基于Weka的数据分类分析实验报告

基于Weka的数据分类分析实验报告

基于Weka的数据分类分析实验报告

1 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。

2 实验环境

2.1 Weka介绍

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。．

1 Weka图主界面系统包括处理标准数据挖掘问题的所Weka有方法：回归、分类、聚类、关联规则以及属性选择。分析要进行处理的数据是重要的一个环提供了很多用于数据可视化和

与处理节，Weka第一种是以输入数据可以有两种形式，的工具。格式为代表的文件；另一种是直接读取数ARFF 据库表。的方式主要有三种：第一种是将使用Weka学习方案应用于某个数据集，然后分析其输出，第二种是使用已经学从而更多地了解这些数据；第三种是使用多种习到的模型对新实例进

预测；然后根据其性能表现选择其中一种来进学习器，用户使用交互式界面菜单中选择一种学行预测。习方法，大部分学习方案都带有可调节的参数，然用户可通过属性列表或对象编辑器修改参数，

后通过同一个评估模块对学习方案的性能

进行评估。

2.2 数据和数据集

根据应用的不同，数据挖掘的对象可以是各

种各样的数据，这些数据可以是各种形式的存储，如数据库、数据仓库、数据文件、流数据、多媒体、网页，等等。即可以集中存储在数据存储库中，也可以分布在世界各地的网络服务器上。

大部分数据集都以数据库表和数据文件的形式存在，Weka支持读取数据库表和多种格式的数据文件，其中，使用最多的是一种称为ARFF格式的文件。

ARFF格式是一种Weka专用的文件格式，Weka

的正式文档中说明AREF代表

Attribute-Relation File Format（属性-关系文件格式）。该文件是ASCII文本文件，描述共享一组属性结构的实例列表，由独立且无序的实例组成，是Weka表示数据集的标准方法，AREF不涉及实例之间的关系。

3 数据预处理

安Weka平台，数据使用Weka 本实验采用．

装目录下data文件夹下的默认数据集

iris.arff。

Iris 是鸢尾花的意思，鸢尾花是鸢尾属植

物，是一种草本开花植物的统称。鸢尾花只有三枚花瓣，其余外围的那三瓣乃是保护花蕾的花萼，只是由于这三枚瓣状花萼长得酷似花瓣，以致常常以假乱真，令人难以辨认。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2所示。

）格式数据集（iris.arff2 AREF图Iris

：别类个三括包集据数的花尾鸢．

Setosa（山鸢尾）、Iris Versicolour（变色鸢尾）和Iris Virginica（维吉尼亚鸢尾），每个类别各有50个实例。数据集定义了5

个属性：

sepal length（花萼长）、sepal width（花萼宽）、petal length（花瓣长）、petal width （花瓣宽）、class（类别）。最后一个属性一般作为类别属性，其余属性都是数值，单位为cm（厘米）。

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。

4 实验过程及结果

应用iris.arff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。．

分类4.1 LibSVM

要使分类器，平台内部没有集成LibSVMWeka 并导入到libsvm.jar用该分类器，需要下

载中搜Tools-Package managerWeka中，直接在

进行安装。索LibSVM，并在打开数据集iris.arff用Explorer，点中将功能面板切换到ClassifyExplorer择钮选Choose按functions(weka.classifiers.functions. LibS 分类算法。，选择VM)LibSVM择选面板中在Test Options，即十折交叉验证。然后Cross-Validation=10 按钮：点击star使LibSV分类算法训练数据集得出的结

参数：S0K2D3G0.0R0.0N

P 0.1

E 0.0010C 1.0M 40.00.5

结果分析

使用该参数指定LibSV训练数据集得的准确率96.6667，其15个实例14个被正确分类个被错误分类。根据混淆阵，被错误分类的实例如下

类实例被错误分类类实被错误分类。该算P=0.96R=0.96RO面积0.975.

将模型应用与测试集：

分类算法测试数据集得出的结LibSV使用．

结果分析准确率98.6667只有两个实例被错分类P=0.98R=0.98RO面积0.9

分类误差

决策树分类器4.2 C4.5

训练集和测试集相依然使用十折交叉验证，同。