原创力文档- 1、本文档共13页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
机器学习工具weka的使用总结包括算法选择、属性选择、
一、属性选择：
1、理论知识：
见以下两篇文章：
WEKA _
数据挖掘中的特征选择算法综述及基于 的性能比较 陈良龙
数据挖掘中约简技术与属性选择的研究_刘辉
2、weka 中的属性选择
2.1评价策略 （attributeevaluator）
filter wrapper
总的可分为 和 方法，前者注重对单个属性进行评价，后者侧
重对特征子集进行评价。
Wrapper 方法有：CfsSubsetEval
Filter 方法有：CorrelationAttributeEval
2.1.1Wrapper方法：
（1）CfsSubsetEval
根据属性子集中每一个特征的预测能力以及它们之间的关联性进行评估，单
个特征预测能力强且特征子集内的相关性低的子集表现好。
Evaluates the worth of a subset of attributes by considering the individual
predictive ability of each feature along with the degree of redundancy between
them.Subsets of features that are highly correlated with the class while having low
intercorrelation arepreferred.
Formoreinformation see:
M. A. Hall (1998). Correlation-based Feature Subset Selection for Machine
Learning.Hamilton,New Zealand.
2 WrapperSubsetEval
（）
Wrapper 方法中，用后续的学习算法嵌入到特征选择过程中，通过测试特征
子集在此算法上的预测性能来决定其优劣，而极少关注特征子集中每个特征的预
测性能。因此，并不要求最优特征子集中的每个特征都是最优的。
Evaluates attribute sets by using a learning scheme. Cross validation is used to
estimatetheaccuracy ofthelearning scheme for a set ofattributes.
Formoreinformation see:
Ron Kohavi, George H. John (1997). Wrappers for feature subset selection.
ArtificialIntelligence.97(1-2):273-324.
2.1.2Filter方法：
如果选用此评价策略，则搜索策略必须用Ranker。
（1）CorrelationAttributeEval
根据单个属性和类别的相关性进行选择。
Evaluates the worth of an attribute by measuring the correlation (Pearsons)
between it andtheclass.
Nominal attributes are considered on a value by value basis by treating each
value as an indicator.An overall correlation for a nominal attribute is arrived at via a
weightedaverage.
2 GainRatioAttributeEval
（）
根据信息增益比选择属性。
Evaluatestheworth ofan attributeby measuringthegain ratiowith respect tothe
class.
GainR(Class,Attribute) (H(Class) -H(Class |Attribute))/ H(Attribu
文档评论（0）