数据挖掘weka.docx
《数据挖掘weka.docx》由会员分享，可在线阅读，更多相关《数据挖掘weka.docx（17页珍藏版）》请在冰点文库上搜索。
数据挖掘weka
信息管理学院
08计科
刘晓龙
200808030109
Weka介绍
目录
1.简介
2.数据格式
3.数据准备
4.关联规则（购物篮分析）
5.分类与回归
6.聚类分析
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。
如果想自己实现数据挖掘算法的话，可以看一看weka的接口文档。
在weka中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。
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（已有11年的发展历史）。
Weka的每月下载次数已超过万次。
2.数据格式
首先我们来看看WEKA所用的数据应是什么样的格式。
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
这里我们要介绍一下WEKA中的术语。
表格里的一个横行称作一个实例（Instance），相当于统计学中的一个样本，或者数据库中的一条记录。
竖行称作一个属性（Attrbute），相当于统计学中的一个变量，或者数据库中的一个字段。
这样一个表格，或者叫数据集，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。
Code:
%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。
下面我们来对这个文件的内容进行说明。
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
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
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
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
@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）。
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"
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。
这里每个实例的数值必须按属性的顺序来写，如{1X,3Y,4"classA"}，不能写成{3Y,1X,4"classA"}。
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。
3.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支持得最好的文件格式。
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"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。
预处理
bank-data数据各属性的含义如下：
idauniqueidentificationnumber
ageageofcustomerinyears（numeric）
sexMALE/FEMALE
regioninner_city/rural/suburban/town
incomeincomeofcustomer（numeric）
marriedisthecustomermarried（YES/NO）
childrennumberofchildren（numeric）
cardoesthecustomerownacar（YES/NO）
save_acctdoesthecustomerhaveasavingaccount（YES/NO）
current_acctdoesthecustomerhaveacurrentaccount（YES/NO）
mortgagedoesthecustomerhaveamortgage（YES/NO）
pepdidthecustomerbuyaPEP（PersonalEquityPlan）afterthelastmailing（YES/NO）
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。
我们知道，有些算法，只能处理所有的属性都是分类型的情况。
这时候我们就需要对数值型的属性进行离散化。
在这个数据集中有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。
我们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，我们可以用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。
4.关联规则（购物篮分析）
注意：
目前，WEKA的关联规则分析功能仅能用来作示范，不适合用来挖掘大型数据集。
我们打算对前面的“bank-data”数据作关联规则的分析。
用“Explorer”打开“bank-data-final.arff”后，切换到“Associate”选项卡。
默认关联规则分析是用Apriori算法，我们就用这个算法，但是点“Choose”右边的文本框修改默认的参数，弹出的窗口中点“More”可以看到各参数的说明。
背景知识
首先我们来温习一下Apriori的有关知识。
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（不知道怎么翻译）：
P（L,R）-P（L）P（R）
它和Lift的含义差不多。
Leverage=0时L和R独立，Leverage越大L和R的关系越密切。
Conviction（更不知道译了）：
P（L）P（!
R）/P（L,!
R）（!
R表示R没有发生）
Conviction也是用来衡量L和R的独立性。
从它和lift的关系（对R取反，代入Lift公式后求倒数）可以看出，我们也希望这个值越大越好。
值得注意的是，用Lift和Leverage作标准时，L和R是对称的，Confidence和Conviction则不然。
参数设置
现在我们计划挖掘出支持度在10%到100%之间，并且lift值超过1.5且lift值排在前100位的那些关联规则。
我们把“lowerBoundMinSupport”和“upperBoundMinSupport”分别设为0.1和1，“metricType”设为lift，“minMetric”设为1.5，“numRules”设为100。
其他选项保持默认即可。
“OK”之后在“Explorer”中点击“Start”开始运行算法，在右边窗口显示数据集摘要和挖掘结果。
下面是挖掘出来的lift排前5的规则。
Bestrulesfound:
1.age=52_maxsave_act=YEScurrent_act=YES113==>income=43759_max61conf:
（0.54）（4.05）>lev:
（0.0
[45]conv:
（1.85）
2.income=43759_max80==>age=52_maxsave_act=YEScurrent_act=YES61conf:
（0.76）（4.05）>lev:
（0.0
[45]conv:
（3.25）
3.income=43759_maxcurrent_act=YES63==>age=52_maxsave_act=YES61conf:
（0.97）（3.85）>lev:
（0.0
[45]conv:
（15.72）
4.age=52_maxsave_act=YES151==>income=43759_maxcurrent_act=YES61conf:
（0.4）（3.85）>lev:
（0.0
[45]conv:
（1.49）
5.age=52_maxsave_act=YES151==>income=43759_max76conf:
（0.5）（3.77）>lev:
（0.09）[55]conv:
（1.72）
对于挖掘出的每条规则，WEKA列出了它们关联程度的四项指标。
命令行方式
我们也可以利用命令行来完成挖掘任务，在“SimlpeCLI”模块中输入如下格式的命令：
javaweka.associations.Apriorioptions-tdirectory-path\bank-data-final.arff
即可
升级会员 