数据挖掘技术实验指导书.docx
《数据挖掘技术实验指导书.docx》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.docx（34页珍藏版）》请在冰点文库上搜索。
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\CompanionCD\Datafiles\Chapter_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:
//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“Discretize”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（WaikatoEnvironmentforKnowledgeAnalysis），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
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ACMSIGKDD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。
代码:
%ARFFfilefortheweatherdatawithsomenumricfeatures
%
@relationweather
@attributeoutlook{sunny,overcast,rainy}
@attributetemperaturereal
@attributehumidityreal
@attributewindy{TRUE,FALSE}
@attributeplay{yes,no}
@data
%
%14instances
%
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
overcast,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（Headinformation）,包括了对关系的声明和对属性的声明。
第二部分：
数据信息（Datainformation）,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
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
-----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
①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
②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
③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
④日期和时间属性统一用“date”类型表示，它的格式是
@attributedate[]
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-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（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。
例如：
@relationLCCvsLCSH
@attributeLCCstring
@attributeLCSHstring
@data
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。
例如：
@RELATIONTimestamps
@ATTRIBUTEtimestampDATE"yyyy-MM-ddHH:
mm:
ss"
@DATA
"2001-04-0312:
12:
12"
"2001-05-0312:
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,"classA"
0,0,W,0,"classB"
用稀疏格式表达的话就是
@data
{1X,3Y,4"classA"}
{2W,4"classB"}
每个实例用花括号括起来。
实例中每一个非0的属性值用<空格>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（CommaSeparatedvalue），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CSV
Excel的XLS文件可以让多个二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“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。
（4）使用“ArffViewer”模块完成CSV文件转为Arff文件
在WEKA3.5中提供了一个“ArffViewer”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4ArffViewer”模块
图4ArffViewer”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“NoClass”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：
id
auniqueidentificationnumber
age
ageofcustomerinyears（numeric）
sex
MALE/FEMALE
region
inner_city/rural/suburban/town
income
incomeofcustomerr（numeric）
married
isthecustomermarried（YES/NO）
children
numberofchildren（numeric）
car
doesthecustomerownacar（YES/NO）
save_acct
doesthecustomerhaveasavingaccount（YES/NO）
current_acct
doesthecustomerhaveacurrentaccount（YES/NO）
mortgage
doesthecustomerhaveamortgage（YES/NO）
pep
didthecustomerbuyaPEPafterthelastmailing（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@attributechildrennumeric
改为@attributechildren{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“Nominal”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-B10-M-0.1-Rfirst-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。
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WEKAExplorer的主界面，解释1~8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。
[1]
[2]
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，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，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Openfile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：
@attributechildrennumeric改为：
@attributechildren{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，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
升级会员 