Weka 简明教程

最初当你打开 Explorer 时，只有 Preprocess 选项卡处于启用状态。机器学习的第一步是预处理数据。因此，在 Preprocess 选项中，你将选择数据文件，处理它并使其适合应用各种机器学习算法。

Classify 选项卡为你提供了用于分类数据的几种机器学习算法。简单列举几个，你可以应用诸如线性回归、逻辑回归、支持向量机、决策树、RandomTree、随机森林、朴素贝叶斯等算法。列表非常详尽，提供了有监督和无监督的机器学习算法。

在 Cluster 选项卡下，提供了多种聚类算法 - 如 SimpleKMeans、FilteredClusterer、HierarchicalClusterer 等。

在 Associate 选项卡下，你会找到 Apriori、FilteredAssociator 和 FPGrowth。

Select Attributes 允许你根据多种算法（如 ClassifierSubsetEval、PrinicipalComponents 等）进行特征选择。

最后， Visualize 选项允许你对处理后的数据进行可视化，以便分析。

正如你所见，WEKA 为测试和构建机器学习应用程序提供了多种开箱即用的算法。为了有效地使用 WEKA，你必须对这些算法、它们的工作原理、在什么情况下选择哪种算法、它们的处理输出中需要注意什么等有深入的了解。简而言之，你必须在机器学习方面有扎实的基础，才能在构建应用程序时有效地使用 WEKA。

在接下来的章节中，你将深入学习资源管理器中的每个选项卡。

在你学习的前一课中学到的机器学习选项卡正下方，你会找到以下三个按钮 −

单击 Open file …​ 按钮。将打开一个目录导航器窗口，如下面的屏幕所示 −

现在，导航到存储数据文件的文件夹。WEKA 安装附带了许多示例数据库供你进行试验。这些数据库可在 WEKA 安装的 data 文件夹中找到。

出于学习目的，从此文件夹中选择任何数据文件。该文件的内容将加载到 WEKA 环境中。我们将很快学习如何检查和处理这些加载的数据。在此之前，让我们看看如何从 Web 加载数据文件。

一旦单击 Open URL … 按钮，你就会看到如下窗口 −

我们将从公共 URL 打开该文件 在弹出框中输入以下 URL −

链接： [https://storm.cis.fordham.edu/ _{gweiss/data-mining/weka-data/weather.nominal.arff[https://storm.cis.fordham.edu/} gweiss/data-mining/weka-data/weather.nominal.arff]

你还可以指定存储数据的任何其他 URL。 Explorer 会将数据从远程站点加载到其环境中。

一旦你点击了 Open DB …​ 按钮，你就可以看到如下窗口 −

设置数据库的连接字符串，设置用于选择数据的查询，处理查询并在 WEKA 中加载已选记录。

Arff 文件包含两个部分——头和数据。

作为 Arff 格式的示例，下面显示了从 WEKA 样本数据库加载的 Weather 数据文件 −

从屏幕截图中，您可以推断以下几点 −

Explorer 可加载任何早期提到的格式中的数据。由于 arff 是 WEKA 中的首选格式，你可以从任何格式中加载数据，并将其保存到 arff 格式中以供以后使用。在预处理数据后，只需将其保存为 arff 格式以供进一步分析。

现在你已了解如何将数据加载到 WEKA，在下个章节中，你将学习如何预处理数据。

我们先看看高亮的 Current relation 子窗口。它表明当前加载的数据库的名称。你可以从这个子窗口推断出两点：

在左侧，注意显示数据库中各个字段的 Attributes 子窗口。

weather 数据库包含五个字段 - outlook、temperature、humidity、windy 和 play。当通过点击从该列表中选择一个属性时，会在右侧显示属性本身的更多详细信息。

我们先选择 temperature 属性。当你点击它时，你将会看到以下屏幕：

在 Selected Attribute 子窗口中，你可以看到以下内容：

在窗口的底部，你可以看到 class 值的可视化表示。

如果你点击 Visualize All 按钮，你将能够在一个窗口中看到所有功能，如下所示：

很多时候，用于建模的数据包含许多不相干的字段。例如，客户数据库可能包含其移动电话号码，这与分析其信用评级相关。

要删除属性，请选择它们并单击底部的 Remove 按钮。

选定的属性将从数据库中删除。完全预处理数据后，可以将其保存以供建模。

接下来，您将学习通过对数据应用筛选来预处理数据。

某些机器学习技术（例如关联规则挖掘）需要分类数据。为了说明筛选的使用，我们将使用 weather-numeric.arff 数据库，该数据库包含两个 numeric 属性—— temperature 和 humidity 。

我们将通过对原始数据应用筛选器将它们转换为 nominal 。单击 Filter 子窗口中的 Choose 按钮并选择以下筛选器−

weka→filters→supervised→attribute→Discretize

单击 Apply 按钮并检查 temperature 和/或 humidity 属性。您会注意到它们已从数字类型更改为标称类型。

让我们来看另一个筛选器。假设您想要选择用于决策的最佳属性 play 。选择并应用以下筛选器 −

weka→filters→supervised→attribute→AttributeSelection

您会注意到它会从数据库中移除温度和湿度属性。

满意数据预处理后，单击 Save …​ 按钮保存数据。您将使用此保存的文件进行建模。

在下一章中，我们将使用几个预定义的 ML 算法探索建模。

我们从上一课中使用预处理后的天气数据文件。使用 Open file …​ 选项在 Preprocess 选项卡中打开已保存的文件，单击 Classify 选项卡，您会看到以下屏幕 −

在了解可用的分类器之前，让我们检查测试选项。您会看到以下四个测试选项 −

除非您有自己的训练集或由客户提供的测试集，否则您将使用交叉验证或百分比分割选项。通过交叉验证，您可以设置整个数据将被分割并用于每次训练迭代的折叠数。在百分比分割中，您将使用设置的分割百分比在训练和测试之间分割数据。

现在，将输出类的默认 play 选项保留为 −

接下来，您将选择分类器。

点击选择按钮并选择以下分类器 −

weka→classifiers>trees>J48

This is shown in the screenshot below −

单击 Start 按钮以启动分类过程。一段时间后，分类结果将显示在您的屏幕上，如下所示 −

让我们检查屏幕右侧显示的输出。

它说树的大小是 6。您很快将看到树的可视化表示。在摘要中，它说正确分类的实例为 2，错误分类的实例为 3。它还说相对绝对误差为 110%。它还显示了混淆矩阵。对这些结果的分析超出了本教程的范围。但是，您可以轻松地从这些结果中看出分类是不可接受的，并且您需要更多数据进行分析，以完善您的功能选择、重建模型等，直到您对模型的准确性感到满意。无论如何，这就是 WEKA 的全部意义所在。它允许您快速测试您的想法。

要查看结果的可视化表示，请右键单击 Result list 框中的结果。屏幕上会出现几个选项，如下所示 −

选择 Visualize tree 以获得遍历树的可视化表示，如下面的屏幕截图所示 −

选择 Visualize classifier errors 将显示分类结果，如下所示 −

cross 表示正确分类的实例，而 squares 表示错误分类的实例。在绘图左下角，您可以看到一个 cross ，该 cross 指示如果 outlook 天气晴朗，则 play 比赛。因此，这是一个正确分类的实例。若要定位实例，您可以通过滑动 jitter 滑块来引入一些抖动。

当前绘图是 outlook 与 play 。这由屏幕顶部的两个下拉列表框指示。

现在，在这些框中的每一个框中尝试不同的选择，并注意 X 和 Y 轴如何变化。使用绘图右侧的水平条也可以实现相同的效果。每个条代表一个属性。左键单击条将所选属性设置为 X 轴，而右键单击将该属性设置为 Y 轴。

提供了几个其他绘图以供您进行深入分析。明智地使用它们来微调您的模型。 Cost/Benefit analysis 的一个此类绘图如下所示，供您快速参考。

对此类图表中分析内容进行说明超出了本教程的范围。建议读者查阅机器学习算法分析知识。

在下一章中，我们将了解下一组机器学习算法，即聚类。

在 WEKA 浏览器中，选择 Preprocess 选项卡。点击 Open file …​ 选项并在文件选择对话框中选择 iris.arff 文件。当你加载数据时，屏幕看起来如下图所示 −

你可以观察到有 150 个实例和 5 个属性。属性的名称列为 sepallength 、 sepalwidth 、 petallength 、 petalwidth 和 class 。前四个属性为数字类型，而类为具有 3 个不同值的公称类型。检查每个属性以了解数据库的特性。我们不会针对此数据进行任何预处理，直接进入模型构建。

点击 Cluster 选项卡，将群集算法应用到我们加载的数据。点击 Choose 按钮。你会看到下面的屏幕 −

现在，选择 EM 作为群集算法。在 Cluster mode 子窗口中，选择 Classes to clusters evaluation 选项，如下图所示 −

点击 Start 按钮处理数据。片刻之后，结果将显示在屏幕上。

接下来，让我们研究一下结果。

数据处理的输出如下图所示 −

从输出屏幕中，你可以观察到 −

如果你向上滚动输出窗口，你还可以看到一些统计信息，为各个检测到的群集中各个属性的平均值和标准差。这在下图的屏幕截图中显示 −

接下来，我们将查看群集的视觉表示。

为了可视化群集，右键点击 EM 中的 Result list 的结果。你会看到以下选项 −

选择 Visualize cluster assignments 。你会看到以下输出 −

如同在分类的情况下，你会注意到正确和错误识别实例之间的区别。你可以通过改变 X 轴和 Y 轴来分析结果。你可以使用抖动，如同在分类的情况一样，来确定正确识别实例的浓度。可视化图的运算类似于你在分类的情况下所学习的运算。

To demonstrate the power of WEKA, let us now look into an application of another clustering algorithm. In the WEKA explorer, select the HierarchicalClusterer as your ML algorithm as shown in the screenshot shown below −

Choose the Cluster mode selection to Classes to cluster evaluation, and click on the Start button. You will see the following output −

Notice that in the Result list, there are two results listed: the first one is the EM result and the second one is the current Hierarchical. Likewise, you can apply multiple ML algorithms to the same dataset and quickly compare their results.

If you examine the tree produced by this algorithm, you will see the following output −

In the next chapter, you will study the Associate type of ML algorithms.

在 WEKA 浏览器中，打开 Preprocess 标签，单击 Open file …​ 按钮，然后从安装文件夹中选择 supermarket.arff 数据库。加载数据后，您将看到以下屏幕 −

该数据库包含 4627 个实例和 217 个属性。您可以轻松了解检测如此多的属性之间的关联有多困难。幸运的是，此任务在 Apriori 算法的帮助下已自动化。

单击 Associate 标签，然后单击 Choose 按钮。选择 Apriori 关联，如屏幕快照所示 −

若要为 Apriori 算法设置参数，请单击其名称，将弹出一个窗口，如下所示，允许您设置参数 −

设置参数后，单击 Start 按钮。过一会儿，您将看到屏幕快照中显示的结果 −

在底部，您将找到已检测到的最佳关联规则。这将帮助超市将产品存放在合适的货架上。

In the Preprocess tag of the WEKA explorer, select the labor.arff file for loading into the system. When you load the data, you will see the following screen −

Notice that there are 17 attributes. Our task is to create a reduced dataset by eliminating some of the attributes which are irrelevant to our analysis.

Click on the *Select attributes*TAB.You will see the following screen −

Under the Attribute Evaluator and Search Method, you will find several options. We will just use the defaults here. In the Attribute Selection Mode, use full training set option.

Click on the Start button to process the dataset. You will see the following output −

在结果窗口的底部，您将获得 Selected 属性列表。要获取可视化表示，请右键单击 Result 列表中的结果。

Explorer 在以下屏幕截图中显示了输出 −

单击任何正方形都会为您提供供进一步分析的数据图。一个典型的数据图如下所示 −

这与我们在前面章节中看到的内容类似。使用可用的不同选项来分析结果。

目前为止，您已经见识到了 WEKA 在快速开发机器学习模型方面的强大功能。我们使用的是一个名为 Explorer 的图形工具来开发这些模型。WEKA 还提供了一个命令行界面，该界面提供了比 explorer 中提供的更强大的功能。

单击 G*UI Chooser* 应用程序中的 Simple CLI 按钮会启动此命令行界面，如下面的屏幕截图所示 −

在底部的输入框中键入命令。您将能够使用该资源管理器所做的一切和其他更多内容。有关详细信息，请参阅 WEKA documentation ([role="bare"] [role="bare"]https://www.cs.waikato.ac.nz/ml/weka/documentation.html )。

最后，WEKA 是使用 Java 开发的并提供对其 API 的接口。因此，如果您是 Java 开发人员并热衷于在自己的 Java 项目中包含 WEKA ML 实施，则可以轻松做到。

WEKA 是开发机器学习模型的强大工具。它提供了几种最广泛使用的 ML 算法的实现。在将这些算法应用于数据集之前，它还允许您预处理数据。支持的算法类型在分类、集群、关联和选择属性下进行分类。可以通过美观且强大的可视化表示来可视化处理的各个阶段的结果。这使得数据科学家可以更轻松地快速在其数据集上应用各种机器学习技术，比较结果并为最终用途创建最佳模型。