数据挖掘技术实验指导书.docx

1、数据挖掘技术实验指导书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 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-data.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(1)访问WEKA网站http:

2、/www.cs.waikato.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-data.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“Discreti

3、ze”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 WEKA主界面

4、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。 图2 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

5、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-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 features % relation weathe

6、r attribute outlook sunny, overcast, rainy attribute temperature real attribute humidity real attribute windy TRUE, FALSE attribute play yes, no data % % 14 instances % sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes rainy,70,96,FALSE,yes rainy,68,80,FALSE,yes rainy,65,70,TRUE,no o

7、vercast,64,65,TRUE,yes sunny,72,95,FALSE,no sunny,69,70,FALSE,yes rainy,75,80,FALSE,yes sunny,75,70,TRUE,yes overcast,72,90,TRUE,yes overcast,81,75,FALSE,yes rainy,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

8、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),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 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

9、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 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 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 nume

10、ric-数值型 -分类（nominal）型 string-字符串型 date -日期和时间型其中 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：, , , .。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

11、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。 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”类型表示，它的格式是 attribute date 其中是这个属性的名称，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-

12、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）。(3)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(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 LCCvsLCSH attribute LCC stri

13、ng attribute LCSH string data AG5, 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 Timestamps ATTRIBUTE timestamp DATE yyyy-MM-dd HH:mm:ss DATA 2001-04-03 12:12:12 2001-05-03 12:59:55 (4)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

14、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： data 0, X, 0, Y, class A 0, 0, W, 0, class B 用稀疏格式表达的话就是 data 1 X, 3 Y, 4 class A 2 W, 4 class B 每个实例用花括号括起来。实例中每一个非0的属性值用 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。 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。 3、xls,cvs,arff数据格式转化 实际工程中数据常以各种各样

15、的格式存储和加工，如Excel的xls文件,记事本文件，CSV文件，matlab环境下的矩阵。（CSV逗号分隔值文件（Comma Separated value），是一种用来存储数据的纯文本文件格式，通常用于电子表格或数据库软件。 ）WEKA默认的存储数据的格式是ARFF，因此有必要了解其他格式的文件是如何转换为ARFF文件，以方便在weka中处理。用UltraEdit打开bank-data.csv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。图3 使用UltraEdit打开bank-data.csv(1)Excel的xls转化为CSVExcel的XLS文件可以让多个二

16、维表格放到不同的工作表(Sheet)中，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XLS转化为CSV格式的操作。 (2)把一个matlab环境下的矩阵存成CSV格式在Matlab中的二维表格是一个矩阵，通过这条命令把一个矩阵存成CSV格式。 csvwrite(filename,matrixname) 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。因此对于Matllab给出的CSV文件需要用

17、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。 （3）将CSV转换为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。点击进入“Simple CLI”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 java weka.core.converters.CSVLoader filename.csv filename.arff 即可完成转换。(4)使用“Arff Viewer”模块完成CSV文件转为Arff文件在WEKA 3.5中提供了

18、一个“Arff Viewer”模块，可以用它打开一个CSV文件将进行浏览，然后另存为ARFF文件。图4 Arff Viewer”模块图4 Arff Viewer”模块选择文件类型进入“Exploer”模块，从上方的按钮中打开CSV文件然后另存为ARFF文件。4、“Exploer”界面简介图5 “Exploer”界面 图5显示的是使用3.5版Exploer打开bank-data.csv的情况。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

19、功能。在这里把bank-data.csv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

20、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（这里的“pep”正好是），直方图中的每个长方形就会按照该变量的比例分成不同颜色的段。要想换个分段的依据，在区域7上方的下拉框中选个不同的分类属性就可以了。下拉框里选上“No Class”或者一个数值属性会变成黑白的直方图。 区域8是状态栏，可以查看Log以判断是否有错。右边的weka鸟在动的话说明WEKA正在执行挖掘任务。右键点击状态栏还可以执行JAVA内存的垃圾回收。 5、bank-data数据的预处理 bank-data数据各属性的含义如下： ida unique identification numberageage o

21、f customer in years (numeric）sexMALE / FEMALEregioninner_city/rural/suburban/townincomeincome of customerr (numeric) marriedis the customer married (YES/NO)childrennumber of children (numeric) cardoes the customer own a car (YES/NO)save_acctdoes the customer have a saving account (YES/NO)current_acc

22、tdoes the customer have a current account (YES/NO)mortgagedoes the customer have a mortgage (YES/NO)pepdid the customer buy a PEP after the last mailing (YES/NO)5.1数据集属性的选择通常对于数据挖掘任务来说，ID这样的信息是无用的，我们将之删除。在区域5勾选属性“id”，并点击“Remove”。将新的数据集保存一次，并用UltraEdit打开这个ARFF文件。我们发现，在属性声明部分，WEKA已经为每个属性选好了合适的类型。 5.2数

23、值数据属性的离散化处理有些算法，只能处理所有的属性都是分类型的情况。这时候就需要对数值型的属性进行离散化。在bank-data数据集中有3个变量是数值型的，分别是“age”，“income”和“children”。 其中“children”只有4个取值：0，1，2，3。这时我们在UltraEdit中直接修改ARFF文件，把 attribute children numeric 改为 attribute children 0,1,2,3 就可以了。 在“Explorer”中重新打开“bank-data.arff”，看看选中“children”属性后，区域6那里显示的“Type”是不是变成“Nom

24、inal”了？ “age”和“income”的离散化我们需要借助WEKA中名为“Discretize”的Filter来完成。在区域2中点“Choose”，出现一棵“Filter树”，逐级找到“weka.filters.unsupervised.attribute.Discretize”，点击。若无法关闭这个树，在树之外的地方点击“Explorer”面板即可。 现在“Choose”旁边的文本框应该显示“Discretize -B 10 -M -0.1 -R first-last”。 点击这个文本框会弹出新窗口以修改离散化的参数。 图6WEKA中“Discretize”的Filter的离散化的参数

25、设置不打算对所有的属性离散化，只是针对对第1个和第4个属性（见区域5属性名左边的数字），故把attributeIndices右边改成“1,4”。计划把这两个属性都分成3段，于是把“bins”改成“3”。其它框里不用更改，关于它们的意思可以点“More”查看。点“OK”回到“Explorer”，可以看到“age”和“income”已经被离散化成分类型的属性。若想放弃离散化可以点区域2的“Undo”。 如果对“(-inf-34.333333”这样晦涩的标识不满，可以用UltraEdit打开保存后的ARFF文件，把所有的“(-inf-34.333333”替换成“0_34”。其它标识做类似地手动替换。

26、 经过上述操作得到的数据集我们保存为bank-data-final.arff。五、通过实验,要求同学实验中解决以下问题，并递交完整的实验报告1、ARFF数据类型的格式如何，数据如何转换成ARFF数据类型?2、为什么在数据预处理中，需要进行数据数据和分类数据的转换。 3、仔细观察WEKA Explorer 的主界面，解释18区域的对应的含义与作用。 4、访问如下站点，了解IBM和微软在其数据库产品中提供的数据挖掘功能。12实验二一、实验名称 基于关联规则的数据挖掘二、实验目的通过一个已有的训练数据集，观察训练集中的实例，进行关联数据挖掘，更好地理解和掌握关联规则算法的基本原理，建立相应的预测模型

27、，然后对新的未知实例进行预测，通过预测的准确程度来衡量所建立模型的好坏。三、实验要求1、熟悉Weka平台2、掌握关联规则算法3、对数据进行预处理，利用Weka和不同参数设置进行关联分析，对比结果，得出结论，对问题进行总结。四、实验平台计算机、软件WEKA、UtraEdit五、实验数据1、使用银行对资产进行评估的数据bank-data.arf，数据里有12个属性，分别是id,age,sex,region,income,married,children, car, save_act, current_act, mortgage,pep.共600个实例。2、本测试集中将pep属性作为分类的目标类别，

28、因此将其设为缺失值缺失值用？表示。六、实验方法和步骤1、打开WEKA界面选择Explorer进行实验。2、选择Explorer选项，选择Open file打开bank-data.arff数据，打开可以看见数据中的属性，选择属性从右边查看取值范围。 3、进行数据过滤，选择Filter中的Discretize方法，点击Apply，先对ARFF文件进行离散化：用UltraEdit对其进行编辑：attribute children numeric改为：attribute children 0,1,2,3 然后用discretize算法对age和income离散化，并删掉id项因为它对关联规则分析无影响

29、，保存文件。 4、选择Associate项中的Apriori算法分析进行关联数据挖掘，并进行参数调整。记录并分析实验结果。六、实验指导1、Apriori的有关背景知识 对于一条关联规则L-R，我们常用支持度（Support）和置信度（Confidence）来衡量它的重要性。规则的支持度是用来估计在一个购物篮中同时观察到L和R的概率P(L,R)，而规则的置信度是估计购物栏中出现了L时也出会现R的条件概率P(R|L)。关联规则的目标一般是产生支持度和置信度都较高的规则。 有几个类似的度量代替置信度来衡量规则的关联程度，它们分别是 Lift（提升度）： P(L,R)/(P(L)P(R) Lift=1时表示L和R独立。这个数越大，越表明L和R存在在一个购物篮中不是偶然现象。 Leverage：P(L,R)-P(L)P(R) 它和Lift的含义差不多。Leverage=0时L和R独立，Le