weka中文使用（一）

1      Weka简介

1.1 Weka说明

Weka是由新西兰怀卡托大学开发的，全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis）。在怀卡托大学以外的地方，Weka通常按谐音读Mecca，是一种现金仅存活于新西兰的具有好奇心的不会飞的鸟。它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。

2005年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的Weka小组荣获了数据挖掘和知识探索领域的最高服务奖，Weka系统得到了广泛的认可，被誉为数据挖掘和机器学习历史上的里程碑，是现今最完备的数据挖掘工具之一（已有11年的发展历史）。Weka的每月下载次数已超过万次。

1.2Weka获取、安装

WEKA的源码可通过以下网址获取：http://www.cs.waikato.ac.nz/ml/weka。

WEKA是用JAVA写成的，并且限制在GNU通用公众证书的条件下发布。它可运行于几乎所有的操作平台。在已经测试过的平台包括Linux，Windows和Macintosh操作系统。用户既可以下载一个与具体操作系统相匹配的安装文件，也可以下载一个可执行的JAVA文件包（jar file），然后在已安装了JAVA的机器上以通常的方式运行。

2      Explorer界面

通过Weka的主要图形界面Explorer，其所有的功能皆可以通过菜单选择或表单填写的方式访问。图2-0展示了刚进入的Explorer界面。在Explorer的顶部有六个不同的标签表示六个不同的面板，分别对应着Weka所支持的不同的数据挖掘方式。

图2-0 Explorer界面

2.1预处理

为了让初次使用Weka的用户对其有个初步的了解，我们先从处理一部分数据开始着手。首先，用户需要准备数据，启动Explorer界面并载入数据。

2.2.1 准备数据

数据通常存储在电子数据表或数据库中。然而Weka存储数据的方式是ARFF格式（关于ARFF格式详情见附录A）。使用WEKA作数据挖掘，面临的第一个问题往往是我们的数据不是ARFF格式的。幸好，WEKA还提供了对CSV文件的支持，而这种格式是被很多其他软件所支持的。

Excel默认文件格式为XLS，我们可以把每个工作表（sheet）存成不同的CSV文件。方法为打开一个XLS文件并切换到需要转换的工作表，另存为CSV类型，点“确定”按钮并忽略提示信息即可完成操作。 这里以bank-data.xls为例（bank-data.xls可以从以下网址获取http://facweb.cs.depaul.edu/mobasher/classes/ect584/WEKA/preprocess.html）。

2.2.2 将数据导入Explorer

进入Explorer模块，点击界面上方的按钮“open file”打开文件选择面板，将面板下方的文件类型选择“所有文件”，找到转化的CSV文件即可将数据导入到Explorer如图2.2.2-1。 点击面板上方的“save”按钮即可将文件保存为ARFF格式。

图2.2.2-1 导入数据后的Explorer界面

图2.2.2-1显示的是使用Explorer打开"bank-data.csv"的情况。我们根据不同的功能把这个面分成8个区域。 区域1的几个选项卡是用来切换不同的挖掘任务面板。具体功能如下：

Preprocess（预处理）：选择数据集，并以多种方式对其进行修改

Classify（分类）：训练用做分类或回归的学习方案，并对他们做出评估

Cluster（聚类）：学习数据集的聚类

Associate（关联）：学习数据的关联规则并对其评估

Select attributes(选择属性)：在数据集中选择最相关的部分

Visualize（可视化）：查看不同的二维数据点图并与其互动

区域2是一些常用按钮。包括打开数据，保存及编辑功能。

在区域3（Filter）中点击“Choose”按钮可以选择某个Filter（过滤器），可以实现筛选数据或者对数据进行某种变换。数据预处理主要就利用它来实现。

 区域4（Current relation）展示了数据集的一些基本情况。

 区域5（Attributes）列出了数据集的所有属性。勾选一些属性并点击“Remove”按钮就可以删除它们，删除后还可以利用区域2的“Undo”按钮找回。区域5上方的一排按钮是用来实现快速勾选的。

区域6（Selected attributes）是区域5中选中属性的摘要。注意对于数值属性和分类属性，摘要的方式是不一样的。图中显示的是对数值属性“age”的摘要。

区域7是区域5中选中属性的直方图。若数据集的最后一个属性（这是分类或回归任务的默认目标变量）是分类变量（这里的“pep”正好是），直方图中的每个长方形就会按照该变量的比例分成不同颜色的段。要想换个分段的依据，在区域7上方的下拉框中选个不同的分类属性就可以了。下拉框里选上“No Class”或者一个数值属性会变成黑白的直方图。

 区域8是状态栏，可以查看Log以判断是否有错。右边的Weka鸟在动的话说明WEKA正在执行挖掘任务。右键点击状态栏还可以执行JAVA内存的垃圾回收。