背景介紹：
1）Weka：
Weka有兩種意思：一種不會(huì)飛的鳥的名字，一個(gè)機(jī)器學(xué)習(xí)開源項(xiàng)目的簡稱（Waikato Environment for Knowledge Analysis，http://www.cs.waikato.ac.nz/~ml/weka/）。我們這里當(dāng)然要介紹的是第二種意思啦，Weka項(xiàng)目從1992年開始，由新西蘭政府支持，現(xiàn)在已在機(jī)器學(xué)習(xí)領(lǐng)域大名鼎鼎。Weka里有非常全面的機(jī)器學(xué)習(xí)算法，包括數(shù)據(jù)預(yù)處理、分類、回歸、聚類、關(guān)聯(lián)規(guī)則等。Weka的圖形界面對不會(huì)寫程序的人來說非常方便，而且提供“KnowledgeFlow” 功能，允許將多個(gè)步驟組成一個(gè)工作流。另外，Weka也允許在命令行執(zhí)行命令。
2）R
R就不用我廢話了吧，呵呵，越來越受歡迎的統(tǒng)計(jì)軟件（http://www.r-project.org/）。
3）R與Weka：
R里有很多機(jī)器學(xué)習(xí)的函數(shù)和包，不過Weka里提供的函數(shù)更全面更集中，所以我有時(shí)候需要用到Weka。以前我是這樣用R和Weka的：
在R中準(zhǔn)備好訓(xùn)練的數(shù)據(jù)（如：提取數(shù)據(jù)特征……）；
整理成Weka需要的格式（*.arff）；
在Weka里做機(jī)器學(xué)習(xí)（如：特征選擇、分類……）；
從Weka的預(yù)測結(jié)果計(jì)算需要的統(tǒng)計(jì)量（如：sensitivity, specificity, MCC……）。
來回?fù)v騰兩個(gè)軟件還是挺麻煩的；為了偷懶，我沒學(xué)Weka的命令行，只會(huì)用圖形界面的，在數(shù)據(jù)量大的時(shí)候非常受罪，有時(shí)候還會(huì)內(nèi)存不夠?，F(xiàn)在發(fā)現(xiàn)R竟然提供了和Weka的接口函數(shù)包RWeka，以后方便多了哦，下面介紹一下RWeka的功能：
RWeka (http://cran.r-project.org/web/packages/RWeka/index.html) ：
1) 數(shù)據(jù)輸入和輸出
WOW()：查看Weka函數(shù)的參數(shù)。
Weka_control()：設(shè)置Weka函數(shù)的參數(shù)。
read.arff()：讀Weka Attribute-Relation File Format (ARFF)格式的數(shù)據(jù)。
write.arff：將數(shù)據(jù)寫入Weka Attribute-Relation File Format (ARFF)格式的文件。
2) 數(shù)據(jù)預(yù)處理
Normalize()：無監(jiān)督的標(biāo)準(zhǔn)化連續(xù)性數(shù)據(jù)。
Discretize()：用MDL(Minimum Description Length)方法，有監(jiān)督的離散化連續(xù)性數(shù)值數(shù)據(jù)。
3) 分類和回歸
IBk()：k最近鄰分類
LBR()：naive Bayes法分類
J48()：C4.5決策樹算法（決策樹在分析各個(gè)屬性時(shí)，是完全獨(dú)立的）。
LMT()：組合樹結(jié)構(gòu)和Logistic回歸模型，每個(gè)葉子節(jié)點(diǎn)是一個(gè)Logistic回歸模型，準(zhǔn)確性比單獨(dú)的決策樹和Logistic回歸方法要好。
M5P()：M5 模型數(shù)算法，組合了樹結(jié)構(gòu)和線性回歸模型，每個(gè)葉子節(jié)點(diǎn)是一個(gè)線性回歸模型，因而可用于連續(xù)數(shù)據(jù)的回歸。
DecisionStump()：單層決策樹算法，常被作為boosting的基本學(xué)習(xí)器。
SMO()：支持向量機(jī)分類
AdaBoostM1()：Adaboost M1方法。-W參數(shù)指定弱學(xué)習(xí)器的算法。
Bagging()：通過從原始數(shù)據(jù)取樣(用替換方法)，創(chuàng)建多個(gè)模型。
LogitBoost()：弱學(xué)習(xí)器采用了對數(shù)回歸方法,學(xué)習(xí)到的是實(shí)數(shù)值
MultiBoostAB()：AdaBoost 方法的改進(jìn)，可看作AdaBoost 和 “wagging”的組合。
Stacking()：用于不同的基本分類器集成的算法。
LinearRegression()：建立合適的線性回歸模型。
Logistic()：建立logistic回歸模型。
JRip()：一種規(guī)則學(xué)習(xí)方法。
M5Rules()：用M5方法產(chǎn)生回歸問題的決策規(guī)則。
OneR()：簡單的1-R分類法。
PART()：產(chǎn)生PART決策規(guī)則。
4) 聚類
Cobweb()：這是種基于模型方法，它假設(shè)每個(gè)聚類的模型并發(fā)現(xiàn)適合相應(yīng)模型的數(shù)據(jù)。不適合對大數(shù)據(jù)庫進(jìn)行聚類處理。
FarthestFirst()：快速的近似的k均值聚類算法
SimpleKMeans()：k均值聚類算法
XMeans()：改進(jìn)的k均值法，能自動(dòng)決定類別數(shù)
DBScan()：基于密度的聚類方法，它根據(jù)對象周圍的密度不斷增長聚類。它能從含有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。此方法將一個(gè)聚類定義為一組“密度連接”的點(diǎn)集。
5）關(guān)聯(lián)規(guī)則
Apriori()：Apriori是關(guān)聯(lián)規(guī)則領(lǐng)域里最具影響力的基礎(chǔ)算法，是一種廣度優(yōu)先算法，通過多次掃描數(shù)據(jù)庫來獲取支持度大于最小支持度的頻繁項(xiàng)集。它的理論基礎(chǔ)是頻繁項(xiàng)集的兩個(gè)單調(diào)性原則：頻繁項(xiàng)集的任一子集一定是頻繁的；非頻繁項(xiàng)集的任一超集一定是非頻繁的。在海量數(shù)據(jù)的情況下，Apriori 算法的時(shí)間和空間成本非常高。
Tertius()：Tertius算法。
6）預(yù)測和評估：
predict()：根據(jù)分類或聚類結(jié)果預(yù)測新數(shù)據(jù)的類別
table()：比較兩個(gè)因子對象
evaluate_Weka_classifier()：評估模型的執(zhí)行，如：TP Rate，FP Rate，Precision，Recall，F-Measure。

轉(zhuǎn)載于:https://www.cnblogs.com/caleb/archive/2011/05/03/2035583.html

總結(jié)

以上是生活随笔為你收集整理的【转】开源机器学习之RWeka的全部內(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。