數據生成器中生成人造數據。3.1.3其他界面說明接下來的主界面中依次是 Filter （篩選器），Currtent relation （當前關系）、Attributes （M 性信息）、Selected attribute （選中的屆性信息）以及Class （類信息），分別介紹如下：Filter在預處理階段，可以定義篩選器來以各種方式對數據進行變換。Filter 一欄用丁對各種篩選器進行必要設置。Filter一欄的左邊是一個Choose按鈕。點擊這個按鈕就可選擇 Weka中 的某個篩選器

5、。用鼠標左鍵點擊這個choose邊的顯示框，將出現GenericObjectEditor對話框。 用鼠標右鍵點擊將出現一個菜單，你可從中選擇，要么在GenericObjectEditorM話框中顯示相關屆性，要么將當前的設置字符復制到剪貼板。Currtent relation顯示當前打開的數據文件的基本信息：Relation關系名）,Instance實例數）以及Attributes（屆性個數）Attributes顯示數據文件中的屆性信息，并且包含四個操作按鍵:All|HoneInvertPatternAll:所有選擇框都被勾選；None：所有選擇框被取消；Invert:已勾選的選擇框都被取消，

6、反之亦然；Pattern:讓用戶基丁 Perl 5正則表達式來選擇屆性。例如，用*_id選擇所有名稱以_id結束 的屆性。底下顯示的就是數據文件包含的屆性，可以進行勾選等操作。特別地，當數據預處理是不要某個屆性時，將其各選，點擊列表正下方的 Remove®鍵即可刪除這一屆性：顯示勾選的屆性的基本信息。Class顯示屆性中數據元組的直方圖。點擊Visualize all按鍵可以查看所有屆性中元組的直方圖 3.2實現基本數據挖掘功能：3.2.1 Associate （關聯規則）注意：目前，Weka的關聯規則分析功能僅能用來作示范，不適合用來挖掘大型數據集。各部分功能說明如下：Associ

7、ator切換到Associated項卡。單擊choose®鍵，可以選擇關聯規則算法，系統默認關聯規則 分析算法是Apriori算法。選擇關聯規則算法后，點Choose邊的文本框修改默認的參數，彈出的窗口中點 More可 以看到各參數的說明。一下簡列幾項：upperBoundMinSupport:最小支持度上限removeAllMissingCols :移除具有遺失值的歹U lowerBoundMinSupport :最小支持度下限 outputItemSets :如果有可能也輸出項集 significanceLevel:顯著性水平classIndex：確定分類屆性，如果設為-1,則最

8、后一個屆性為分類屆性 treatZeroAsMissing :將遺失值全部置為0numRules：在某種關聯規則下取出的滿足條件的規則數； metricType：關聯、程度指標；注意：各種關聯規則算法都是尤其使用范圍的，并不是所有的屆性的數據類型都能被某 一算法處理，典型的例如Apriori算法。因此可以在choose拉菜單中選擇Filter選項，在其中 勾選待處理數據的屆性的類型以濾除無法使用的算法。要想知道每種算法都是用哪些數據類 型，可以左擊choose邊的文本框，在彈出的菜單欄中單擊capabilities選項可以看到這種算法 能夠處理的數據類型。Result list點擊Associ

9、ator下方的start®鍵可以開始進行關聯項分析，結果歹0表即出現在Result list中,右擊出現更多選項可供選擇。Associator output這里顯示關聯分析結果，如圖為一個例子:一次顯示了 10個符合條件的關聯規則，并且在其后顯示了關聯規則的四項指標以供參考。3.2.2 Classify （分類預測）該部分實現數據挖掘中的分類與預測功能，提供了各種主要的分類預測算法供使用者選 擇。下面是界面各部分的介紹：Classifier在chooser欄中選擇需要的分類算法，同樣地方法，每當選擇一個算法，這個算法便在 choos也邊的文本框中進行顯示，單擊他會出現一個菜單，其中包

10、含了一些參數的設定和more 以及capabilities選項，欠著用來獲取那些需要設定參數的具體信息，后者用來獲取算法適合的屆性數據類型，這一點是相似的，因此在對數據進行處理是也應該注意數據的屆性類型，單 擊choos故下拉菜單中選擇Filter按鍵可以進行數據類型的選擇從而過濾掉不能使用的算法。Test option提供四種測試模式：1. Using training set.艮據分類器在用來訓練的實例上的預測效果來評價它。2. Sup plied test set.從文件載入的一組實例，根據分類器在這組實例上的預測效果來評價它。 點擊Set按鈕將打開一個對話框來選擇用來測試的文件。3.

11、Cross-validation使用交義驗證來評價分類器，所用的折數填在Folds文本框中。4. Percentage splits數據集中按一定白分比取出部分數據放在一邊作測試用，根據分類器這些實例上預測效果來評價它。取出的數據量由 一欄中的值決定。當一切準備就緒時，點擊star®鍵開始分類過程，完成后Result list中會顯示結果列表, 并且Classifier output中會顯示出結果。右擊Result list中的結果，可以看見多個選項，選擇 Visualize tree,新窗口里可以看到圖形模式的決策樹。建議把這個新窗口最大化，然后點右鍵, 選“Fit to scre

12、en可'以把這個樹看活楚些。先運行一個結果解釋其中一些內容，如圖所示：Correctly Classified Instances2CIncorreczly Clasaified Instances9431.3333 1Kappi staniatlc0.357flMean abaci Lute erroi0.373RdqV mean mquared ecror0.4316Relative absolute error"3791 %Rcot relative squared error96.6145 玉Total Niuiiber of Inatances30Q= Detail

13、ed Ajccuracy By ClasTP Ra 用FP RgPr&cijionRecallF-MeasureROC Ars0.5360 A650.7120-536o.fili0.663YESo.eis0.4640.673Q.eis0.7370.5 53JOKe iqhted fivg.Cl .63?0.3360.6910_«S7o.ea0.Confusion=a b <-q classified as 74 4 I a = YES 30 132 I b = BQ第一行的Correctly Classified Instances示當前參與分類的實例中被正確分類的實例

14、數目,第 二行Incorrectly Classified Instances!示未被正確分類的實例數目。Confuflion Matrix -a b -<dags i fled as74 64 I d = YES30 132 I b - tI0關丁 Confusion Matrix ,解釋如下：原本“pe® “YES的實例，有74個被正確的預測為“YES,有64個錯誤的預測成了 “NO; 原本“pe® "NO的實例，有30個被錯誤的預測為“YES,有132個正確的預測成了“NO。74+64+30+132 = 30況實例總數，而（74+132）/300 =

15、0.68667正好是正確分類的實例所占比例。 這個矩陣對角線上的數字越大，說明預測得越好。更多選項及解釋內容參見：3.3.3Cluster （聚簇分析）聚簇分析的原理就是將為標定類的數據根據其相似性分為幾個類，在同一類中的數據元組具有較強的相似性，而在不同類中的數據元組則沒有相似性或者很弱?，F對其主要界面說明如下：Clusterer單擊choose,在這里可以選擇適當的聚簇算法，選擇后該算法會出現在 choose邊的文 本框中，在單擊彈出的菜單可以對參數進行設定。 同時在選擇mor城者capabilities項可以查 看每種設定表示的具體信息和該算法的適用范圍（包括適用的數據類型信息等）。Cluster modeCluster Mode一欄用來決定依據什么來聚類以及如何評價聚類的結果。前三個選項和分類的情 形是一樣的：Use training set、Supplied test set 和 Percentage splits別在丁現在的數據是要聚 集到某個類中，而不是預測為某個指定的類別。第四個模式， Classes to clusters evaluation 是要比較所得到的聚類與在數據中預先給出的類別吻合得怎樣。和Classify®板一樣，下方的下拉框是用來選擇作為類別的屆性的。在 Cl