《数据挖掘技术实验指导书》由会员分享，可在线阅读，更多相关《数据挖掘技术实验指导书（30页珍藏版）》请在金锄头文库上搜索。
1、实验指导书数据挖掘技术适用专业：信息与计算科学及相关专业计算机与信息学院编2011年5月实验一、实验名称WEKA的使用与数据准备二、实验目的熟悉数据挖掘的常用软件WEKA的安装和环境，理解weka的数据格式，掌 握数据格式的转换，理解数据预处理的必要性和基本方法。三、实验平台计算机、软件 WEKA、UtraEdit四、实验数据bank-da ta.csv(在教材配套光盘的CompanionCDDatafilesChapter_7_AR 目录下)weather.arff(WEKA安装目录的“data”子目录)五、实验方法和步骤1、实验准备访问 WEKA 网站 http:/www.cs.waika
2、to.ac.nz/ml/weka,下载带 JAVA 虚拟 机版本的WEKA，保存在U盘中。(2) 阅读课本第8章5.11-8.14小结的内容。(3) 将实验所需数据bank-da ta.csv从光盘拷贝只U盘中。2、了解weka的环境(1) 安装weka， 了解weka的环境(2) 打WEKA自带的“weather.arff”文件，了解arff文件的格式3、数据准备(1) 将原来的 “bank-data.csv文件转化为 arff 文件 “bank-data.arff。(2) 把“ID”属性去掉。(3 )把“Children”属性转换成数值型的值0,1,2,3。(4) 使用“Discretiz
3、e”的Filter把“age”和“income”的离散化，另存文件为 bank_data_final.arff六、实验指导1. 简介WEKA的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis)，它的源代码可通过 http:/www.cs.waikato.ac.nz/ml/weka 得到。同时 weka也是新西兰的一种鸟名，而WEKA的主要开发者来自新西兰。WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务 的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在 新的交互式界面上的可视化。图一 WEK
4、A主界面如果想自己实现数据挖掘算法，可以看weka的接口文档，在weka中集成自 己的算法。2005年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的Weka 小组荣获了数据挖掘和知识探索领域的最高服务奖，Weka系统得到了广泛的认 可，被誉为数据挖掘和机器学习历史上的里程碑，是现今最完备的数据挖掘工具 之一。2. 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2那样的 一个二维的表格。weather.arfTReiation: weather3. humid it/ N u m eiu 35.0 90.0 36 0 9& 0 30 0 70.0 56 0 9
5、5 0 70 0 30 0 70.0 yo o0 . . _ .0 表格里的一个行称作一个实例(Instance),相当于1T345E7E910r1213141 .outlookN u m i n a I sunny sunny overcast rainy rainy rainy overcastsunny sunny rainy sunny overcast overcast rainy .2.temperatureNImeric35.080.083.070.068.0bS.O6.072.0S9.075.075.072.0图2新窗口打开.4.windy N o m i n a I FALS
6、E TRUE FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE TRUE TRUE FAuSr TRUE.5.卩 layN u m i n a Inonoyes yes yes noyesnoyes yes yes yes yes no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(A
7、ttribute-Relation File Format)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。代码：% ARFF file for the weather data with some numric featuresrelation weatherattribute outlook sunny, overcast, rainyattribute temperature realattribute humidity realattribute
8、 windy TRUE, FALSEattribute play yes, nodata% 14 instancessunny,85,85,FALSE,nosunny,80,90,TRUE,noovercast,83,86,FALSE,yesrainy,70,96,FALSE,yesrainy,68,80,FALSE,yesrainy,65,70,TRUE,noovercast,64,65,TRUE,yessunny,72,95,FALSE,nosunny,69,70,FALSE,yesrainy,75,80,FALSE,yessunny,75,70,TRUE,yesovercast,72,9
9、0,TRUE,yesovercast,81,75,FALSE,yesrainy,71,91,TRUE,no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。推荐使用UltraEdit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。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：头信息(Head information
10、),包括了对关系的声明和对属性的声明。 第二部分：数据信息(Data information),即数据集中给出的数据。从data”标记 开始，后面的是数据信息。(1) 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relation vrelation-namevrelation-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
11、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 90 86 96 .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attribute vattribute-name vdatatype其中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支持的分类（no minal） 型string字符串型date 日期和时间型其中将在下面说明。还可以使用两 个类型“integer”和“real”,但是 WE
12、KA把它们都当作“numeric”看待。注意 “integer”,“real”,“numeric”,“date”,“string” 这些关键字是区分大小写的，而 “relation”“attribute ”和 “date” 则不区分。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。 分类属性 分类属性由vnominal-specification列出一系列可能的类别名称并放在花 括号中：vnominal-namel, vnominal-name2, vnominal-name3, .。数据集中 该属性的值只能是其中一种类别。例如如下的属性声明说明“outlook”属性有
13、三种类别：“sunny”，“ overcast”和 “rainy”。而数据集中每个实例对应的“outlook”值必是这三者之一。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。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示例： ATTRIBUTE LCC string日期和时间属性 日期和时间属性统一用“ date，啖型表示，它的格式是attribute date vdate-format其中是这个属性的名称，vdate-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
14、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(下文有例子)。数据信息数据信息中“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 丁隔开。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：datasunny,85,85,FALSE,no?,78,90,?,yes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 LCCvsLCSHattribute LCC stringattribute LCSH stringdataAG5, Encyclopedias and dictionaries.;Twentieth century.AS262, Science - Soviet Union - History.日期属性的值必须与属性声明中给定的相一致。例如：RELATION TimestampsATTRIBUTE timestamp DATE yyyy-MM-dd HH:mm:ss DATA2001-04-03 12:12:1
