基于weka的数据聚类分析实验.docVIP

基于Weka的数据聚类分析实验 姓名：覃丽萍 专业：计算机应用技术 学号：2061002047 1. 实验基本原理及目的 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。 在本实验中，我们对前面的“bank-data”作聚类分析，使用最常见的K均值（K-means）算法。下面我们简单描述一下K均值聚类的步骤。 K均值算法首先随机的指定K个簇中心。然后： （1）将每个实例分配到距它最近的簇中心，得到K个簇； （2）计分别计算各簇中所有实例的均值，把它们作为各簇新的簇中心。 重复（1）和（2），直到K个簇中心的位置都固定，簇的分配也固定。 本次实验的目的，是通过利用Weka中提供的simpleKmeans方法对“bank-data”进行聚类分析，更深刻的理解k均值算法，并通过对实验结果进行观察分析，找出实验中所存在的问题。 2. 数据的准备及预处理 原始数据“bank-data.xls”是excel文件格式的数据，需要转换成Weka支持的ARFF文件格式的。转换方法：在excel中打开“bank-data.xls”，选择菜单文件—另存为，在弹出的对话框中，文件名输入“bank-data”，保存类型选择“CSV（逗号分隔）”，保存，我们便可得到“bank-data.csv”文件；然后，打开Weka的Exporler，点击Open file按钮，打开刚才得到的“bank-data.csv”文件，点击“save”按钮，在弹出的对话框中，文件名输入“bank-data.arff”，文件类型选择“Arff data files（*.arff）”，这样得到的数据文件为“bank-data.arff”。 K均值算法只能处理数值型的属性，遇到分类型的属性时要把它变为若干个取值0和1的属性。WEKA将自动实施这个分类型到数值型的变换，而且WEKA会自动对数值型的数据作标准化。因此，对于ARFF格式的原始数据“bank-data.arff”，我们所做的预处理只是删去属性“id”，修改属性“children”为分类型。 修改过程如下：在Ultredit中打开“bank-data.arff”，将@attribute children numeric改成如下： 图1 修改children为分类型 这样我们最终得到的数据文件为“bank-data.arff”，含600条实例。 3. 实验过程及结果截图 用“Explorer”打开刚才得到的“bank-data.arff”，并切换到“Cluster”。点“Choose”按钮选择“SimpleKMeans”，这是WEKA中实现K均值的算法。点击旁边的文本框，修改“numClusters”为6，说明我们希望把这600条实例聚成6类，即K=6。下面的“seed”参数是要设置一个随机种子，依此产生一个随机数，用来得到K均值算法中第一次给出的K个簇中心的位置。我们不妨暂时让它就为10。 选中“Cluster Mode”的“Use training set”，点击“Start”按钮，观察右边“Clusterer output”给出的聚类结果如下： 图2 实验结果 也可以在左下角“Result list”中这次产生的结果上点右键，“View in separate window”在新窗口中浏览结果。 4. 实验结果分析 4.1 实验结果 下面对实验结果进行解释。观察图1，首先我们注意到结果中有这么一行： Within cluster sum of squared errors: 1604.7416693522332 这是评价聚类好坏的标准，数值越小说明同一簇实例之间的距离越小。也许你得到的数值会不一样；实际上如果把“seed”参数改一下，得到的这个数值就可能会不一样。我们应该多尝试几个“seed”，并采纳这个数值最小的那个结果。例如我让“seed”取100，就得到： Within cluster sum of squared errors: 1555.6241507629218 我们该取后面这个。当然再尝试几个“seed”，这个数值可能会更小。 接下来“Cluster centroids:”之后列出了各个簇中心的位置。对于数值型的属性，簇中心就是它的均值（Mean），如cluster0的数值型变量age的均值37.1299；分类型的就是它的众数（Mode），如cluster0的分类型变量children的众数为3，也就是说这个属性上取值为众数值3