数据挖掘工具软件介绍weka.pptVIP

* GenericObjectEditor 对话框可以用来配置一个筛选器。同样的对话框也用于配置其他 对象，例如分类器（classifier）和聚类器（clusterers）(见下文)。 * 点击More options 按钮可以设置更多的测试选项： 1. Output model. 输出基于整个训练集的分类模型，从而模型可以被查看，可视化 等。该选项默认诗选中的。 2. Output per-class stats. 输出每个 class 的准确度/反馈率（precision/recall） 和正确/错误（true/false）的统计量。该选项也是默认选中的 3. Output evaluation measures. 输出熵估计度量。该选项默认没有选中。 4. Output confusion matrix. 输出分类器预测结果的混淆矩阵。该选项默认选中。 5. Store predictions for visualization. 记录分类器的预测结果使得它们能被可 视化表示。 6. Output predictions. 输出测试数据的预测结果。注意在交叉验证时，实例的编 号不代表它在数据集中的位置。 7. Cost-sensitive evaluation. 误差将根据一个价值矩阵来估计。Set… 按钮用来 指定价值矩阵。 8. Random seed for xval / % Split. 指定一个随即种子，当出于评价的目的需要 分割数据时，它用来随机化数据。 * Cli实验命令：java weka.experiment.Experiment -r -T data/iris.arff -D weka.experiment.InstancesResultListener -P weka.experiment.RandomSplitResultProducer -- -W weka.experiment.ClassifierSplitEvaluator -- -W weka.classifiers.rules.OneR 在两种模式下，你都进行在本地单一机器上的标准试验，或者分布在几台主机上的远程试验。分布 式的试验减少了完成试验本身所需的时间，但是另一方面，设置这样的试验需要更多的时间 * 而且，可在 Classification（分类，又称判别）和 Regression（回归）间进行选择，这依赖于所用 的数据集和分类器（classifiers）。对于像J48 (即 Quinlan 的 C4.5 算法 [3] 在 Weka 中的实现) 这 样的决策树算法和 iris 数据集，Classification 是必需的；另一方面，对于 M5P 这样的数值型分类器， 则需要选用Regression。默认选中的是 Classification。 * 为了获得统计上有意义的结果，默认的迭代数量是 10。在10折交叉验证的情形下，这意味着对一个分类器要进行100次调用——从训练集计算它，并在测试集上测试。 * 算法：J48 决策树 Quinlan * * 数据挖掘软件介绍 目前较为著名的数据挖掘软件 传统的数据挖掘套件(Classic suites)：SAS Enterprise Miner 5.3SPSS Clementine 12 开源数据挖掘软件(Open Source)：RapidMiner 4.2 / KNIME 2.0 / Weka 3.6 专门化的数据挖掘软件(Specialized)：Viscovery SOMiner 5.0prudsys Discovery 5.5 / Basket Analyzer 5.2Bissantz Delta Master 5.3.6 * 目前较为著名的数据挖掘软件 自动化数据挖掘软件(Self-Acting)：KXEN Analytic Framework 4.04 BI产品内置的数据挖掘软件(BI Vendors)：SAP NetWear 7.0 Data Mining WorkbenchOracle 11g Data MiningMicrosoft SQL Server 2005 Analysis Services 其他优秀的软件 Teradata Warehouse Miner IBM的DB2 Intelligence Miner Angoss的KnowledgeSTUDIO Unica * WEKA 简介 http://www.cs.waikato.ac.nz/ml/weka 中文论坛/ 功能 Program LogWindow MemeryUsage Exit Visualization * WEKA PLOT ROC Tre