数据挖掘weka数据分类实验报告_第1页
数据挖掘weka数据分类实验报告_第2页
数据挖掘weka数据分类实验报告_第3页
数据挖掘weka数据分类实验报告_第4页
数据挖掘weka数据分类实验报告_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

.使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。iris.arff。的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。所以不存在格式转换的过程。实验所用的ARFF格式数据集如图1所示图1ARFF格式数据集(iris.arff).对于iris数据集，它包含了150个实例(每个分类包含50个实例)，共有sepallength、sepallassclass属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：IrisSetosa、IrisVersicolour和IrisVirginica。实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属性的筛选。实验所需的训练集和测试集均为iris.arff。irisLibSVMC和朴素贝叶斯分类器进行测试和评价，分别在训练数据上训练出分类模型，找出各个模型最优的参数值，并对三个模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。Weka平台部没有集成libSVM分类器，要使用该分类器，需要下载libsvm.jar并导入用“Explorer”打开数据集“iris.arff”，并在Explorer中将功能面板切换到ersfunctionsLibSVM在TestOptions面板中选择Cross-Validatioinfolds=10，即十折交叉验证。然后点击“start”按钮：LibSVM法训练数据集得出的结果参数：–S0–K2–D3–G0.0–R0.0–N0.5–M40.0–C1.0–E0.0010–P0.1.结果分析：将模型应用于测试集：LibSVM法测试数据集得出的结果.分类误差：结果分析：.依然使用十折交叉验证，训练集和测试集相同。使用使用C4.5决策树分类算法训练数据集得出的结果.结果分析：使用该参数指定的C4.5决策树分类器训练数据集，得到准确率为96%，其中150个实例中将模型应用于测试集：使用C4.5分类算法测试数据集得出的结果.分类误差：结果分析：.使用朴素贝叶斯分类算法训练数据集得出的结果参数：无结果分析：为：4个b类实例被错误将将模型应用于测试集：使用朴素贝叶斯分类算法测试数据集得出的结果.分类误差：结果分析：.LibSVMLibSVMC4.5决策树朴素贝叶斯混淆矩阵混淆矩阵0.1080.1483比较结果分析：LibSVM算法相比C

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论