基于Weka的数据分类分析实验报告.docxVIP

数据挖掘实验报告 xxx 201021030483 基于 weka 的数据分类分析实验报告 1 实验基本内容 本实验的基本内容是通过使用 weka 中的三种常见分类方法（朴素贝叶斯，KNN 和决策 树 C4.5）分别在训练数据上训练出分类模型，并使用校验数据对各个模型进行测试和评价， 找出各个模型最优的参数值，并对三个模型进行全面评价比较，得到一个最好的分类模型以 及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个 最优分类器，并利用该分类器对测试数据进行预测。 2 数据的准备及预处理 2.1 格式转换方法 原始数据是 excel 文件保存的 xlsx 格式数据，需要转换成 Weka 支持的 arff 文件格式或 csv 文件格式。由于 Weka 对 arff 格式的支持更好，这里我们选择 arff 格式作为分类器原始 数据的保存格式。 转换方法：在 excel 中打开“movie_given.xlsx”，选择菜单文件-另存为，在弹出的对 话框中，文件名输入“total_data”，保存类型选择“CSV（逗号分隔）”，保存，我们便可得 到“total_data.csv”文件；然后，打开 Weka 的 Exporler，点击 Open file 按钮，打开刚才得 到的“total_data”文件，点击“save”按钮，在弹出的对话框中，文件名输入“total_data”， 文件类型选择“Arff data files（*.arff）”，这样得到的数据文件为“total_data.arff”。 2.2 如何建立数据训练集，校验集和测试集 数据的预处理过程中，为了在训练模型、评价模型和使用模型对数据进行预测能保证一 致性和完整性，首先要把 movie_given.xslx 和 test.xslx 合并在一起，因为在生成 arff 文件的 时候，可能会出现属性值不一样的情况，否则将为后来的测试过程带来麻烦。 通过统计数据信息，发现带有类标号的数据一共有100 行，为了避免数据的过度拟合， 必须把数据训练集和校验集分开，目前的拆分策略是各 50 行。类标号为‘female’的数据 有 21 条，而类标号为‘male’的数据有79 条，这样目前遇到的问题是，究竟如何处理仅有 的 21 条 female 数据？为了能在训练分类模型时有更全面的信息，所以决定把包含 21 条 female 类标号数据和 29 条 male 类标号数据作为模型训练数据集，而剩下的另 49 条类标号 类 male 的数据将全部用于校验数据集，这是因为在校验的时候，两种类标号的数据的作用 区别不大，而在训练数据模型时，则更需要更全面的信息，特别是不同类标号的数据的合理 比例对训练模型的质量有较大的影响。 1 数据挖掘实验报告 xxx 201021030483 2.3 预处理具体步骤 第一步：合并 movie_given.xlsx 和 test.xlsx，保存为 total_data.xlsx； 第二步：在 total_data.xlsx 中删除多余的 ID 列信息； 第三步：在 excel 中打开“total_data.xlsx”，选择菜单文件-另存为，在弹出的对话框中， 文件名输入“total_data”，保存类型选择“CSV（逗号分隔）”； 第四步：使用 UltraEdit 工具把 total_data.csv 中的数据缺失部分补上全局常量‘？’； 第五步：打开 Weka的 Exporler，点击 Open file 按钮，打开刚才得到的“total_data.csv” 文件，点击“save”按钮，在弹出的对话框中，文件名输入“total_data”，文件类型选择“Arff data files（*.arff）”，这样得到的数据文件为“total_data.arff”。 第六步：从 total_data.arff 文件里面剪切所有没有分类标号的数据作为预测数据集 （test.arff）， 共 26 项。 第七步：把剩下含有类标号数据的total_data.arff 文件复制一份，作为总的训练数据集。 文件名称为 build_model.arff。 第八步：从 total_data.arff 文件中剩下的数据里面选取所有分类标号为 male 的 49 行数 据作为校验数据集（validate_data.arff）。 第九步：从把剩下的 total_data.arff 文件改名为 train_data.arff。 3. 实验过程及结果截图 3.1 决策树分类 用“Explorer”打开刚才得到的“train-data.arff”，并切换到“Class”。点“Choose”按 钮选择“tree (weka.classifiers.tre