数据分析与挖掘实验.pdf

丹青不知老将至，贫贱于我如浮云。——杜甫

数据分析与挖掘实验指导书

实验1熟悉Weka环境

实验目的：

熟悉Weka环境。掌握基于决策树的归纳分类。

实验环境：

Windows，JDK1.6，Weka3.4.17

实验内容和要求：

1、数据格式

跟很多电子表格或数据分析软件一样，WEKA所处理的数据集是图1那样的一个二维

的表格。

图1新窗口打开

表格里的一个行称作一个实例(Instance)，相当于统计学中的一个样本，或者数据库中的

一条记录。列称作一个属性（Attrbute），相当于统计学中的一个变量，或数据库中的一个

字段。这样一个表格(数据集)，在WEKA看来，呈现了属性之间的一种关系(Relation)。图1

中一共有14个实例，5个属性，关系名称为“weather”。

WEKA存储数据的格式是ARFF(Attribute-RelationFileFormat)文件，这是一种ASCII

文本文件。图1所示的二维表格存储在如下的ARFF文件中。这也就是WEKA自带的

“weather.arff”文件，在WEKA安装目录的“data”子目录下可以找到。

需要注意的是，在Windows记事本打开这个文件时，可能会因为回车符定义不一致而

导致分行不正常。可以使用Notepad++这样的字符编辑软件察看ARFF文件的内容。

识别ARFF文件的重要依据是分行，因此不能在这种文件里随意的断行。空行（或全是

空格的行）将被忽略。

丹青不知老将至，贫贱于我如浮云。——杜甫

以“%”开始的行是注释，WEKA将忽略这些行。如果你看到的“weather.arff”文件多了或

少了些“%”开始的行，是没有影响的。

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(Headinformation),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(Datainformation),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。

关系声明

关系名称在ARFF文件的第一个有效行来定义，格式为

@relationrelation-name

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）。

属性声明

属性声明用一列以“@attribute”开头的语句表示。数据集中的每一个属性都有它对应的

“@attribute”语句，来定义它的属性名称和数据类型。

这些声明语句的顺序很重要。首先它表明了该项属性在数据部分的位置。例如，

“humidity”是第三个被声明的属性，这说明数据部分那些被逗号分开的列中，第三列数据85

908696...是相应的“humidity”值。其次，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。属性声明的格式为

@attributeattribute-namedatatype

其中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。