WEKA使用（基础配置+垃圾邮件过滤+聚类分析+关联挖掘）

声明：

1）本文由我bitpeach原创撰写，转载时请注明出处，侵权必究。

2）本小实验工作环境为Windows系统下的WEKA，实验内容主要有三部分，第一是分类挖掘（垃圾邮件过滤），第二是聚类分析，第三是关联挖掘。

3）本文由于过长，且实验报告内的评估观点有时不一定正确，希望抛砖引玉。

（一）WEKA在Ubuntu下的配置

下载解压

• 下载和解压weka

  。下载：

创建目录：sudo mkdir /usr/weka。

解压weka到该目录：unzip weka-3-6-10.zip -d /usr/weka。

配置Ubuntu的环境变量

• 配置环境变量。还是使用vim 在/etc/environment 中配置。（新增WEKAROOT，修改CLASSPATH）

export WEKAROOT=/usr/weka/weka-3-6-10

export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib:$WEKAROOT/weka.jar

最后别忘了 source /etc/environment，加载新的配置文件。

当然了WEKAROOT换成别的名字也可以的，如WEKA_PATH等，切记如果想换名字的话，首先用echo命令查看环境变量参数，指令如下：

echo $WEKAROOT

然后使用unset命令删除掉，指令为unset WEKAROOT

最后新建一个WEKA_PATH环境，新建方法仍然是往environment文件里写入并更新。

运行WEKA

• 运行WEKA，运行命令：cd $WEKAROOT（或者cd $WEKA_PATH）

运行命令：java -Xmx1000M -jar weka.jar（或者java -jar weka.jar）

Java虚拟机进程能构从操作系统那里挖到的最大的内存，以字节为单位，如果在运行java程序的时候，没有添加-Xmx参数，那么就是64兆，这是java虚拟机默认情况下能从操作系统那里挖到的最大的内存。如果添加了-Xmx参数，将以这个参数后面的值为准，例如本指令下最大内存就是1000兆。

快速启动WEKA

• 更加快捷的运行weka，输入以下命令：
  sudo touch /usr/bin/weka
  sudo chmod 775 /usr/bin/weka
  sudo vi /usr/bin/weka

输入以下代码：
    #!/bin/bash
    cd $WEKAROOT 或 cd $WEKA_PATH
    java -Xmx1000M -jar weka.jar
    保存退出vim
    以后要运行weka，只要在命令行里直接键入命令 weka 就可以了。这里附上vim编辑的一些经验：

1）vi 的进入

在 shell 模式下，键入vi 及需要编辑的文件名，即可进入vi。

例如：

vi example.txt

即可编辑 example.txt 文件。如果该文件存在，则编辑界面中会显示该文件的内容，并将光标定位在文件的第一行；如果文件不存在，则编辑界面中无任何内容。如果需要在进入vi 编辑界面后，将光标置于文件的第n 行，则在vi命令后面加上+n 参数即可。例如需要从example.txt 文件的第5 行开始显示，则使用如下命令：

vi +5 example.txt

2）退出 vi

退出 vi 时，需要在末行模式中输入退出命令q。

如果在文本输入模式下，首先按ESC 键进入命令模式，然后输入": "进入末行模式。在末行模式下，可使用如下退出命令：

:q             直接退出如果在文本输入模式下修改了文档内容则不能退出

:wq             保存后退出

:x             同 wq

:q!             不保存内容强制退出

（二）WEKA在Windows下的配置

安装WEKA的EXE程序包

• 下载weka在Windows下的可执行包

官方网站提供两类Windows下的可执行包，一类是OS直接运行的，另一类是在JVM里运行的，我下载的是基于JVM运行的类型的可执行包。

安装过程没有什么可说的，Windows下的安装过程非常简单易懂。

运行WEKA

• 运行Weka

运行Weka有两类方式，一类是通过OS的操作方式运行，如双击运行或调用exe等等。还有一类是通过Java命令运行。

OS操作下运行Weka感觉上是没有什么问题，注意是"感觉上"没有问题！事实上通过OS运行，由于什么错误也没有，可能发觉不到Weka的一些Warning。直到你需要某项Weka读取数据库的功能操作时，才发现怎么也运行不通，而却不知道为什么。

在调用Java命令运行的过程中就发现，几个关于数据库读取的Warning！处理需要一定时间。相关Warning如下：

>java –Xmx1024M –jar weka.jar Trying to add database driver (JDBC): RmiJdbc.RJDriver - Error, not in CLASSPATH? Trying to add database driver (JDBC): jdbc.idbDriver - Error, not in CLASSPATH? Trying to add database driver (JDBC): org.gjt.mm.mysql.Driver - Error, not in CLASSPATH? Trying to add database driver (JDBC): com.mckoi.JDBCDriver - Error, not in CLASSPATH? Trying to add database driver (JDBC): org.hsqldb.jdbcDriver - Error, not in CLASSPATH?

WEKA启动的驱动报错

• 弥补数据库连接的问题方法（Ubuntu和Windows皆出现）

查询网络论坛，说linux和windows均会出现此类问题，我在Ubunntu和Win8都配置过了，确实都会出现这些Warning。

查询网络论坛的一些大神的实验记录与心得，两大OS的解决办法基本相同，先说说Ubuntu

1）Ubuntu解决方法

第一步、下载相关数据驱动包，大约有5个jar包，注意Weka3-6对应的这5个jar包版本各自不同，一定要找对版本的这5个jar包。例如：对于Weka(version 3.5.5) 对于RmiJdbc，一定选择版本3.05或2.5。

名字分别为：hsqldb.jar，idb.jar，mkjdbc.jar，mysql-connector-java-5.1.6-bin.jar，RmiJdbc.jar。

我的Weka版本为3-6-11，使用3-6-8版本的此5个jar包，没有问题。

第二步、解压后把这5个jar包拷贝到/usr/lib/jvm/jdk1.7.0_25 /jre/lib/ext目录下，你的路径可能和我的不一样，记着是你的jdk安装路径就行了。（吐个槽，在这一点上，Ubuntu比Windows好使多了，复制一下这几个jar包就行了，就不会报错了。可是Windows你懂的，修改环境变量起来好累。）

第三步、修改weka数据类型和数据库数据类型的映射。

（对于这步骤操作，Weka官方wiki提供相关文档操作方法http://weka.wikispaces.com/Properties+file）

在weka.jar里面有一个文件/weka/experiment/DatabaseUtils.props，记录了数据库操作的相关参数。还有很多文件DatabaseUtils.props.msaccess，DatabaseUtils.props.mssqlserver等，分别对应了各个数据库的操作参数，

如果你使用msaccess，可以把DatabaseUtils.props.msaccess的内容覆盖DatabaseUtils.props。

如果不对DatabaseUtils.props修改，可能在连接数据库时一切顺利，但在将数据装入准备预处理时，却出现找不到数据类型(can not read from database,unknown data type)之类错误。

没关系，在DatabaseUtils.props加入类型映射就OK了。文件中一般有下面的内容（这里是我用mysql对应的文件覆盖了）：

# JDBC driver (comma-separated list) jdbcDriver=com.mysql.jdbc.Driver # database URL jdbcURL=jdbc:mysql://server_name:3306/database_name # specific data types string, getString() = 0; --> nominal boolean, getBoolean() = 1; --> nominal double, getDouble() = 2; --> numeric byte, getByte() = 3; --> numeric short, getByte()= 4; --> numeric int, getInteger() = 5; --> numeric long, getLong() = 6; --> numeric float, getFloat() = 7; --> numeric date, getDate() = 8; --> date text, getString() = 9; --> string time, getTime() = 10; --> date BigDecimal,getBigDecimal()=11; -->nominal #mysql-conversion CHAR=0 TEXT=0

#mysql-conversion下提供的类型一般是不够的，比如int unsigned就找不到，

所以要加入int是如何映射到weka类型的。

在# specific data types下找到Int对应的java类型，这里是

int, getInteger() = 5; --> numeric

所以在#mysql-conversion下新增INT=5

再加上UNSIGNED类型，INT_UNSIGNED=6（因为unsigned比signed多一倍的数，为防止截断，要取大的类型）

其他类型的映射依次类推。

注意INT和UNSIGNED之间的下划线，缺了的话错误解决不了，我就在这里搞了好久。（Note: in case database types have blanks, one needs to replace those blanks with an underscore, e.g., DOUBLE PRECISION must be listed like this:DOUBLE_PRECISION=2. Notes from http://weka.wikispaces.com/weka_experiment_DatabaseUtils.props#toc4）

第四步，最后最重要的是，把DatabaseUtils.props放到home目录下,重启Weka后生效。并请注意：不同的数据库，书写方法与格式不同，上面是MySql类型，还有SQL Server2000或Oracle等等，格式是不同的，可百度参考相关格式或论坛博客。

2）Windows解决方法

对于找不到jdbc驱动的问题，主要是修改RunWeka.ini，因为屡次修改classpath都不成功。干脆将jar文件的地址加到weka指定的运行时classpath中。RunWeka.ini的位置在Weka总目录下，与Weka.jar是平行目录。打开后内容底部有如下内容：

# The classpath placeholder. Add any environment variables or jars to it that # you need for your Weka environment. # Example with an enviroment variable (e.g., THIRD_PARTY_LIBS): # cp=%CLASSPATH%;%THIRD_PARTY_LIBS% # Example with an extra jar (located at D:\libraries\libsvm.jar): # cp=%CLASSPATH%;D:\\\\libraries\\\\libsvm.jar # Or in order to avoid quadrupled backslashes, you can also use slashes "/": # cp=%CLASSPATH%;D:/libraries/libsvm.jar cp=%CLASSPATH%

根据提示，将jdbc驱动jar文件地址附加到cp变量。

比如mysql jdbc驱动(mysql-connector.jar)在E:/jars/下，则加入下面这句：

cp=%CLASSPATH%;E:/jars/mysql-connector.jar

同时把cp=%CLASSPATH%注释掉，

结果像

cp=%CLASSPATH%;E:/jars/mysql-connector.jar

#cp=%CLASSPATH%

也就是说如果有5个jar包，需要在一行里一个一个写进，而不能用写一个5个jar包所在的总目录来省事。（网上有人说把那5个Jar包解压到weka路径下，然后修改CLASSPATH也能解决，我试过很多次，都不可行。）

至于数据类型映射，参见上面Linux环境下的配置。

最后将DatabaseUtils.props文件放在跟Weka.jar同一目录下即可。

3）Windows下若上述方法失败，仍然报JDBC错误。

解决方法有以下几种：

一、设置系统里环境变量，因为你在RunWeka.ini内设置了classpath，结果仍然不识别，我想应该为系统里的classpath添加路径。

二、使用java命令行，利用临时权限添加classpath的方法

上面两方法，第一种我试了很多遍没有成功，第二种java命令会有问题，但最终成功。

第二种方法方法细节：

一、使用如下命令格式，但是中途出现一些问题

java -classpath E:/Weka-3-6/jars/RmiJdbc.jar -jar weka.jar

依然报5个错误，如下图。

查询相关知识，java的此classpath命令会被-jar屏蔽掉，意思就是说如果java命令里有-jar参数，则会自动屏蔽-classpath添加参数

二、我们尝试修改指令

java -Xbootclasspath/a:/E:/Weka-3-6/jars/Rmijdbc.jar: -jar Weka.jar

运行后发现少了一个错误，我们添加的是Rmijdbc驱动包，减少的错误恰好是RJDriverError，说明我们的目前指令成功，如果需要添加多个jar包，则在路径后面使用分号，逐步添加五个jar包。不要企图使用目录，使用目录仍然不识别。所以添加五个jar包的java指令确实很长。唯一欣慰的是，指令最后成功了，没有错误。不过请注意一点：由上述的分析我们知道它只是不报驱动错误了，以后我们使用数据库，它无法读取识别数据库的类型又是另外一码事。（下面有两张图，第一个图第一个指令是展示企图使用目录添加classpath是不正确的，第一个图第二个指令表明添加具体某一个jar包，成功减少了错误。第二个图第二个指令，一口气写了五个jar包，最后是成功的零错误，正确通过！。）

（三）WEKA使用的准备工作

WEKA数据格式中的数据属性

• 数据格式中的数据属性

1）二元属性（定性的）

二元属性的英文为"binary attribute"，比较好理解。可以认为它是一种特殊的标称属性，只有两个类别或状态：0或1，其中0通常表示该属性不出现，而1表示出现。二元属性又称布尔属性，如果两种状态对应于true和false的话。

2）标称属性（定性的）

标称属性的英文为"nominal attribute"，有时候感到不好理解。标称属性值既不是具有有意义的顺序，也不是定量的。每个值代表某种类别、编码或状态，因此标称属性又被看做是分类的（categorical），所以有时候看到顾客的ID或者鞋码尺寸SIZE等，总会误认为是序号属性。所以标称属性要抓住核心概念：标称只是一种分类，即标称数值的数学运算毫无意义。顾客ID有时候会是数值属性，但注意应用的时候，如果顾客ID之间的数值加减乘除没有任何意义，则我们不认为它是数值属性，认为其为标称属性更为恰当。以年龄为例，年龄之间常常涉及到加减，所以年龄总认为是数值属性，鞋码大小不太涉及到加减意义，故认为标称的。

3）数值属性（定量的）

数值属性的英文为"numericattribute"，它是定量的，它是可度量的量。抓住这个概念，也就是说它的数值是有意义的，可以参与加减乘除运算的，其值进行数学运算的结果常常是有意义的。

4）序数属性（定性的）

序数属性的英文单词为"ordinal attribute"，也是不太好理解的一个属性。但是切记序数属性可以通过数值属性离散化得到，并且序数属性往往携带一种重要意义，就是具有有意义的先后次序。以快餐店售卖可乐大小杯为例，0表示小杯，1表示中杯，2表示大杯。它们既可以认为是序数属性，也可以认为是间接的标称属性。或以顾客满意度调查为例，0是很不满意，1是不太满意，2是一般，3是满意，4是非常满意。

WEKA数据集格式属性

• 数据集格式问题

WEKA可识别ARFF格式，也可识别CSV电子数据表格式。虽然我们知道WEKA-Explorer对于两者格式都能够读取，但对于CSV格式与ARFF格式比较感兴趣。

1）CSV和ARFF格式

这里写出CSV的格式，以weather.csv为例，其内容如下表所示。至于其arff格式的规范，我们通过看后续部分，就发现两者实际上通过手动改写。ARFF格式实际上就是统计了CSV格式的属性分类，并加强规范。

outlook,temperature,humidity,windy,play 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

2）两者转化

一、我们知道WEKA读取时会自动转化

二、如果需要人为干预，需要处理两个格式的内容，那么这就是比较有意思的事情了

ARFF文件是Weka默认的储存数据集文件。每个ARFF文件对应一个二维表格。表格的各行是数据集的各实例，各列是数据集的各个属性。

下面是Weka自带的"weather.arff"文件，在Weka安装目录的"data"子目录下可以找到。 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。

%ARFF file for the weather data with some numric features % @relation weather @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 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

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（Head information），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（Data information），即数据集中给出的数据。虽然Weka也支持其他一些格式的文件，但是ARFF格式是支持的最好的。因此有必要在数据处理之前把CSV数据集的格式转换成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，在菜单中找到"Simple CLI"模块，它可提供命令行功能。在新窗口的最下方（上方是不能写字的）的输入框写上

java weka.core.converters.CSVLoader filename.csv > filename.arff

即可完成转换。

在WEKA 3.6中提供了一个"Arff Viewer"模块（在Tools里），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。

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。接下来把得到的CSV文件按照前述步骤转换为ARFF即可。

WEKA分类挖掘的评估标准

• 分类挖掘算法的评估性能标准

  Confusion Matrix是混淆矩阵，提供的评估标准，如下表所示。

Predicted		C1	¬ C1	ALL
Actual	C1	True Positives (TP)	False Negatives (FN)	P
	¬ C1	False Positives (FP)	True Negatives (TN)	N

1）TP/FN/FP/TN

对于C₁事件来说，可将其看成事件中的正面事件，或称为真事件，或称为阳事件。由于预测结果为C₁事件，既然结果为阳事件，正事件。说明实际过程可能由正到正，由负到正，都可成为真正，假正，说明预测都是正的。故TP可称为判正得正或真阳率或真正率，FP则为判负为正或假阳率或假正率。同理FN可推理成为判正得负或真阴率或真反率，TN顺理为判负得负或真阴率或假反率。

2）各评估率

准确率（识别率）

召回率（灵敏度）

精度

3）ROC曲线

反映的是分类器的真正例率（TPR，灵敏度）和假正例率（FPR）之间的权衡，简而言之就说观察"真判正"占据"判真"的比率。如下图所示。

WEKA软件Explorer之Classifier

• Classifier菜单面板区域模块介绍

1）Classifier

点击choose按钮，可以选择weka提供的分类器。常用的分类器有：

a）bayes下的Naïve Bayes（朴素贝叶斯）和BayesNet（贝叶斯信念网络）。

b）functions下的LibLinear、LibSVM（这两个需要安装扩展包）、Logistic Regression、Linear Regression。

c）lazy下的IB1（1-NN）和IBK（KNN）。

d）meta下的很多boosting和bagging分类器，比如AdaBoostM1。

e）trees下的J48（weka版的C4.5）、RandomForest。

2）Test options

评价模型效果的方法，有四个选项。

a）Use training set：使用训练集，即训练集和测试集使用同一份数据，一般不使用这种方法。

b）Supplied test set：设置测试集，可以使用本地文件或者url，测试文件的格式需要跟训练文件格式一致。

c）Cross-validation：交叉验证，很常见的验证方法。N-folds cross-validation是指，将训练集分为N份，使用N-1份做训练，使用1份做测试，如此循环N次，最后整体计算结果。

d）Percentage split：按照一定比例，将训练集分为两份，一份做训练，一份做测试。在这些验证方法的下面，有一个More options选项，可以设置一些模型输出，模型验证的参数。

3）Result list

这个区域保存分类实验的历史，右键点击记录，可以看到很多选项。常用的有保存或加载模型以及可视化的一些选项。

4）Classifier output

分类器的输出结果，默认的输出选项有Run information，该项给出了特征、样本及模型验证的一些概要信息；Classifier model，给出的是模型的一些参数，不同的分类器给出的信息不同。最下面是模型验证的结果，给出了 一些常用的一些验证标准的结果，比如准确率（Precision），召回率（Recall），真阳性率（True positive rate），假阳性率（False positive rate），F值（F-Measure），Roc面积（Roc Area）等。混淆矩阵（Confusion Matrix）给出了测试样本的分类情况，通过它，可以很方便地看出正确分类或错误分类的某一类样本的数量。

一种旧版的WEKA软件

• WEKA旧版

1）背景

为什么要用旧版？

旧版由于受众广，新版虽然新，但API的接口修改没有那么广泛。此旧版WEKA增加新版WEKA所没有的功能，受众修改的程度也较为广泛，如增加ID3可视化树的功能。此版本来自于伍斯特理工学院。软件下载网址如下：

http://davis.wpi.edu/~xmdv/weka/

2）安装

下载旧版的WEKA后，安装包的情况如下图所示。

然而直接运行RunWeka是可以成功的，界面如下：

然而有一个问题，就是点击该旧版Explorer按钮后，没有任何反应或响应。没有反应的原因，是因为没有GL4Java，如果想运行Explorer，必须安装它（旧版网址也强调了该环境）。

那么在如下网址寻找一个插件GL4Java：

http://jausoft.com/Files/Java/1.1.X/GL4Java/binpkg/

GL4Java-Installer里面有主安装程序，然而主安装程序需要一些插件辅助安装

插件的辅助清单如下图红色框内标注所示：

将辅助的插件下载并保存与旧版WEKA同一目录的文件夹内，命名为"binpkg"，文件夹内的目录结构如下图所示，binpkg文件夹内放置都是辅助插件：

然后点击GL4Java内的install.bat，就可以正常安装了，安装界面如下：

切记选中自己安装JDK的位置，然后点击Start即可。

注意：RunWeka.bat和install.bat的点击时不要以管理员身份运行，一旦以管理员身份运行，反而控制台出不来，所以直接双击就好。

3）测试

在打开旧版的WEKA后，点击Explorer，可以出现Explorer界面。

参看分类器挖掘时，我们在使用ID3分类时，可视化树的按钮是灰色的。而使用旧版WEKA后，可以看到可视化树的按钮是可以点击的。如下图所示。

（四）WEKA实验1：分类挖掘

决策树分类挖掘

• 实验目的

利用weka提供的决策树算法，对提供的bank-data.csv数据进行决策树分类挖掘。作业需完成以下内容：

（1）了解weka提供的数据预处理功能，去除bank-data数据中的无用属性（如ID）结构，并对income属性进行离散化处理；

（2）利用weka提供的多个决策树归纳算法，构建决策树模型（最后一个属性pep作为需要预测的属性），比较不同算法所构建模型的差别；

（3）对各种决策胡算法的预测结果进行分析，并比较分类性能。

• 实验过程

  1）数据预处理

  a）数据读取

读取bank-data.csv格式数据，如下图所示。

其中bank-data数据内容呈现出来，如下图所示。

b）删除无用参数

删除无用参数ID，如下图所示。

另存为ARFF格式，并用UltraEdit打开，观察数据格式，如下图所示。

根据ARFF数据格式，展示该数据的属性如下。

@attribute age numeric @attribute sex {FEMALE,MALE} @attribute region {INNER_CITY,TOWN,RURAL,SUBURBAN} @attribute income numeric @attribute married {NO,YES} @attribute children numeric @attribute car {NO,YES} @attribute save_act {NO,YES} @attribute current_act {NO,YES} @attribute mortgage {NO,YES} @attribute pep {YES,NO}

其中{YES,NO}是二元属性，{INNER_CITY,TOWN,RURAL,SUBURBAN}是标称属性，至于{FEMALE,MALE}是标称属性或二元属性，而numeric认为是数值属性。

说句实话，这些属性初学时基本分不清，还要对照课件才能分清楚，甚至有时对照课件都会分不清楚。所以觉得不能脱离英文环境，必须要结合英文，加强理解。可参见WEKA的数据准备里相关知识。

c）修改部分参数的数据属性

我们做一些简单修改，通过观察WEKA中某一参数的分布，如children个数，如下图所示。

children的取值分布为离散，WEKA软件显示children的Type是Numeric。我们观察直方图，children取值为0，1，2，3中的一个。我们修改ARFF格式数据，将

@attribute children numeric

修改为（请注意区分全角半角的符号）

@attribute children {0,1,2,3}

重新使用WEKA读入，再点击children参数，发现其Type更改为Nominal。如下图所示。

这说明了一点，那就是标称属性与数值属性在应用时可能没有明显的界限，只要数据属性服务于我们的要求就行。

d）离散化income参数

选中income，然后选择Filter-unsupervised-attribute-Discretize，然后进行后续操作，如下图所示。

修改income的离散化参数，双击choose按钮旁的命令栏，弹出weka.gui.GenericObjectEditor对话框，最上方两行分别是取值区间，分成几类。修改的参数如下图所示。

点击OK，再在命令栏右边的按钮，为保证对照对比income的分类情况，我们先观察不应用离散处理之前的情形，如下图所示。

点击Apply，对income应用离散化后的生成数据情形，如下图所示，显然将income参数分成了三部分。

我们发现一个有趣的事实，那就是age参数也被分成了三份，如下图所示。

我猜测可能是因为在属性里面，由于我们刚刚修改了children，仅剩下age和income两个参数没有改动，且仍然保持numeric类型，应用离散化时，结果把这两个都分成了三类。说明有两个操作无效：一是只要符合离散化条件的，weka都做离散化，不管你选不选中income；二是对已有标称数值的属性作离散化处理是无效的。

2）各分类挖掘算法

a）J48分类器

打开classifier，点击choose，在分类算法中选择trees-J48，如下图所示。

选择完J48分类器后，返回到classifier界面，在TestOptions内勾选交叉验证（Cross-validation），旁边的默认值10指的是十折交叉验证。在MoreOptions中勾选Output predictions。参数设置如下图所示。

点击Start，启动实验，在右侧的classifier ouput内我们可以看到J48分类器的分类实验结果。如下图所示。

3）各分类器结果分析

a）J48分类器

• 先给出一些文字或数字的结果

本分类器的分类验证结果，如下图所示。

通过右键点击实验记录时间点，选择点击Visualize Tree，可以生成可视化生成树，点击操作如下图所示。

由下图可知，这是预测结果的数据，可以看到每个样本的实际分类，预测分类，预测概率以及是否错分等信息。

其中我们将分类结果文字清晰地呈现出来，进行分析。如下表所示。

=== Stratified cross-validation === === Summary === Correctly Classified Instances 510 85% Incorrectly Classified Instances 90 15% Kappa statistic 0.6983 Mean absolute error 0.2209 Root mean squared error 0.3518 Relative absolute error 44.5145% Root relative squared error 70.6212% Total Number of Instances 600 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.847 0.147 0.829 0.847 0.838 0.862 YES 0.853 0.153 0.869 0.853 0.861 0.862 NO Weighted Avg. 0.85 0.151 0.85 0.85 0.85 0.862 === Confusion Matrix === a b <-- classified as 232 42 | a = YES 48 278 | b = NO

• 可视化结果

生成的可视化树，由于节点或分类参数较多，部分节点无法看清，但总体脉络可以如下图所示。

Explorer的Visualize面板，可以观察两两特征之间的样本点分布情形，如下图所示。

随便选一个区域，例如选择pep和age交叉对应的区域，点击后会出现新的图框，以展示pep特征与age特征之间的关系。如下图所示。

回归到Classifier面板下的ResultLists右键选择实验记录点，然后选择点击Visualize Classify Errors，如下图所示。

选择Visualize Classify Errors此项参数，然后会生成可视化结果，这个结果实际上对应的是可视化的混淆矩阵图示，也就是可以展示误判概率点（正判反，反判正），正确判别概率点（正判正，反判反），图像中十字点表示对判，方形点表示误判，X轴表示实际类别，Y轴表示预测类别。如下图所示。把鼠标放到点上，点击后也能跳出特征点的具体值，方便观察和研究特征点离群原因或不符合正常结论的原因。

同理我们再选取读取Visualize threshold curve参数，选择YES（正类），如下图所示。

Visualize threshold curve参数显示的是分类置信度在不同阈值下，分类效果评价标准的对比情况，其中就包括ROC曲线（纵轴为TP，横轴为FP），如下图所示。

b）ID3分类器

• 先给出一些文字或数字的结果

下面给出ID3的分类文字结果。

=== Stratified cross-validation === === Summary === Correctly Classified Instances 463 77.1667 % Incorrectly Classified Instances 123 20.5 % Kappa statistic 0.5789 Mean absolute error 0.2112 Root mean squared error 0.4536 Relative absolute error 43.5901 % Root relative squared error 92.1819 % UnClassified Instances 14 2.3333 % Total Number of Instances 600 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.801 0.219 0.753 0.801 0.776 0.784 YES 0.781 0.199 0.825 0.781 0.803 0.79 NO Weighted Avg. 0.79 0.208 0.792 0.79 0.79 0.787 === Confusion Matrix === a b <-- classified as 213 53 | a = YES 70 250 | b = NO

下面给出ID3的分类结果的图片示意。

• 可视化结果

生成的可视化树步骤中发现无法生成ID3分类器，说明WEKA原版软件没有提供ID3的可视化树，故我使用了旧版WEKA，得到了相关的可视化树。

（图片这么长的原因，一是分类树有些宽大，二是我对笔记本电脑使用了扩展屏幕截屏所致。）

至于特征之间的关系，如下图所示。

我们选择Age和Income之间的关系进行分析，如下图所示。可以观察到年龄越小，收入越高的样本基本不存在，密集程度较高的是年龄又小收入又少的情形。

其ROC曲线可以如图所示：

c）NBTree分类器

• 先给出一些文字或数字的结果

NBTree是Naive Bayesian分类树，下面给出分类文字结果。

=== Stratified cross-validation === === Summary === Correctly Classified Instances 502 83.6667 % Incorrectly Classified Instances 98 16.3333 % Kappa statistic 0.6697 Mean absolute error 0.2165 Root mean squared error 0.3592 Relative absolute error 43.6251 % Root relative squared error 72.1096 % Total Number of Instances 600 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.799 0.132 0.836 0.799 0.817 0.879 YES 0.868 0.201 0.837 0.868 0.852 0.879 NO Weighted Avg. 0.837 0.169 0.837 0.837 0.836 0.879 === Confusion Matrix === a b <-- classified as 219 55 | a = YES 43 283 | b = NO

在运行状态中，出现明显的停滞和计算停留，说明该分类树收敛慢，计算速度中等，占用一定时间，没有J48分类快速。

• 可视化结果

在这里我们简单展示NBTree的可视化树

其ROC曲线可以如下所示：

d）分析

由于篇幅过长，这里不再列举其他几类分类树的全部过程。我还测试了随机树Random Tree等等其他分类器的分类效果，测试状态如图所示。

在上述三种方法中，由数据分析我可以看到J48的分类效果最好，达到85%，其次是贝叶斯分类，达到83.7%，最差是ID3分类仅有77.1%。

而在WEKA提供的所有方法中，面对bank数据下，我将所有分类器的结果列举成表，以供阅览：

Method Name	Correctly	InCorrectly	TP/FN/FP/TN	BuildModelTIme
J48Graft	85.0000 %	15.0000 %	232/42/48/278	0.05 sec
J48	85.0000 %	15.0000 %	232/42/48/278	0.18 sec
LMT	84.1667 %	15.8333 %	222/52/43/283	16.19 sec
NBTree	83.6667 %	16.3333 %	219/55/43/283	7.3 sec
REPTree	83.5000 %	16.5000 %	229/45/54/272	0.02 sec
SimpleCart	82.3333 %	17.6667 %	213/61/45/281	2.04 sec
LADTree	81.5000 %	18.5000 %	201/73/38/288	0.47 sec
ADTree	80.5000 %	19.5000 %	192/82/35/291	0.19 sec
BFTree	80.3333 %	19.6667 %	217/57/61/265	2.07 sec
RandomForest	79.8333 %	20.1667 %	218/56/65/261	0.04 sec
ID3	77.1667 %	20.5000 %	213/53/70/250	0.13 sec
RandomTree	74.8333 %	25.1667 %	200/74/77/249	0.07 sec
FT	72.5000 %	27.5000 %	190/84/81/245	2.33 sec
DecisionStump	68.5000 %	31.5000 %	110/164/25/301	0.00 sec

解释部分算法：DecisionStump是单层决策树算法，常被作为boosting的基本学习器。LMT是组合树结构和Logistic回归模型，每个叶子节点是一个Logistic回归模型，准确性比单独的决策树和Logistic回归方法要好。NBTree是贝叶斯分类法。ADTree是一种基于boosting的决策树学习算法,其预测准确率比一般决策树高，并可以给出预测置信度，实际中常使用它的改良BICA算法。

由观察可知，J48的分类性能最好。时间收敛快，分类准确。除REPTree外，其余识别率达到80%以上的算法，收敛时间均比J48要长，分类准确性略逊一筹。值得敬佩J48的继承性与改进性，也向ID3致以敬意，没有ID3的优点，C4.5也不会继承，C4.5的信息增益率和剪枝策略是加强收敛与提高准确的重要手段。

垃圾邮件过滤

• 实验目的

利用weka提供的文本分类器实现英文垃圾邮件的过滤，需要完成内容如下：

（1）了解垃圾邮件过滤基本思想；

（2）利用weka的预处理功能将文本转化为向量；

（3）利用weka提供的分类算法实现垃圾邮件的过滤，最少使用两种分类器；

（4）分析分类结果，并对分类器的性能进行比较。实验过程

小知识：1978年5月3日，星期六。网络时代第一批垃圾邮件，由美国DEC公司通过互联网的前身阿帕网发送给了393个接收者。垃圾邮件，指的是不请自来、强行塞入信箱的邮件。在若干年前，邮箱存储空间普遍很小，垃圾邮件能够塞爆邮箱，让人们无法工作。

• 实验过程

简要分析垃圾邮件过滤的实验过程。我的初步思路是将语料库转化为向量，然后分析向量模式，过滤敏感词。最后得到垃圾样本的分类。那么这样文绉绉的话如何实践是个问题，可以说完全不知道。通过查阅互联网，明白其中含义。

语料库转化为向量，无非是将语料库的文字转化为arff格式的可读文本，并且要将文本分词处理，去标点处理等等，否则不能读入WEKA进行后续过滤。

分析向量模式，无非是用WEKA分类器去做分析。

1）数据预处理

a）文本数据读入

我们既可以自己使用Java编程或Python编程，将语料库转换为Arff格式，并做相关处理。也可以使用WEKA的接口，其提供了文本处理的一条龙服务，堪称业内楷模。

其命令行接口在Simple CLI按钮弹出的界面内，如下图所示：

我们使用WEKA的两类功能

TextDirectoryLoader

StringToWordVector

上者具有的功能为将文本转换为ARFF格式，下者具有的功能为将文本分词，去标点处理等。

首先将文本语料以如下目录结构放置，否则WEKA命令行处理失败：

其次,值得一提bare是老师所给语料库的文件名，以及二级目录与末端文件都是老师所给的文件名，也可以根据自己需要随意重命名，只要目录关系正确就行。我的语料库全部放在test文件夹内，所以我的执行命令语句如下，并如图所示：

java weka.core.converters.TextDirectoryLoader -dir test > all_text_examples.arff

我们可以打开此生成ARFF文件，内容如下图所示：

观察可知，WEKA将文本语料库读入后，将每个Part的文件夹内的所有文本归为每一类class。每一类的class内的文本有多个，接下来我们要对每个class内的每将文本作切割处理分词。

接下来，使用WEKA读入文本数据，每个文件夹内的文本数量状态可以如下图所示：

b）注意事项，避免歧途

上面a)文本数据读入，观察其中的图片，可以看到文本读入后的类有part1至part7。请注意，这样的part个数是不对的！这并不是说目录结构不对，而是说文本过滤训练的模型建模的不对！

既然要训练模型分为"不是垃圾邮件(NO)"和"是垃圾邮件(YES)"，那么我们的训练集当然在训练之处，就仅分为两个类别才对。即把垃圾邮件的文本整合在一个文件夹内，不是垃圾邮件的文本整合在另一个文件夹内，总共才两个文件夹，而不是之前part1至part7的七个文件夹。

只有分成两个文件夹去训练，这才是正确的分类结果。如果是part1至part7这样的设置，到最后训练出来的模型效果非常差。指标Relative absolute error大约高达98%，说明根本就没有分类。所以在训练集上，务必就分成两个类，一个类全是正常邮件，另一个类全是垃圾邮件。如下图所示：

c）文本向量化操作

然后选择Filter内unsupervised-attribute-StringToWordVector方法，操作如图所示：

这里简要介绍一下StringToWordVector可能需要自己做调整的参数：

-W 需要保留的单词个数，默认为1000。这不是最终的特征维数，但是维数跟此参数是正相关的

-stopwords <file> 输入停词文件，文件格式为每一个词一行。在读文件到转化特征时会自动去掉这些常用词，系统自带有一套停用词。

-tokenizer <spec> 自定义所要去除的符号，一般为标点符号。默认有常用的标点符号，但往往是不够的，所以需自己添加

其他参数只需默认值即可，可以按照图中红框的显示值修改好，可如图所示修改。

在GUI当中，还有一些参数设置需要介绍：lowerCaseTokens是否区分大小写，默认为false不区分，这里一般要设置为ture，因为同一个词就会有大小写的区别。至此文本便被分离成向量化格式。正确的向量化文本应当如下图所示：

我们注意到文本向量化的结构大致为如下，下面使用伪代码进行示意向量化文本的内容：

@attribute @@class@@ {msg,spam}

@attribute WORD1 numeric

@attribute WORD2 numeric

@attribute WORD3 numeric

@attribute WORD4 numeric

{1 0.693147,2 1.098612,4 1.386294,……,}

{4 2.70805 ,7 1.098612,8 2.639057,……,}

{0 spam,8 4.672829,9 1.791759,13 1.791759,……,}

{0 spam,2 3.218876,4 1.386294,8 2.397895,……,}

这里class的标签放在第一列。spam代表垃圾邮件，而没有标出标签的代表正常邮件，即msg。为什么spam标记出来而msg没有，这说明WEKA的命令一脉相承，即使没有出现msg标签，也可以继续投入使用。

2）垃圾邮件分类训练

a）IBk懒惰分类器

懒惰分类器顾名思义，该算法不需要太操心，投入即可使用，参数使用起来方便，参数设定不需要太专业，自然效果一般。IBk本质上就是距离为k的k最近邻分类器。IB1显然就是距离为1的k近邻分类，距离为1说明只有一个邻居，也就是说IB1总共分成两个类。选择IBk该分类器的流程如下图所示：

由于该垃圾邮件的结论具有二值性，要么是垃圾邮件，要么不是垃圾邮件。故在kNN个数上设置为1，也就是说总共分成两个类进行训练。交叉验证设为三份，便于训练快速。如下图所示：

于是，最后一步，切记将分析对象调整至class标签，否则分类不正确。调整对象的操作流程可下图所示。

最后，我们的图片结果如下：

文字结果摘录如下：

=== Stratified cross-validation === === Summary === Correctly Classified Instances 1942 88.9194 % Incorrectly Classified Instances 242 11.0806 % Kappa statistic 0.5221 Mean absolute error 0.1113 Root mean squared error 0.3326 Relative absolute error 42.6065 % Root relative squared error 92.0846 % Total Number of Instances 2184 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.959 0.496 0.914 0.959 0.936 0.733 msg 0.504 0.041 0.694 0.504 0.584 0.733 spam Weighted Avg. 0.889 0.425 0.88 0.889 0.882 0.733 === Confusion Matrix === a b <-- classified as 1772 75 | a = msg 167 170 | b = spam

观察分类效果，正确分类达到88.9%，这个结果较为不错，可以接受，可以认为分类训练较为合理。观察精度precision可知，平均为88%，查全率大约为89%。总体效果良好。

b）聚类分析之SimpleKMeans

我们使用聚类来做一次分析，请注意垃圾的过滤模型需要分类挖掘，而不是聚类。这里做聚类仅仅是观察样本的区分程度。

选择SimpleKMeans聚类，将聚类簇数设为两个，并将聚类分析对象设定为class标签，最后生成结果如下：

文字结果大致如下：

Number of iterations: 11 Within cluster sum of squared errors: 43032.64174958714 === Model and evaluation on training set === Clustered Instances 0 464 ( 21%) 1 1720 ( 79%) Class attribute: @@class@@ Classes to Clusters: 0 1 <-- assigned to cluster 388 1459 | msg 76 261 | spam Cluster 0 <-- spam Cluster 1 <-- msg Incorrectly clustered instances :    649.0     29.7161 %

由此观察可知，迭代11次后聚成两类，聚类失败的样本大约为29%，即有71%的样本可以成功聚类，在这71%的可聚在一起的样本中又有其中的79%聚成1号类，其中的21%聚成0号类。

（五）WEKA实验2：聚类分析

聚类分析

• 实验目的

利用weka提供的k-means算法，对提供的bank-data.csv数据进行决策树分类挖掘。作业需完成以下内容：

（1）了解weka提供的数据预处理功能，去除bank-data数据中的无用属性（如ID）结构，并对income属性进行离散化处理；

（2）利用weka提供的k-means算法，进行聚类分析，k选不同取值，查看并比较聚类结果；

（3）选择不同的距离函数，重新进行聚类分析，并比较聚类结果。

1）数据预处理

数据预处理工作和之前在分类挖掘相似。

2）K-Means聚类算法

a）选择Cluster

我们对bank数据作聚类分析，选择K-Means算法。操作选项如图所示：

b）设置聚类参数

选择完毕后，需要对K-Means聚类设置相关参数，主要的设置区域如图所示：

显然参数设置的不同，为聚类带来的效果也不同。

主要的参数为NumCluster和Seed。

前者为聚类簇数，后者为种子数。

c）聚成2类的结果

设置聚成2类之后，生成结果如下：

文字结果大致摘录如下：

Number of iterations: 3 Within cluster sum of squared errors: 1737.4061909284878 Time taken to build model (full training data) : 0.24 seconds === Model and evaluation on training set === Clustered Instances 0 252 ( 42%) 1 348 ( 58%) Class attribute: pep Classes to Clusters: 0 1 <-- assigned to cluster 121 153 | YES 131 195 | NO Cluster 0 <-- YES Cluster 1 <-- NO Incorrectly clustered instances :    284.0     47.3333 %

d）聚成3类的结果

假设我们将簇数取为3，随机数为10。生成结果如下：

以及主要指标结果：

可以观察其可视化结果，如图所示：

展示年龄与pep的关系

展示收入与pep的关系

展示地域与pep的关系

由上述几幅图我们可以看出聚类效果并不好，在簇点下聚类点颜色混杂度较高，区分度不好，辨析度不强，不能有效挖掘关系。其重要判定指标文字结果如下：

Class attribute: pep Classes to Clusters: 0 1 2 <-- assigned to cluster 114 90 70 | YES 125 125 76 | NO Cluster 0 <-- YES Cluster 1 <-- NO Cluster 2 <-- No class Incorrectly clustered instances :    361.0     60.1667 %

e）调整参数

调整参数及生成结果如下

参数	NumCluster	Seed	squared errors	Incorrectly instances
			1737.4	284.0     47.3333 %
			1723.0	294.0     49 %
			1778.3	261.0     43.5 %
			1752.7	272.0     45.3333 %
			1756.1	259.0     43.1667 %
			1773.0	271.0     45.1667 %
			2143.0	361.0     60.1667 %
			2121.0	378.0     63 %
			2168.0	340.0     56.6667 %
			2166.0	341.0     56.8333 %
			2159.0	319.0     53.1667 %
			2151.0	295.0     49.1667 %
			1991.0	416.0     69.3333 %
			2018.0	400.0     66.6667 %
			2118.0	353.0     58.8333 %
			2071.0	393.0     65.5 %
			2069.0	336.0     56 %
			2046.0	349.0     58.1667 %
				441.0     73.5 %
			1935.0	416.0     69.3333 %
			1976.0	388.0     64.6667 %
			1925.0	426.0     71 %
			1956.0	378.0     63 %
			1971.0	374.0     62.3333 %
			1889.0	441.0     73.5 %
				414.0     69 %
			1899.0	407.0     67.8333 %
			1914.0	434.0     72.3333 %
			1887.0	396.0     66 %
			1864.0	401.0     66.8333 %
			1805.0	472.0     78.6667 %
				419.0     69.8333 %
			1854.0	411.0     68.5 %
			1831.0	453.0     75.5 %
			1805.0	414.0     69 %
			1813.0	416.0     69.3333 %
			1807.0	473.0     78.8333 %
				445.0     74.1667 %
			1756.0	447.0     74.5 %
			1702.0	459.0     76.5 %
			1689.0	433.0     72.1667 %
			1745.0	450.0     75 %
			1750.0	482.0     80.3333 %
				454.0     75.6667 %
			1718.0	451.0     75.1667 %
			1681.0	476.0     79.3333 %
			1721.0	460.0     76.6667 %
			1657.0	465.0     77.5 %
			1655.0	497.0     82.8333 %
			1647.0	459.0     76.5 %
			1707.0	455.0     75.8333 %
			1599.0	495.0     82.5 %
				469.0     78.1667 %
			1617.0	470.0     78.3333 %

f）数据分析

在同一情况下，根据当前Within cluster sum of squared errors，调整"seed"参数，观察Within cluster sum of squared errors（SSE）变化。采纳SSE最小的一个结果。

结合实际情况，对于pep仅有YES，NO的两个结果的事实，一般聚簇调整为2个。再在2个聚簇的条件内选择合适的方差中心。

3）层次聚类

a）选择层次聚类HierarchicalCluster

鉴于K-Means聚类的操作解释足够详细，这里有详有略地介绍实验内容。如下图展示选择聚类方法：

在如下图所示的按钮中，点击cluster的命令行栏，弹出通知，点选choose可以更换不同的距离函数。

b）层次聚类过程及结果

我们当前选择欧式距离，选择分析对象为Pep，再运行start。生成的图片结果为：

文字摘录结果如下：

Time taken to build model (full training data) : 16.32 seconds === Model and evaluation on training set === Clustered Instances 0 599 (100%) 1 1 ( 0%) Class attribute: pep Classes to Clusters: 0 1 <-- assigned to cluster 274 0 | YES 325 1 | NO Cluster 0 <-- NO Cluster 1 <-- No class Incorrectly clustered instances :    275.0     45.8333 %

对比K-Means聚类，KMeans聚类的参数结果如下。

KMeansIncorrectly clustered instances :    284     43.3333 %

那么再看看层次聚类的结果

0 1 <-- assigned to cluster

274 0 | YES 45.7%

325 1 | NO 54.3%

对比KMeans聚类

Clustered Instances

0 252 ( 42%)

1 348 ( 58%)

为什么这么对比，为什么层次聚类的其中某一个样本单独作为一个类。原因在于层次聚类的规则算法，详情可参见书籍或互联网。层次聚类的最后一次操作，当然为大集合类与最后一个类的合并过程。故WEKA的层次聚类停留在最后一次上。在对比标签的类上，两者聚类的效果近似，没有明显分别。

c）距离函数更改为切比雪夫距离

我们更换距离函数为切比雪夫距离公式，测试结果如图所示。

文字结果摘录如下。

Time taken to build model (full training data) : 8.87 seconds === Model and evaluation on training set === Clustered Instances 0 1 ( 0%) 1 599 (100%) Class attribute: pep Classes to Clusters: 0 1 <-- assigned to cluster 1 273 | YES 0 326 | NO Cluster 0 <-- YES Cluster 1 <-- NO Incorrectly clustered instances :    273.0     45.5 %

曼哈顿距离(Manhattan Distance)可以理解为一阶范数距离，欧式距离(Euclidean Distance)可以理解为二阶范数距离，切比雪夫距离(Chebyshev Distance)可以理解为无穷范数距离。故在更改选择距离范数的策略上，可能不具有左右影响力，原因在于距离函数的公式彼此之间相差无几。

4）K-Means与层次聚类比较

对于K-Means算法，其时间复杂度为O(tKmn)，其中，t为迭代次数，K为簇的数目，m为数据记录数，n为维数

空间复杂度为O((m+K)n)，其中，K为簇的数目，m为数据记录数，n为维数。

以实验为例，在簇数为2的情形下分析bank数据，迭代次数为3次，数据记录数大约为600条，维数为11维。时间复杂度大约为3万，空间复杂度大约为6千。

对于层次聚类算法，层次聚类的空间复杂度O(m²)。总时间复杂度O(m²logm)，其中m是数据记录数。对于本实验而言，空间复杂度大约为36万，时间复杂度上大约近乎100万。故显然在运行时间上，理论分析结果是层次聚类运行时间更长。

根据WEKA分别运行两算法的时间结果，对比可知如下：

Name	K-Means(欧氏，2类)	层次聚类
Time	0.24 sec	16.32 sec

5）文本聚类

可参见垃圾邮件过滤中德聚类分析。

（六）WEKA实验3：Apriori关联挖掘

实验目的

• 实验目的

利用weka提供的关联算法，实现给定数据对象的关联挖掘。

WEKA关联挖掘

1）数据预处理

首先对bank数据进行预处理，预处理的对象包括有"ID"，"income"和"children"。对于ID要remove，对于income使用离散化过滤，使其在1至4之间，形成三份。children则在文本文件中修改参数，详细操作在实验1中应该非常详细，故不再赘述。

唯有处理掉所有Numeric数据，全部转化为Nominal类型数据，才可以使用Apriori算法，否则该算法按钮为灰色不可选状态。

2）关联挖掘

选择Apriori算法的操作如图所示。

对于Apriori的参数窗口，可以点击命令行栏弹出。图片内容如图所示。

详细的参数含义如下罗列：

car 如果设为真，则会挖掘类关联规则而不是全局关联规则。 classindex 类属性索引。如果设置为-1，最后的属性被当做类属性。 delta 以此数值为迭代递减单位。不断减小支持度直至达到最小支持度或产生了满足数量要求的规则。 lowerBoundMinSupport 最小支持度下界。 metricType 度量类型。设置对规则进行排序的度量依据。可以是：置信度（类关联规则只能用置信度挖掘），提升度(lift)，杠杆率(leverage)，确信度(conviction)。 在 Weka中设置了几个类似置信度(confidence)的度量来衡量规则的关联程度，它们分别是： a) Lift ： P(A,B)/(P(A)P(B)) Lift=1时表示A和B独立。这个数越大(>1)，越表明A和B存在于一个购物篮中不是偶然现象,有较强的关联度。 b)Leverage :P(A,B)-P(A)P(B) Leverage=0时A和B独立，Leverage越大A和B的关系越密切。 c) Conviction:P(A)P(!B)/P(A,!B) （!B表示B没有发生） Conviction也是用来衡量A和B的独立性。从它和lift的关系（对B取反，代入Lift公式后求倒数）可以看出，这个值越大, A、B越关联。 minMtric 度量的最小值。 numRules 要发现的规则数。 outputItemSets 如果设置为真，会在结果中输出项集。 removeAllMissingCols 移除全部为缺省值的列。 significanceLevel 重要程度。重要性测试（仅用于置信度）。 upperBoundMinSupport 最小支持度上界。从这个值开始迭代减小最小支持度。 verbose 如果设置为真，则算法会以冗余模式运行。

根据实际情况，我们将参数设置为：

% car   I - 输出项集，若设为false则该值缺省; % numRules  N 10 - 规则数为10; % metricType T 0 – 度量单位选为置信度，(T1-提升度，T2杠杆率，T3确信度); % minMetric  C 0.9 – 度量的最小值为0.9; % delta  D 0.05 - 递减迭代值为0.05; % upperBoundMinSupport U 1.0 - 最小支持度上界为1.0; % lowerBoundMinSupport  M 0.5 - 最小支持度下界为0.5; % significanceLevel S -1.0 - 重要程度为-1.0; % classIndex  c -1 - 类索引为-1输出项集设为真 % (由于car, removeAllMissingCols, verbose都保持为默认值False，因此在结果的参数设置为缺省，若设为True，则会在结果的参数设置信息中分别表示为A, R,V)

那么配置好参数，我们应用关联挖掘算法于bank数据，结果如图所示。

文字结果摘录如下：

Apriori ======= Minimum support: 0.1 (60 instances) Minimum metric <confidence>: 0.9 Number of cycles performed: 18 Generated sets of large itemsets: Size of set of large itemsets L(1): 28 Size of set of large itemsets L(2): 232 Size of set of large itemsets L(3): 524 Size of set of large itemsets L(4): 277 Size of set of large itemsets L(5): 33 Best rules found: 1. income='(43758.136667-inf)' 80 ==> save_act=YES 80 conf:(1) 2. age='(50.666667-inf)' income='(43758.136667-inf)' 76 ==> save_act=YES 76 conf:(1) 3. income='(43758.136667-inf)' current_act=YES 63 ==> save_act=YES 63 conf:(1) 4. age='(50.666667-inf)' income='(43758.136667-inf)' current_act=YES 61 ==> save_act=YES 61 conf:(1) 5. children=0 save_act=YES mortgage=NO pep=NO 74 ==> married=YES 73 conf:(0.99) 6. sex=FEMALE children=0 mortgage=NO pep=NO 64 ==> married=YES 63 conf:(0.98) 7. children=0 current_act=YES mortgage=NO pep=NO 82 ==> married=YES 80 conf:(0.98) 8. children=0 mortgage=NO pep=NO 107 ==> married=YES 104 conf:(0.97) 9. income='(43758.136667-inf)' current_act=YES 63 ==> age='(50.666667-inf)' 61 conf:(0.97) 10. income='(43758.136667-inf)' save_act=YES current_act=YES 63 ==> age='(50.666667-inf)' 61 conf:(0.97)

3）调整参数

根据任务要求，调整MetricType参数，可以得到下表：

	Output
Lift	Minimum support: 0.25 (150 instances) Minimum metric <lift>: 1.1 Number of cycles performed: 15 Generated sets of large itemsets: Size of set of large itemsets L(1): 21 Size of set of large itemsets L(2): 59 Size of set of large itemsets L(3): 16 Best rules found: 1. age='(-inf-34.333333]' 195 ==> income='(-inf-24386.173333]' 174 conf:(0.89) < lift:(1.88)> lev:(0.14) [81] conv:(4.65) 2. income='(-inf-24386.173333]' 285 ==> age='(-inf-34.333333]' 174 conf:(0.61) < lift:(1.88)> lev:(0.14) [81] conv:(1.72) 3. married=YES 396 ==> mortgage=NO pep=NO 171 conf:(0.43) < lift:(1.24)> lev:(0.06) [33] conv:(1.14) 4. mortgage=NO pep=NO 209 ==> married=YES 171 conf:(0.82) < lift:(1.24)> lev:(0.06) [33] conv:(1.82) 5. married=YES mortgage=NO 261 ==> pep=NO 171 conf:(0.66) < lift:(1.21)> lev:(0.05) [29] conv:(1.31) 6. pep=NO 326 ==> married=YES mortgage=NO 171 conf:(0.52) < lift:(1.21)> lev:(0.05) [29] conv:(1.18) 7. children=0 263 ==> pep=NO 167 conf:(0.63) < lift:(1.17)> lev:(0.04) [24] conv:(1.24) 8. pep=NO 326 ==> children=0 167 conf:(0.51) < lift:(1.17)> lev:(0.04) [24] conv:(1.14) 9. married=YES save_act=YES 277 ==> pep=NO 175 conf:(0.63) < lift:(1.16)> lev:(0.04) [24] conv:(1.23) 10. pep=NO 326 ==> married=YES save_act=YES 175 conf:(0.54) < lift:(1.16)> lev:(0.04) [24] conv:(1.15)
Leverage	Minimum support: 0.1 (60 instances) Minimum metric <leverage>: 0.1 Number of cycles performed: 18 Generated sets of large itemsets: Size of set of large itemsets L(1): 28 Size of set of large itemsets L(2): 232 Size of set of large itemsets L(3): 524 Size of set of large itemsets L(4): 277 Size of set of large itemsets L(5): 33 Best rules found: 1. age='(-inf-34.333333]' 195 ==> income='(-inf-24386.173333]' 174 conf:(0.89) lift:(1.88) < lev:(0.14) [81]> conv:(4.65) 2. income='(-inf-24386.173333]' 285 ==> age='(-inf-34.333333]' 174 conf:(0.61) lift:(1.88) < lev:(0.14) [81]> conv:(1.72) 3. age='(-inf-34.333333]' 195 ==> income='(-inf-24386.173333]' current_act=YES 138 conf:(0.71) lift:(1.97) < lev:(0.11) [68]> conv:(2.16) 4. income='(-inf-24386.173333]' current_act=YES 215 ==> age='(-inf-34.333333]' 138 conf:(0.64) lift:(1.97) < lev:(0.11) [68]> conv:(1.86) 5. income='(-inf-24386.173333]' 285 ==> age='(-inf-34.333333]' current_act=YES 138 conf:(0.48) lift:(1.9) < lev:(0.11) [65]> conv:(1.43) 6. age='(-inf-34.333333]' current_act=YES 153 ==> income='(-inf-24386.173333]' 138 conf:(0.9) lift:(1.9) < lev:(0.11) [65]> conv:(5.02)
Conviction	Minimum support: 0.25 (150 instances) Minimum metric <conviction>: 1.1 Number of cycles performed: 15 Generated sets of large itemsets: Size of set of large itemsets L(1): 21 Size of set of large itemsets L(2): 59 Size of set of large itemsets L(3): 16 Best rules found: 1. age='(-inf-34.333333]' 195 ==> income='(-inf-24386.173333]' 174 conf:(0.89) lift:(1.88) lev:(0.14) [81] < conv:(4.65)> 2. mortgage=NO pep=NO 209 ==> married=YES 171 conf:(0.82) lift:(1.24) lev:(0.06) [33] < conv:(1.82)> 3. income='(-inf-24386.173333]' 285 ==> age='(-inf-34.333333]' 174 conf:(0.61) lift:(1.88) lev:(0.14) [81] < conv:(1.72)> 4. age='(50.666667-inf)' 191 ==> save_act=YES 151 conf:(0.79) lift:(1.15) lev:(0.03) [19] < conv:(1.44)> 5. save_act=YES pep=NO 235 ==> married=YES 175 conf:(0.74) lift:(1.13) lev:(0.03) [19] < conv:(1.31)> 6. married=YES mortgage=NO 261 ==> pep=NO 171 conf:(0.66) lift:(1.21) lev:(0.05) [29] < conv:(1.31)> 7. pep=NO 326 ==> married=YES 242 conf:(0.74) lift:(1.12) lev:(0.04) [26] < conv:(1.3)> 8. children=0 263 ==> pep=NO 167 conf:(0.63) lift:(1.17) lev:(0.04) [24] < conv:(1.24)> 9. married=YES save_act=YES 277 ==> pep=NO 175 conf:(0.63) lift:(1.16) lev:(0.04) [24] < conv:(1.23)> 10. current_act=YES pep=NO 244 ==> married=YES 177 conf:(0.73) lift:(1.1) lev:(0.03) [15] < conv:(1.22)>

至此关联挖掘的实验结束。

（七）WEKA实验改进：二次开发

实验目的

• 实验目的

（1）尝试简单的WEKA二次开发入门知识；

（2）总结网络及论坛的各类二次开发经验与技巧；

（3）实践二次开发的小实验。

WEKA二次开发的准备工作

1）WEKA二次开发的准备分析

通过咨询老师和查阅网络论坛资料，发现WEKA二次开发过程提供的教程良莠不齐。原因归结于几点：

a)WEKA版本众多，稳定版开发版尝试的人均不一样，操作的顺序流程也不尽相同。

b)WEKA的二次开发涉及到Eclipse，不同版本的操作软件集成环境也不尽相同。

c)提供的教程有时不充分，涉及到关键的部分时，总是没有详细解释，故需要摸索一条符合实际情况的道路。

2）WEKA二次开发的版本准备

通过结合网络资料，决定要么采用WEKA3-4-X的稳定版，要么采用WEKA3-6-X稳定版本，其中值得一提的是对于WEKA3-5-X网络论坛网友也有尝试，应该是成功的，但是局限在WEKA3-5版本内。二次开发的流程区别在3-4和3-5之间成为分界岭，但应当是细节的不同。历届版本的下载网址见如下：

http://sourceforge.net/projects/weka/files/weka-3-4-windows/

这里我展示WEKA3-4-10和WEKA3-6-11的二次开发环境配置。

3）WEKA3-4-10二次开发的配置

WEKA3-4-10的界面如下：

建立Eclipse的java项目工程，该过程不赘述，然后项目工程的基本目录结构要有，也就是说，得有src文件夹，链接库等。继而开始正式的步骤，右键点击weka项目名，点击导入，并选择文件系统，所选的文件系统为你weka软件目录下的weka-src文件（如果是jar包状态，请解压后导入），导入操作如图所示：

然后选择导入文件的路径，在这里请注意！非常重要的是，一定要选择正确目录。请与java程序中package的路径一致，不要跟网络论坛资料人云亦云！网络论坛教程资料有时不符合你的实际情况。

我通过举例子，下图中有带"勾"的目录，和带"叉"的目录。"勾"是正确的目录,"叉"是错误路径，而"叉"往往都是教程提供的路径，这是因为java程序中package的内容是weka.xxxxxx。那么目录一定要在weka/xxxxx下。

所以导入后，各src下的程序文件都带有weka的"头"，如下图细红框标注所示。如果设置错误的路径，则会提示error，关于无法找到package路径的问题。通过设置正确的文件目录后，基本已无error，大多出现warning，如下图粗红框内所示，这是正常现象。现在已经可以做开发编程，warning并不会影响。

4）WEKA3-6-11二次开发的配置

WEKA3-6-11导入的也是WEKA3-6-11目录下的weka-src，如果weka-src是jar包状态，请解压后导入。导入的路径选择为下图所示，其中红色框为路径节点，蓝色框是点击选择的目录路径，即鼠标点击红色框内文件夹名字，再点击确定即可：

导入后会出现无法解析类型的错误，如下图所示。

一般是缺少动态库所致，此时需要链接相关的库。链接的库jar包全部在weka-src文件夹lib目录下。可对Eclipse的JRE系统库上右键点选"构建路径-配置构建路径"，在弹出的窗口中，选择"添加外部jar"，进入刚才所说的路径，把三个jar导入。此时Eclipse左侧栏产生了"引用库"内容。

此时不再提示无法解析类型错误，但仍然有一些错误未能解决，例如"覆盖超类的错误"没有解决，此问题一般是Java编译器版本设置问题。

修改你的eclipse指定的编译器版本。在选项里的java compiler中指定版本至少在5.0以上。在myEclipse中改变编译器的方法：Project->Properties->JavaCompiler

->ConfigureWorkspace Setting，在弹出的页面中可以进行设置。

如果是Eclipse下，请在"窗口-首选项"下的弹出窗口内，操作如图：

然后点选"java-编译器"，更改一致性级别，调整至1.7，此数值对应编译5.0版本以上，可以提供兼容覆盖超类语法的编译环境。

至此，所有错误都消失，但Warning存在，仍然是不影响二次开发编程的。通过找到"weka gui"下的"guichooser.java"，点击运行，即可看见wekaGUI界面。如需要添加自己的程序，则添加新的java程序，编写符合weka接口的新程序，再通过可视化界面运行即可。

##########点击运行，即可看见wekaGUI界面。如需要添加自己的程序，则添加新的java程序，编写符合weka接口的新程序，再通过可视化界面运行即可。

WEKA二次开发小实验

1）WEKA的classpath链接开发

咨询老师和查阅互联网，教程提供各种不对，所以有一句话说得好，要走出自己的特色道路，不要迷信于别人的道路，不要迷失自己的道路，对自己的道路要自信。这句话意味着，不要认为自己完全不明白，WEKA和java eclipse实验做到这个份上，有些知识要自己去举一反三，触类旁通。以增加LibSvm的jar包为例，这里我们采用链接至系统路径中方法，使WEKA的jar包调用。

灵感在于，咨询老师时，老师建议使用支持向量机的方法去对垃圾邮件作训练。那么如果需要该方法训练，需要下载与WEKA版本对应的jar库，有两个，一个是libsvm.jar，另一个是wlsvm.jar。下载地址可以是：

http://www.cs.iastate.edu/~yasser/wlsvm/

　　下图展示的是WEKA3-4版本就没有保留LibSvm的位置，故无此项。

下图展示的是WEKA3-6版本，它虽然保留LibSvm的位置，但如果缺少其jar包，则显示为蓝色状态。由于我的WEKA为3-6版本，当时Classify里的Classifier-functions内Libsvm是蓝色的，即未连接状态。即使运行，也会报出错误。

所报错误如下：

这是由于没有相关库，而强行运行所致。即便下载了相关库，不进行环境变量的添加，也不行。此时不要迷信别人的方法，也不要迷信我的方法，我的方法是我根据自己的情况摸索出来的。

首先要配置WEKA安装目录下的文件RunWeka.ini配置文件，打开后，观察其中一句语句。显然此语句提供的了classpath的路径。（网上的修改方法完全忽略此语句，如果不注意到这个细节，则南辕北辙。这也是因为3-6版本较高不同于以前的版本的缘故，所以参考别人教程要注意自己的环境。）

然后根据该配置文件的案例，即

# cp=%CLASSPATH%;D:/libraries/libsvm.jar

我们模仿一下，在上面的这个注释下方一行，添加一条语句，类似可如下：

cp=%CLASSPATH%;E:/Weka-3-6/wlsvm.jar;E:/Weka-3-6/libsvm.jar;

请注意，上面的指令具备两个条件，一是你要把这两个相关库放在WEKA目录下，二是指令要写在注释行下方。然后保存关闭，点击RunWeka.bat去更新（记住用管理员权限打开一次，然后再双击打开一次。前者方式的打开会打不开，后者的方式会打开。个中玄妙，唯有实践者才会体会）。此时再打开WEKA-Explorer，寻找Libsvm功能时，是黑色的，可选的，可用的，如下所示：

说明此时可以运行Libsvm成功，至于运行是否成功还未可知。

我们使用Libsvm库对垃圾邮件做分类，一般来说调用Libsvm会出现两个错误：

一是，start后报错：problem evaluating classifier: rand 该问题解决方法是，更新libsvm较高，原因是libsvm的版本低。更为重要的是，WLSvm的文件包下载下来时是ZIP压缩文件，打开后里面会有libsvm，记住不要用WLSvm里的libsvm，这个libsvm不是WEKA软件里链接命名的libsvm。需要下载libsvm.zip压缩包里的文件，并引用这里面的文件。 二是，报错关于不能处理Could not handle Numeric数据 简单，把分类关键标签离散化为二值。以邮件过滤为例，class标签要么是msg代表正常邮件，要么是spam代表垃圾邮件。我们只要离散化class的值即可。我自己操作的时候把msg标为1，spam标为2。

其中离散化成为Nominal类型的图片结果如下：

使用Libsvm生成训练结果的图片如下：

文字结果摘要如下：

=== Classifier model (full training set) === LibSVM wrapper, original code by Yasser EL-Manzalawy (= WLSVM) Time taken to build model: 27.18 seconds === Stratified cross-validation === === Summary === Correctly Classified Instances 1938 88.7363 % Incorrectly Classified Instances 246 11.2637 % Kappa statistic 0.3849 Mean absolute error 0.1126 Root mean squared error 0.3356 Relative absolute error 43.1037 % Root relative squared error 92.9061 % Total Number of Instances 2184 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure ROC Area Class 1 0.73 0.882 1 0.938 0.635 msg 0.27 0 1 0.27 0.425 0.635 spam Weighted Avg. 0.887 0.617 0.901 0.887 0.859 0.635 === Confusion Matrix === a b <-- classified as 1847 0 | a = msg 246 91 | b = spam

观察相关参数，知支持向量机下的精度要比K近邻懒惰算法还要好，召回率与K懒惰算法不相上下，对于正例判决是满分，即百分百，足见支持向量机果然大名鼎鼎。

后记

感谢老师的帮助，没有两位老师的课上教学和课下指导，我是根本不可能做出来的。对于WEKA的理解和HADOOP的理解又不断深入。

本科毕业的时候，我的本科导师就教导过道德经中有云"为学日益，为道日损，损之又损，以至于无为，无为而无不为。"求学日益精进，实践日益渐辛。等到一天，求学不断进步，实践不断圆满，以至于无为，无为也就无不为了，当然这也是理想的境界，也是不断追求的境界。

谢谢老师！真的是麻烦您了！

---

<<<<<<<<<  写在页面最底的小额打赏  >>>>>>>>>

如果读者亲愿意的话，可以小额打赏我，感谢您的打赏。您的打赏是我的动力，非常感激。

必读：如您愿意打赏，打赏方式任选其一，本页面右侧的公告栏有支付宝方式打赏，微信方式打赏。

避免因打赏产生法律问题，两种打赏方式的任一打赏金额上限均为5元，谢谢您的支持。

如有问题，请24小时内通知本人邮件。