wek学习笔记.docVIP

Weka 学习笔记 一、数据格式： 以“%”开始的行是注释。 除去注释后，整个ARFF文件可以分为两个部分。第一部分给出了头信息（Head information），包括了对关系的声明和对属性的声明。第二部分给出了数据信息（Data information），即数据集中给出的数据。从“@data”标记开始，后面的就是数据信息了。 1、关系声明 :@relation relation-name 在ARFF文件的第一个有效行来定义。 relation-name是一个字符串。如果这个字符串包含空格，它必须加上引号（指英文标点的单引号或双引号）。 2、属性声明 : @attribute attribute-name datatype 声明语句的顺序按照该项属性在数据部分的位置来排。 最后一个声明的属性被称作class属性，在分类或回归任务中，它是默认的目标变量。 attribute-name是必须以字母开头的字符串。和关系名称一样，如果这个字符串包含空格，它必须加上引号。 WEKA支持的datatype有四种，分别是 ：numeric数值型、nominal-specification分类型、string字符串型、date [date-format日期型。 （1）数值属性：数值型属性可以是整数或者实数，但WEKA把它们都当作实数看待。 （2）分类属性：分类属性由nominal-specification列出一系列可能的类别名称并放在花括号中：{nominal-name1, nominal-name2, nominal-name3, ...} 。 例如如下的属性声明说明“outlook”属性有三种类别：“sunny”，“ overcast”和“rainy”: @attribute outlook {sunny, overcast, rainy} 如果类别名称带有空格，仍需要将之放入引号中。 （3）字符串属性：字符串属性中可以包含任意的文本。这种类型的属性在文本挖掘中非常有用。 如： @ATTRIBUTE LCC string （4）日期和时间属性:日期和时间属性统一用“date”类型表示，它的格式是 @attribute name date [date-format] date-format是一个字符串，来规定该怎样解析和显示日期或时间的格式，默认的字符串是ISO-8601所给的日期时间组合格式“yyyy-MM-ddTHH:mm:ss”。 数据信息部分表达日期的字符串必须符合声明中规定的格式要求。 3、数据信息：@data “@data”标记独占一行，剩下的是各个实例的数据。 每个实例占一行。实例的各属性值用逗号“,”隔开。如果某个属性的值是缺失值（missing value），用问号“?”表示，且这个问号不能省略。例如： @data sunny,85,85,FALSE,no ?,78,90,?,yes 4、注意： （1）字符串属性和分类属性的值是区分大小写的。若值中含有空格，必须被引号括起来。例如： @relation LCCvsLCSH @attribute LCC string  @attribute LCSH string  @data  AG5, Encyclopedias and dictionaries.;Twentieth century.  AS262, Science -- Soviet Union -- History. （2）日期属性的值必须与属性声明中给定的格式相一致。例如： @RELATION Timestamps  @ATTRIBUTE timestamp DATE yyyy-MM-dd HH:mm:ss  @DATA 2001-04-03 12:12:12   2001-05-03 12:59:55 （3）稀疏数据处理 有的时候数据集中含有大量的0值（比如购物篮分析），这个时候用稀疏格式的数据存贮更加省空间。 稀疏格式只记录非0的值，实例中每一个非0的属性值用index 空格 value表示。index是属性的序号，从0开始计；value是属性值。属性值之间仍用逗号隔开。 看如下的数据： @data   0, X, 0, Y, class A   0, 0, W, 0, class B 用稀疏格式表达的话就是 @data   {1 X, 3 Y, 4 class A}   {2 W, 4 class B} 这里每个实例的数值必须按属性的顺序来写，如 {1 X, 3 Y, 4 class A}，不能写成{3 Y, 1 X, 4 class A}。 注意缺失值必须显式的用问号表示出来。 （4）Relational型属性 在WEKA 3.5