weka案例实用word文档 18页Word文件下载.docx
- 文档编号:13433292
- 上传时间:2022-10-10
- 格式:DOCX
- 页数:15
- 大小:26.91KB
weka案例实用word文档 18页Word文件下载.docx
《weka案例实用word文档 18页Word文件下载.docx》由会员分享,可在线阅读,更多相关《weka案例实用word文档 18页Word文件下载.docx(15页珍藏版)》请在冰豆网上搜索。
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
@relation<
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85908696...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<
attribute-name>
<
datatype>
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<
有四种,分别是
numeric-------------------------数值型
nominal-specification>
-----分类(nominal)型
string----------------------------字符串型
date[<
date-format>
]--------日期和时间型
和<
将在下面说明。
还可以使用两个类型“integer”和“real”,但是WEKA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<
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>
...}。
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。
@attributeoutlook{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:
@ATTRIBUTELCCstring
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
name>
date[<
]
是这个属性的名称,<
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(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“,”隔开。
如果某个属性的值是缺失值(missingvalue),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
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。
@relationLCCvsLCSH
@attributeLCCstring
@attributeLCSHstring
AG5,'
Encyclopediasanddictionaries.;
Twentiethcentury.'
AS262,'
Science--SovietUnion--History.'
日期属性的值必须与属性声明中给定的相一致。
@RELATIONTimestamps
@ATTRIBUTEtimestampDATE"
yyyy-MM-ddHH:
ss"
@DATA
"
201X-04-0312:
12:
12"
201X-05-0312:
59:
55"
稀疏数据
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。
稀疏格式是针对数据信息中某个实例的表示而言,不需要修改ARFF文件的其它部分。
看如下的数据:
0,X,0,Y,"
classA"
0,0,W,0,"
classB"
用稀疏格式表达的话就是
{1X,3Y,4"
}
{2W,4"
每个实例用花括号括起来。
实例中每一个非0的属性值用<
index>
空格>
value>
表示。
是属性的序号,从0开始计;
是属性值。
属性值之间仍用逗号隔开。
这里每个实例的数值必须按属性的顺序来写,如{1X,3Y,4"
},不能写成{3Y,1X,4"
}。
注意在稀疏格式中没有注明的属性值不是缺失值,而是0值。
若要表示缺失值必须显式的用问号表示出来。
Relational型属性
在WEKA3.5版中增加了一种属性类型叫做Relational,有了这种类型我们可以像关系型数据库那样处理多个维度了。
但是这种类型目前还不见广泛应用,暂不作介绍。
数据准备
使用WEKA作数据挖掘,面临的第一个问题往往是我们的数据不是ARFF格式的。
幸好,WEKA还提供了对CSV文件的支持,而这种格式是被很多其他软件所支持的。
此外,WEKA还提供了通过JDBC访问数据库的功能。
在这一节里,我们先以Excel和Matlab为例,说明如何获得CSV文件。
然后我们将知道CSV文件如何转化成ARFF文件,毕竟后者才是WEKA支持得最好的。
面对一个ARFF文件,我们仍有一些预处理要做,才能进行挖掘任务。
.*->
.csv
我们给出一个CSV文件的例子(bank-data.csv)。
用UltraEdit打开它可以看到,这种格式也是一种逗号分割数据的文本文件,储存了一个二维表格。
Excel的XLS文件可以让多个二维表格放到不同的工作表(Sheet)中,我们只能把每个工作表存成不同的CSV文件。
打开一个XLS文件并切换到需要转换的工作表,另存为CSV类型,点“确定”、“是”忽略提示即可完成操作。
在Matlab中的二维表格是一个矩阵,我们通过这条命令把一个矩阵存成CSV格式。
csvwrite('
filename'
matrixname)
需要注意的是,Matllab给出的CSV文件往往没有属性名(Excel给出的也有可能没有)。
而WEKA必须从CSV文件的第一行读取属性名,否则就会把第一行的各属性值读成变量名。
因此我们对于Matllab给出的CSV文件需要用UltraEdit打开,手工添加一行属性名。
注意属性名的个数要跟数据属性的个数一致,仍用逗号隔开。
.csv->
.arff
将CSV转换为ARFF最迅捷的办法是使用WEKA所带的命令行工具。
运行WEKA的主程序,出现GUI后可以点击下方按钮进入相应的模块。
我们点击进入“SimpleCLI”模块提供的命令行功能。
在新窗口的最下方(上方是不能写字的)输入框写上javaweka.core.converters.CSVLoaderfilename.csv>
filename.arff
即可完成转换。
在WEKA3.5中提供了一个“ArffViewer”模块,我们可以用它打开一个CSV文件将进行浏览,然后另存为ARFF文件。
进入“Exploer”模块,从上方的按钮中打开CSV文件然后另存为ARFF文件亦可。
“Exploer”界面
我们应该注意到,“Exploer”还提供了很多功能,实际上可以说这是WEKA使用最多的模块。
现在我们先来熟悉它的界面,然后利用它对数据进行预处理。
图2新窗口打开
图2显示的是使用3.5版"
Exploer"
打开"
bank-data.csv"
的情况。
我们根据不同的功能把这个界面分成8个区域。
区域1的几个选项卡是用来切换不同的挖掘任务面板。
这一节用到的只有“Preprocess”,其他面板的功能将在以后介绍。
区域2是一些常用按钮。
包括打开数据,保存及编辑功能。
我们在这里把"
另存为"
bank-data.arff"
。
在区域3中“Choose”某个“Filter”,可以实现筛选数据或者对数据进行某种变换。
数据预处理主要就利用它来实现。
区域4展示了数据集的一些基本情况。
区域5中列出了数据集的所有属性。
勾选一些属性并“Remove”就可以删除它们,删除后还可以利用区域2的“Undo”按钮找回。
区域5上方的一排按钮是用来实现快速勾选的。
在区域5中选中某个属性,则区域6中有关于这个属性的摘要。
注意对于数值属性和分类属性,摘要的方式是不一样的。
图中显示的是对数值属性“income”的摘要。
区域7是区域5中选中属性的直方图。
若数据集的最后一个属性(我们说过这是分类或回归任务的默认目标变量)是分类变量
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- weka案例实用word文档 18页 weka 案例 实用 word 文档 18