基于weka的數(shù)據(jù)分類和聚類分析實驗報告(共11頁)

1、數(shù)據(jù)挖掘?qū)嶒瀳蟾?PAGE PAGE 13基于weka的數(shù)據(jù)(shj)分類分析實驗報告(bogo)1實驗(shyn)基本內(nèi)容本實驗的基本內(nèi)容是通過使用weka中的三種常見分類和聚類方法（決策樹J48、KNN和k-means）分別在訓練數(shù)據(jù)上訓練出分類模型，并使用校驗數(shù)據(jù)對各個模型進行測試和評價，找出各個模型最優(yōu)的參數(shù)值，并對三個模型進行全面評價比較，得到一個最好的分類模型以及該模型所有設(shè)置的最優(yōu)參數(shù)。最后使用這些參數(shù)以及訓練集和校驗集數(shù)據(jù)一起構(gòu)造出一個最優(yōu)分類器，并利用該分類器對測試數(shù)據(jù)進行預測。2數(shù)據(jù)的準備及預處理2.1格式轉(zhuǎn)換方法(1)打開“data02.xls” 另存為CSV類型，得到“

2、data02.csv”。 (2)在WEKA中提供了一個“Arff Viewer”模塊，打開一個“data02.csv”進行瀏覽，然后另存為ARFF文件，得到“data02.arff”。 。3. 實驗過程及結(jié)果截圖3.1決策樹分類(1)決策樹分類用“Explorer”打開數(shù)據(jù)“data02.arff”，然后切換到“Classify”。點擊“Choose”，選擇算法“trees-J48”，再在“Test options”選擇“Cross-validation（Flods=10）”，點擊“Start”，開始運行。系統(tǒng)默認trees-J48決策樹算法中minNumObj=2，得到(d do)如下結(jié)果=

3、 Summary =Correctly Classified Instances 23 88.4615 %Incorrectly Classified Instances 3 11.5385 %Kappa statistic 0.7636Mean absolute error 0.141 Root mean squared error 0.3255Relative absolute error 30.7368 %Root relative squared error 68.0307 %Total Number of Instances 26 = Detailed Accuracy By Cla

4、ss = TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.824 0 1 0.824 0.903 0.892 N 1 0.176 0.75 1 0.857 0.892 YWeighted Avg. 0.885 0.061 0.913 0.885 0.887 0.892= Confusion Matrix = a b - classified as 14 3 | a = N 0 9 | b = Y使用(shyng)不同的參數(shù)準確率比較：minNumObj2345Correctly Classified Instances23

5、（88.4615 %）22（84.6154 %）23（88.4615 %）23（88.4615 %）由上表(shn bio)，可知minNumObj為2時，準確率最高。根據(jù)(gnj)測試數(shù)集，利用準確率最高的模型得到的結(jié)果： 分析(fnx)說明：在用J48對數(shù)據(jù)集進行分類時采用了10折交叉(jioch)驗證（Folds=10）來選擇和評估模型，其中屬性值有兩個Y，N。一部分結(jié)果如下：Correctly Classified Instances 23 88.4615 %Incorrectly Classified Instances 3 11.5385 %= Confusion Matrix =

6、 a b - classified as 14 3 | a = N 0 9 | b = Y這個(zh ge)矩陣是說，原來是“Y”的實例，有14個被正確的預測為“Y”,有3個錯誤的預測成了“N”。原本是“NO”的實例有0個被正確的預測成為“Y”，有9個正確的預測成了“N”?！?4+3+0+9=26”是實例的總數(shù)，而（14+9）/ 26=0.884615正好是正確分類的實例所占比例。這個矩陣對角線上的數(shù)字越大，說明預測得越好。(2)K最近鄰分類算法用“Explorer”打開數(shù)據(jù)“data02.arff”，然后切換到“Classify”。點擊“Choose”，選擇算法“l(fā)azy-IBk”，再在“T

7、est options”選擇“Cross-validation（Flods=10）”，點擊“Start”，開始運行。訓練結(jié)果：系統(tǒng)默認(mrn)lazy-IBk K最近鄰分類算法中KNN=1，得到如下結(jié)果= Summary =Correctly Classified Instances 20 76.9231 %Incorrectly Classified Instances 6 23.0769 %Kappa statistic 0.4902Mean absolute error 0.252 Root mean squared error 0.4626Relative absolute erro

8、r 54.9136 %Root relative squared error 96.694 %Total Number of Instances 26 = Detailed Accuracy By Class = TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.824 0.333 0.824 0.824 0.824 0.768 N 0.667 0.176 0.667 0.667 0.667 0.768 YWeighted Avg. 0.769 0.279 0.769 0.769 0.769 0.768= Confusion

9、 Matrix = a b - classified as 14 3 | a = N 3 6 | b = Y使用不同(b tn)的參數(shù)準確率比較：KNN1234Correctly Classified Instances20（76.9231 %）19（73.0769%）23（88.4615 %）20（76.9231 %）由上表(shn bio)，可知KNN為3時，準確率最高。根據(jù)測試(csh)數(shù)集，利用準確率最高的模型得到的結(jié)果：分析(fnx)說明：在用lazy-Ibk(KNN=3)對數(shù)據(jù)集進行分類時采用了10折交叉驗證(ynzhng)（Folds=10）來選擇和評估模型，其中屬性值有兩個Y，

10、N。一部分結(jié)果如下：= Summary =Correctly Classified Instances 23 88.4615 %Incorrectly Classified Instances 3 11.5385 %= Confusion Matrix = a b - classified as 16 1 | a = N 2 7 | b = Y這個矩陣是說，原來(yunli)是“Y”的實例，有16個被正確(zhngqu)的預測為“Y”,有1個錯誤的預測成了“N”。原本是“NO”的實例有2個被正確的預測成為“Y”，有9個正確的預測成了“7”?！?6+1+2+7=26”是實例的總數(shù)，而（16+7）

11、/ 26=0.884615正好是正確分類的實例所占比例。二、對“data01” 進行聚類分析1.數(shù)據(jù)格式的轉(zhuǎn)換(1)打開“data01.xls” 另存為CSV類型，得到“data01.csv”。 (2)在WEKA中提供了一個“Arff Viewer”模塊，打開一個“data01.csv”進行瀏覽，然后另存為ARFF文件，得到“data01.arff”。 2.聚類過程用“Explorer”打開數(shù)據(jù)“data01.arff”，然后切換到“Cluster”。點擊“Choose”，選擇算法“SimpleKMeans（numClusters=6，seed=200），再在“Test options”選擇“

12、Use training set”，點擊“Start”，開始運行。訓練結(jié)果：采用(ciyng)simpleKMeans算法，其中numClusters=6，seed=100，得到(d do)如下結(jié)果：Number of iterations: 3Within cluster sum of squared errors: 6.065322314450069（平方(pngfng)誤差之和）Clustered InstancesClustered Instances0 4 ( 15%)1 3 ( 12%)2 4 ( 15%)3 3 ( 12%)4 2 ( 8%)5 10 ( 38%)（各類的包含的實

13、例個數(shù)以及占總實例的百分比）說明(shumng)：其中(qzhng)當seed的取值越大，平方(pngfng)誤差之和越小。在這次實驗(shyn)seed=100，得到：Within cluster sum of squared errors: 6.065322314450069.這是評價聚類好壞的標準，數(shù)值越小說明同一簇實例之間的距離就越小。接下來“Cluster centroids”：列出了各個簇中心的位置：Attribute Full Data 0 1 2 3 4 5 (26) (4) (3) (4) (3) (2) (10)=sample 13.5 22.5 4.6667 20.5 1

14、4.6667 4.5 11.2old-year 48.0769 65.75 59.3333 50.5 25 56.5 41.9VEGF 1.9231 2.75 2.3333 2 2.6667 3 1MVC 102.1538 126.45 100.6667 127.4 88.2667 104 86.58cancer-grade 2.5769 3.75 2 3 3.3333 3.5 1.7cancer-stage 2.1538 3.25 1.3333 3 2.3333 3.5 1.3cancer metastasis N Y N N Y Y N最后“Clustered Instances”列出了各個簇中實例的數(shù)目及百分比：Clustered Instances0 4 ( 15%)1 3 ( 12%)2 4 ( 15%)3 3 ( 12%)4 2 ( 8%)5 10 ( 38%)（各類的包含的實例個數(shù)以及占總實例的百分比）三、根據(jù)提供的“data02”進行關(guān)聯(lián)分析由于程序和系統(tǒng)故障，所以不能正確的進行關(guān)聯(lián)分析 5.實驗(shyn)總結(jié)本次實驗進行比較順利，使我對如何在Weka中進行分類分析有了更深刻的了解，對Weka中進行分類分析