weka汉化版(数据挖掘)

weka中文版🏃官方最【guān fāng zuì】😖新版【xīn bǎn】💰是一款【shì yī kuǎn】非常实用的数【yòng de shù】🦑据挖掘【jù wā jué】软件📣，这款软件📣广泛应用🌴于【yú】SQL数据库领用🏄，下面有【xià miàn yǒu】🧖国语自产精品视频在线看小【xiàn kàn xiǎo】😼编为您【biān wéi nín】带来weka中文版🏃32位/64位官网最新版【xīn bǎn】💰下载，需要的【xū yào de】朋友欢迎来本站免费下载使用🌴。

WEKA中文版官方介绍

WEKA的全名【de quán míng】是怀卡【shì huái kǎ】托智能分析环🍵境🎌（Waikato Environment for Knowledge Analysis），同时weka也是新😆西兰【xī lán】的💤一种鸟名，而WEKA的主要🕹开发者【kāi fā zhě】来自新【lái zì xīn】西兰【xī lán】。

Weka是一款开源的😿、非商业性质的免费数据挖【shù jù wā】🧔掘软件【jué ruǎn jiàn】，集合了大量能承担数【chéng dān shù】据挖【jù wā】🧔掘任务的计算机学习【jī xué xí】算🤫法，包括对数据进行预处理、分类🦄、回归【huí guī】、聚类【jù lèi】🙎、关联规【guān lián guī】🕸则以及在新的【zài xīn de】🔍交互界面上的【miàn shàng de】可视化。数据挖【shù jù wā】🧔掘软件【jué ruǎn jiàn】Weka的技术基于假😷设数据🖕是以一种单个【zhǒng dān gè】文件或关联的【guān lián de】，在那里，每个数📜据点都🤜被许多属性标🎉注【zhù】。

Weka使用【shǐ yòng】Java的数据🔍库链接能力可以访问🍵SQL数据库👩，并可以【bìng kě yǐ】处理一【chù lǐ yī】👭个数据🏫库的查询结果。它主要的用户接品是Explorer，也同样支持相同功能🍀的命令行【háng】，或是一种基于【zhǒng jī yú】组件的【zǔ jiàn de】🧞知识流接口。如果想自己实【shí】🐂现数据挖掘算法的话🎫，可以看【kě yǐ kàn】一下Weka的接口【de jiē kǒu】文档，在Weka 中集成【zhōng jí chéng】自己的算法甚【suàn fǎ shèn】🏥至借鉴🧡它的方【tā de fāng】🌤法自己实【shí】🐂现可视【xiàn kě shì】化工【huà gōng】📈具并不是一件很困难的事情【de shì qíng】。

WEKA背景知识

WEKA把分类(Classification)和回归😱(Regression)都放在“Classify”选项卡中【zhōng】🕰，这是有【zhè shì yǒu】原因的【yuán yīn de】✳。

在这两🤟个任务中，都有一个目标属性（输出变⬅量【liàng】🤵）。我们希望根据一个样【yī gè yàng】本【běn】⏮(WEKA中称作实例)的【de】一组🎦特征【tè zhēng】✂（输入变【shū rù biàn】量【liàng】🤵），对目标【duì mù biāo】☝进行预【jìn háng yù】测。为了实现【xiàn】💝 这一目的【de】，我们需👚要有一个训练【gè xùn liàn】数据集，这个数👪据集中【jù jí zhōng】每个实例的输【lì de shū】🥌入和输出都是【chū dōu shì】🕠已知的【de】。观察训🦇练集中的【de】实例，可【kě】以建📛立起预【lì qǐ yù】🎬测的【de】模型。有了这个模型，我们就【wǒ men jiù】可【kě】 以新的【de】📙输出未知的【de】实例进行【lì jìn háng】预测了【yù cè le】。衡量【liàng】🤵模型的【de】好坏就在于预测👙的【de】准确程度。

在【zài】WEKA中，待预测🔹的目标【de mù biāo】（输出【shū chū】）被称作Class属性【shǔ xìng】，这应该是来自分类任❕务的😥“类🤲”。一般的，若【ruò】🐁Class属性是【shǔ xìng shì】🚽分类🤲型时我们Ⓜ的任务【de rèn wù】才叫分类🤲，Class属性是【shǔ xìng shì】🚽数值型【shù zhí xíng】时我们Ⓜ的任务【de rèn wù】叫回归。

WEKA汉化版参数设置

现在我🧢们计划【men jì huá】挖掘出🦇支持度🚆在10%到100%之间🧓，并且🔅lift值超过1.5且lift值排在前【qián】🛣100位的那📂些关联【xiē guān lián】📶规则。我们把【wǒ men bǎ】 “lowerBoundMinSupport”和“upperBoundMinSupport”分别设为【shè wéi】🌶0.1和1，“metricType”设为【shè wéi】🌶 lift，“minMetric”设为【shè wéi】🌶1.5，“numRules”设为【shè wéi】🌶100。其他选【qí tā xuǎn】项保持【xiàng bǎo chí】🤺默认即可。“OK” 之后在“Explorer”中点击【zhōng diǎn jī】“Start”开始运【kāi shǐ yùn】行算法【háng suàn fǎ】，在右边窗口显示数据【shì shù jù】集摘要【jí zhāi yào】💲和挖掘结果🀄。

下面是挖掘出来的lift排前5的规则。

Best rules found:

1. age=52_max save_act=YES current_act=YES 113 ==> income=43759_max 61 conf:(0.54) < lift:(4.05)> lev:(0.08) [45] conv:(1.85)

2. income=43759_max 80 ==> age=52_max save_act=YES current_act=YES 61 conf:(0.76) < lift:(4.05)> lev:(0.08) [45] conv:(3.25)

3. income=43759_max current_act=YES 63 ==> age=52_max save_act=YES 61 conf:(0.97) < lift:(3.85)> lev:(0.08) [45] conv:(15.72)

4. age=52_max save_act=YES 151 ==> income=43759_max current_act=YES 61 conf:(0.4) < lift:(3.85)> lev:(0.08) [45] conv:(1.49)

5. age=52_max save_act=YES 151 ==> income=43759_max 76 conf:(0.5) < lift:(3.77)> lev:(0.09) [55] conv:(1.72)

对于挖掘出的🤩每条规【měi tiáo guī】❣则，WEKA列出了🕡它们关【tā men guān】联程度的四项【de sì xiàng】指标。

命令行方式

我们也可以利用命令【yòng mìng lìng】🕔行来完🚊成挖掘任务【rèn wù】，在【zài】“Simlpe CLI”模块中输入如🥙下格式的命令【de mìng lìng】🚃：

java weka.associations.Apriori options -t directory-path"bank-data-final.arff

即可完【jí kě wán】🎰成Apriori算法【suàn fǎ】。注意，“-t”参数后的文件⏰路径中🧡不能含【bú néng hán】有空格。

在前面我们使用的option为

-N 100 -T 1 -C 1.5 -D 0.05 -U 1.0 -M 0.1 -S -1.0 命令行中使用这些参💝数得到【shù dé dào】🏃的结果和前面⛓利用【lì yòng】GUI得到的一样【yī yàng】。

我们还可以加上💵“- I”参数，得到不同项数🌄的频繁【de pín fán】🌁项集【xiàng jí】📀。我用的【wǒ yòng de】命令如下【xià】：

java weka.associations.Apriori -N 100 -T 1 -C 1.5 -D 0.05 -U 1.0 -M 0.1 -S -1.0 -I -t d:"weka"bank-data-final.arff

挖掘结果在上方显示🌿，应是这【yīng shì zhè】个文件 的样子【de yàng zǐ】🏙。