weka数据挖掘软件

weka最新版是一款可以对java数据进行挖掘软件，通过软件大数据的分析挖掘可到得到的较为科学数据内容，用户可根据个人需求来对数据进行进一步的使用，有需要的用户就到121下载站体验。

weka官方版简介

weka(waikato environment for knowledge analysis)作为一个公开的数据挖掘工作平台,集合了大量能承担数据挖掘任务的机器学习算法,包括对数据进行预处理,分类,回归、聚类、关联规则以及在新的交互式界面上的可视化.

weka软件特色

2、技术基于假设数据是以一种单个文件或关联的

2、weka软件支持相同功能的命令行,或是一种基于组件的知识流接口

3、可以处理一个数据库的查询结果

4、使用java的数据库链接能力可以访问sql数据库

5、集成自己的算法甚至借鉴它的方法自己实现可视化工具都很简单

软件功能

集群

回归

属性选择

关联规则

机器学习

实验

预处理

可视化

工作流程

数据挖掘

使用方法

模型应用

现在我们要用生成的模型对那些待预测的数据集进行预测了.注意待预测数据集和训练用数据集各个属性的设置必须是一致的.即使你没有待预测数据集的class属性的值,你也要添加这个属性,可以将该属性在各实例上的值均设成缺失值.

在"test opion"中选择"supplied test set",并且"set"成你要应用模型的数据集,这里是"bank-new.arff"文件.

现在,右键点击"result list"中刚产生的那一项,选择"re-evaluate model on current test set".右边显示结果的区域中会增加一些内容,告诉你该模型应用在这个数据集上表现将如何.如果你的class属性都是些缺失值,那这些内容是无意义 的,我们关注的是模型在新数据集上的预测值.

现在点击右键菜单中的"visualize classifier errors",将弹出一个新窗口显示一些有关预测误差的散点图.点击这个新窗口中的"save"按钮,保存一个arff文件.打开这个文件可以看到在倒 数第二个位置多了一个属性(predictedpep),这个属性上的值就是模型对每个实例的预测值.

原理与实现

聚类分析中的"类"(cluster)和前面分类的"类"(class)是不同的,对cluster更加准确的翻译应该是"簇".聚类的任务是把 所有的实例分配到若干的簇,使得同一个簇的实例聚集在一个簇中心的周围,它们之间距离的比较近;而不同簇实例之间的距离比较远.对于由数值型属性刻画的实 例来说,这个距离通常指欧氏距离.

建模结果

选上"cross-validation"并在"folds"框填上"10".点"start"按钮开始让算法生成决策树模型.很快,用文本表示的一棵决策树,以及对这个决策树的误差分析等等结果出现在右边的"classifier output"中.同时左下的"results list"出现了一个项目显示刚才的时间和算法名称.如果换一个模型或者换个参数,重新"start"一次,则"results list"又会多出一项.