关于机器学习的Weka软件详细教程（转载）

转载自https://www.cnblogs.com/hxsyl/p/3307343.html

下载与安装：链接：https://pan.baidu.com/s/14GMxr1mss_bm0bUoLNJnIw 密码：fvby （64位）

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。

二.工具简介

        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。
2. Experimentor：用来进行实验，对不同学习方案进行数据测试的环境。
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。
4. SimpleCLI：简单的命令行界面。

% 

% Arff file example 

% 

@relation ‘labor-neg-data’ 

@attribute ‘duration’ real 

@attribute ‘wage-increase-first-year’ real 

@attribute ‘wage-increase-second-year’ real 

@attribute ‘wage-increase-third-year’ real 

@attribute ‘cost-of-living-adjustment’ {‘none’,'tcf’,'tc’} 

@attribute ‘working-hours’ real 

@attribute ‘pension’ {‘none’,'ret_allw’,'empl_contr’} 

@attribute ’standby-pay’ real 

@attribute ’shift-differential’ real 

@attribute ‘education-allowance’ {‘yes’,'no’} 

@attribute ’statutory-holidays’ real 

@attribute ‘vacation’ {‘below_average’,'average’,'generous’} 

@attribute ‘longterm-disability-assistance’ {‘yes’,'no’} 

@attribute ‘contribution-to-dental-plan’ {‘none’,'half’,'full’} 

@attribute ‘bereavement-assistance’ {‘yes’,'no’} 

@attribute ‘contribution-to-health-plan’ {‘none’,'half’,'full’} 

@attribute ‘class’ {‘bad’,'good’} 

@data 

1,5,?,?,?,40,?,?,2,?,11,’average’,?,?,’yes’,?,’good’ 

2,4.5,5.8,?,?,35,’ret_allw’,?,?,’yes’,11,’below_average’,?,’full’,?,’full’,'good’ 

?,?,?,?,?,38,’empl_contr’,?,5,?,11,’generous’,'yes’,'half’,'yes’,'half’,'good’ 

3,3.7,4,5,’tc’,?,?,?,?,’yes’,?,?,?,?,’yes’,?,’good’ 

3,4.5,4.5,5,?,40,?,?,?,?,12,’average’,?,’half’,'yes’,'half’,'good’ 

2,2,2.5,?,?,35,?,?,6,’yes’,12,’average’,?,?,?,?,’good’ 

3,4,5,5,’tc’,?,’empl_contr’,?,?,?,12,’generous’,'yes’,'none’,'yes’,'half’,'good’ 

3,6.9,4.8,2.3,?,40,?,?,3,?,12,’below_average’,?,?,?,?,’good’ 

2,3,7,?,?,38,?,12,25,’yes’,11,’below_average’,'yes’,'half’,'yes’,?,’good’ 

1,5.7,?,?,’none’,40,’empl_contr’,?,4,?,11,’generous’,'yes’,'full’,?,?,’good’ 

3,3.5,4,4.6,’none’,36,?,?,3,?,13,’generous’,?,?,’yes’,'full’,'good’ 

2,6.4,6.4,?,?,38,?,?,4,?,15,?,?,’full’,?,?,’good’ 

2,3.5,4,?,’none’,40,?,?,2,’no’,10,’below_average’,'no’,'half’,?,’half’,'bad’ 

• numeric，数字类型，包括integer（整数）和real（实数）
• nominal，可以认为是枚举类型，即特征值是有限的集合，可以是字符串或数字。
• string，字符串类型，值可以是任意的字符串。

        从“@data”开始，是实际的数据部分。每一行代表一个实例，可以认为是一个特征向量。各个特征的顺序与头信息中的attribute逐个应，特征值之间用逗号分割。在有监督分类中，最后一列是标注的结果。某些特征的数值如果是缺失的，可以用“？”代替。

       使用weka进行数据挖掘的流程如下图：

        发现我的界面和这个不一样的，不过为了演示需要，未作改动，知道了因为区域4选择的不同在区域5显示的便不同。

三.数据预处理

        数据预处理：打开Explorer界面，点“open file”，在weka安装目录下，选择data目录里的“labor.arff”文件，将会看到如下界面。我们将整个区域分为7部分，下面将分别介绍每部分的功能。

        在这个界面，可以看到各行各列对应的值，右键每一列的名字(先点击列名)，可以看到一些编辑数据的功能，这些功能还是比较实用的。

四.Filters实例

        点开Filter下面的choose按钮，可以看到如下界面

                  
        Filters可分为两大类，supervised(监督、管理)和unsupervised。supervised下的方法需要类别标签，而unsupervised则不需要。attribute类别表示对特征做筛选，instance表示对样本做选择。

         使用默认参数，点击ok，回到主窗口。在区域4选好将要归一化的特征，可以是一个或多个，然后点击apply。在可视化区域中，我们可以看到特征值从1到3被归一到了0到1之间(看区域5的最大最小值)。

五.分类

        上图给出了实验用的分类器以及具体参数，实验名称，样本数量，特征数量以及所用特征，测试模式。

        再往下是预测结果，可以看到每个样本的实际分类，预测分类，是否错分，预测概率这些信息。

          
        最下面是验证结果，整体的accuracy是73.68%，bad类准确率是60.9%，召回率70.0%，good类准确率是82.4%，召回率75.7%。
         
        5）  可视化
        打开Explorer的Visualize面板，可以看到最上面是一个二维的图形矩阵，该矩阵的行和列均为所有的特征（包括类别标签），第i行第j列表示特征i和特征j在二维平面上的分布情况。图形上的每个点表示一个样本，不同的类别使用不同的颜色标识。下面有几个选项，PlotSize可以调整图形的大小，PointSize可以调整样本点的大小，Jitter可以调整点之间的距离，有些时候点过于集中，可以通过调整Jitter将它们分散开。

        这个窗口里面,十字表示分类正确的样本，方块表示分类错误的样本，X轴为实际类别，Y轴为预测类别，蓝色为实际的bad，红色为实际的good。这样，蓝色方块就表示实际为bad，但为误分为good的样本，红色方块表示实际为good，被误分为bad的样本。单击这些点，便可以看到该样本的各个特征值，分析为什么这个样本被误分了。
        再介绍一个比较实用的功能，右键点击Result list里的记录，选择Visualize threshold curve，然后选好类别(bad 还是good)，可以看到如下图形。

         该图给出的是分类置信度在不同阈值下，分类效果评价标准的对比情况。上图给出的是假阳性比率和真阳性比率在不同阈值下的对比，其实给出的就是ROC曲线。我们可以通过选择颜色，方便地观察不同评价标准的分布情况。如果X轴和Y轴选择的是准确率和召回率，那我们可以通过这个图，在这两个值之间做trade-off，选择一个合适的阈值。其它的一些可视化功能，不再一一介绍。