一、數(shù)據(jù)格式

理解數(shù)據(jù)格式后，就可以完全控制數(shù)據(jù)預(yù)處理過程。

1.1 ARFF格式

樣例	說明
%整行注釋 @relation person @attribute name string %半行注釋 @attribute age numeric @attribute sex {male,female} @attribute birthday date "yyyy-MM-dd HH:mm:ss" @data "Zhang San",85,male,'2011-06-10 00:00:00' Lisi,?,male,"2011-06-11 00:00:00" ……	關(guān)系名，在Explorer界面顯示 String 類型（文本挖掘使用） 數(shù)值類型（integer,real完全同義） 枚舉類型（花括號(hào)枚舉全部值） 日期類型（日期格式默認(rèn)） 數(shù)據(jù)開始標(biāo)志 （逗號(hào)分割數(shù)據(jù)）

說明：

relation, string, data這些內(nèi)置關(guān)鍵字無所謂大小寫，使用string.equalsIgnoreCase()方法匹配字符串。但數(shù)據(jù)值嚴(yán)格區(qū)分大小寫。

weka只解析4中數(shù)據(jù)類型：字符串、數(shù)值、枚舉、日期。

數(shù)值型標(biāo)志numeric、integer、real完全同義。

枚舉類型無關(guān)鍵字，直接花括號(hào)擴(kuò)住所有枚舉值。

日期類型的格式字符串不指定，則默認(rèn)使用 "yyyy-MM-dd'T'HH:mm:ss" （2011-06-10T00:00:00）。

缺失值用半角問號(hào)表示 ? ，不認(rèn)識(shí) NULL。

解析arff過程并非逐行讀取數(shù)據(jù)，而是使用java.io.StreamTokenizer 。所以 string，nominal 如果值內(nèi)沒有空格，則不需要用引號(hào)包括。空行隨便加。

1.2 CSV格式

weka對(duì)待csv格式的文件比較粗暴，對(duì)第一行指定的屬性，假定是數(shù)值型，然后在后續(xù)讀取對(duì)應(yīng)的數(shù)據(jù)時(shí)，嘗試解析數(shù)值，如果某一個(gè)解析失敗，就將該屬性重新標(biāo)記為枚舉型（無string、date）；如果全部數(shù)據(jù)都能解析成數(shù)值，就認(rèn)為該屬性是數(shù)值型。

1.3 Arff Viewer

界面：GUI Chooser > Tools > Arff Viewer

[界面截圖略]

作用：以表格形式顯示數(shù)據(jù)。并可對(duì)數(shù)據(jù)初步處理。

點(diǎn)擊表頭對(duì)數(shù)據(jù)排序（單擊正序排列、shift+單擊逆序排列），然后處理噪聲值。對(duì)特別大或特別小的數(shù)據(jù)，手動(dòng)改為均值（右鍵表頭> get mean）或缺失值(將值刪除為空)。

注：csv格式的解析方式是內(nèi)置的，屬性被認(rèn)為是數(shù)值還是枚舉，在這里不能更改。

二、 數(shù)據(jù)理解

2.1 數(shù)據(jù)集概覽

界面：GUI Chooser > Explorer按鈕 > Preprocess面板

作用：

1、單屬性統(tǒng)計(jì)信息瀏覽。

2、屬性剔除。

3、對(duì)數(shù)據(jù)集做預(yù)處理（歸一化、離散化等）。

2.2 單屬性直方圖

界面：GUI Chooser > Explorer按鈕 > Preprocess面板 > Visualize All

[界面截圖略]

作用：僅觀察了解數(shù)據(jù)。

2.3 二維散點(diǎn)圖

界面：GUI Chooser > Explorer按鈕 > Visualize面板

作用：

1、查看各屬性之間的關(guān)系，深入理解數(shù)據(jù)集。

2、進(jìn)行數(shù)據(jù)選擇（放大散點(diǎn)圖后進(jìn)行）。

2.4 屬性選擇

界面：GUI Chooser > Explorer按鈕 > Select attributes 面板

作用：

1、 查看所有屬性對(duì)于某一個(gè)屬性的重要程度（最能區(qū)分指定屬性的，最重要，一般使用Gain指標(biāo)）。

三、分類

界面：GUI Chooser > Explorer按鈕 > Classify 面板

[界面截圖略]

作用：分類。

●屬性類型和算法選擇

●算法參數(shù)

●測(cè)試集

●結(jié)果顯示

四、聚類

界面：GUI Chooser > Explorer按鈕 > Cluster 面板

[界面截圖略]

作用：聚類。

●算法參數(shù)

●聚類模式

●結(jié)果顯示

五、關(guān)聯(lián)規(guī)則

界面：GUI Chooser > Explorer按鈕 > Associate 面板

[界面截圖略]

由于weka arff格式的限制，其關(guān)聯(lián)規(guī)則分析挖掘功能很不實(shí)用。類似于背包分析的問題，需要自己寫apriori算法。Apriori算法比較耗資源，可使用FP-Tree算法。

六、挖掘模型固化

界面：GUI Chooser > KnowledgeFlow按鈕

說明：知識(shí)流可以認(rèn)為是weka內(nèi)核的一個(gè)完全圖形化接口，挖掘功能方面與Explorer一樣。但這里可以將數(shù)據(jù)挖掘全過程中的操作用一個(gè)流程表示，并且可以保存起來，多次使用（每次使用只需要更改數(shù)據(jù)集）。

當(dāng)對(duì)某一主題探索出合適的挖掘流程后，可以在這里固化一個(gè)挖掘模型，以后多次使用。

七、其他

7.1 Weka的實(shí)驗(yàn)界面主要用來在同一個(gè)訓(xùn)練集上對(duì)比不同的分類算法，可以看作是對(duì)挖掘探索的一個(gè)封裝，控制方面的靈活性不佳。

7.2 命令行界面也是weka內(nèi)核的一個(gè)接口。

轉(zhuǎn)載于:https://blog.51cto.com/abool/1580796

總結(jié)

以上是生活随笔為你收集整理的数据挖掘工具软件Weka学习教程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。