Weka案例

本文目录导读：

1. 案例一：使用 J48 决策树进行鸢尾花（Iris）分类
2. 案例二：使用 K-Means 算法进行超市客户分群（聚类）
3. 案例三：使用 Apriori 算法进行购物篮分析（关联规则）
4. 💡 Weka 使用的核心技巧总结：

这是一个非常经典且实用的请求，Weka（Waikato Environment for Knowledge Analysis）是新西兰怀卡托大学开发的开源数据挖掘软件，它最大的优点是不需要编写复杂的代码，图形界面非常友好，非常适合数据分析入门、学术研究以及快速验证机器学习模型。

为了让你能够上手操作并复现结果，我为你设计了3个由浅入深的完整案例，涵盖分类、聚类和关联规则三大核心功能。

使用 J48 决策树进行鸢尾花（Iris）分类

场景：预测鸢尾花的种类（Setosa、Versicolor、Virginica）。 数据集：Weka 自带的 iris.arff 文件。

操作步骤：

1. 打开 Weka：启动 Weka GUI 选择器，点击 Explorer 按钮。
2. 加载数据：
   • 点击 Open file... 按钮。
   • 在 Weka 安装目录的 data 文件夹下选择 iris.arff。
   • 观察右下方 Attributes（属性），可以看到 4 个特征属性（sepallength, sepalwidth, petallength, petalwidth）和 1 个类别属性（class）。
3. 选择分类器：
   • 点击顶部的 Classify 标签页。
   • 在 Classifier 区域，点击 Choose 按钮。
   • 导航路径：trees -> J48（这是 C4.5 算法的 Java 实现）。
4. 设置测试选项：
   • 在 Test options 中选择 Cross-validation（交叉验证），并设置 Folds 为 10（表示10折交叉验证，这是最常用的标准）。
5. 运行与解读：
   • 点击 Start 按钮。
   • 在 Classifier output（分类器输出）右击选择 Result list 中的结果,可以查看详细输出。

核心结果解读（重点看这几个数值）：

• Correctly Classified Instances：正确分类的实例数，通常结果会是 147/150（96%） 左右。
• Kappa statistic：一致性系数，越接近 1 越好。
• Confusion Matrix（混淆矩阵）：这是一个 3x3 的矩阵。
  • 输出结果中通常 a b c <-- classified as 表示预测值,行表示真实值。
  • 你会发现 Setosa 类（通常在矩阵中是最初的一行）全部分类正确，错分的主要是 Versicolor 和 Virginica 之间。
• 可视化：右键点击 Result list 中的结果，选择 Visualize tree（可视化树），你可以看到树形图，根节点是 Petal length（花瓣长度）,这符合生物学常识。

使用 K-Means 算法进行超市客户分群（聚类）

场景：针对顾客的消费数据（这里使用 Weka 自带的 bank-data.arff 或生成模拟数据），将客户分为不同群体，以便实施差异化营销。 数据集：bank-data.arff（包含年龄、收入、是否有房、是否有储蓄等）。

操作步骤：

1. 加载数据：打开 bank-data.arff。
2. 数据预处理（关键步骤）：
   • K-Means 是基于距离的聚类算法，不能处理缺失值和非数值型属性。
   • 点击 Choose 按钮，在 filters -> unsupervised -> attribute 中选择 Remove（用于删除 ID 列）。
   • 点击 Apply 应用过滤。
   • 再次选择 filters -> unsupervised -> attribute -> NumericToNominal，将所有数值属性转换为标称（或直接保留数值，但 age 和 income 需要标准化）。
   • 重要：将 income 属性（如果有的话）转换为数值型，并应用 Standardize（标准化）过滤器，否则收入（数值大）会主导距离计算，导致年龄、子女数等属性失效。
3. 选择聚类器：
   • 点击 Cluster 标签页。
   • 点 Choose，选择 SimpleKMeans（在 clusterers 目录下）。
   • 点击 SimpleKMeans 文本，进入参数设置，设置 numClusters 为 3，seed 保持默认。
4. 运行与解读：
   • 点击 Start。
   • 解读输出：
     • 查看 Final cluster centroids（最终聚类中心）：这是最重要的部分,观察各群体的平均值。
     • 例：Cluster 0 可能 income 极高，age 偏大，属于“高净值客户”；Cluster 1 可能 children 较多,需要教育基金产品。
   • 右键点击结果，选择 Visualize cluster assignments（可视化聚类分配）,可以直观看到分布。

使用 Apriori 算法进行购物篮分析（关联规则）

场景：“啤酒与尿布”的经典案例，分析用户购物车中商品的关联关系。 数据集：需要特定交易稀疏矩阵格式，Weka 自带的 supermarket.arff 是最佳选择。

操作步骤：

1. 加载数据：打开 supermarket.arff（这是一个包含 4627 条交易记录、217 个属性的稀疏矩阵，1 表示购买，0 表示不买）。
2. 减少噪音（可选）：
   • 数据量巨大且规则很多,我们先过滤掉那些购买次数极少的商品。
   • 点击 Choose -> filters -> unsupervised -> attribute -> Remove 选择要删除的列（这里为了快速实验，可以全选删除所有列，然后保留前 10 列作为示例演示，或者直接使用）。
3. 选择关联规则算法：
   • 点击 Associate 标签页。
   • 点击 Choose，选择 Apriori。
4. 调整参数（最关键）：
   • 点击 Apriori 文本进入属性编辑。
   • lowerBoundMinSupport（最小支持度下限）：设为 05（表示商品组合需出现在 5% 的交易中才算频繁项集）。
   • minMetric（最小置信度）：设为 9（表示规则成立的概率需要达到 90%）。
5. 运行与解读：
   • 点击 Start。
   • 观察输出：会生成 Apriori 的规则列表，形如 vegetables=1 fruit=1 ==> frozen foods=1。
   • 解读：Confidence 为 0.91，意味着购买了蔬菜和水果的顾客，有 91% 的概率会购买冷冻食品。
   • Lift（提升度）如果大于 1，说明正相关；若是小于 1 则是负相关。

💡 Weka 使用的核心技巧总结：

1. X-Val 和 Percentage Split 的区别：多分类问题首选 10-fold Cross-validation（10折交叉验证），它比单纯按百分比划分数据（Percentage Split）更稳定、更不容易过拟合。
2. 数据决定了上限：无论是分类还是聚类，预处理（去缺失值、标准化、离散化）比调算法参数重要得多，建议在 Filter 中先使用 Standardize 或 Normalize。
3. 结果保存：
   • 在 Result list 中右键点击结果，选 Save result buffer 保存文本结果。
   • 右键点击结果，选 Visualize classifier errors 查看错误分类的散点图,拖动鼠标可以查看具体是哪个点分错了。

你可以先拿 案例一 跑通整个流程，如果你在操作过程中遇到任何具体的报错信息（File format not recognised” 或者结果中全是 NaN），随时发给我,我来帮你具体排查。