weka数据挖掘实验报告_第1页
weka数据挖掘实验报告_第2页
weka数据挖掘实验报告_第3页
weka数据挖掘实验报告_第4页
全文预览已结束

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

weka数据挖掘实验报告一、实验目的本实验旨在掌握Weka软件的使用方法，了解数据挖掘的过程和方法以及能够利用Weka进行数据挖掘实验。二、实验环境本实验使用的软件和硬件环境如下：操作系统：Windows10软件：Weka3.8.5硬件配置：IntelCorei7-7700CPU，16GB内存三、实验过程和方法1.数据准备选取了UCIMachineLearningRepository中的Iris鸢尾花数据集，该数据集包含了3类鸢尾花（Irissetosa、Irisversicolor、Irisvirginica）共150个样本，每种花各50个样本，每个样本包含4个特征（花萼长度，花萼宽度，花瓣长度，花瓣宽度）。使用Weka中的Explorer进行数据预处理，将数据集分为训练集（70%）和测试集（30%）。2.模型构建采用十折交叉验证的方式，构建了三个分类器：C4.5决策树、朴素贝叶斯和神经网络。其中，决策树和朴素贝叶斯的参数使用默认值，神经网络采用多层感知机，设置隐层节点为10个，迭代次数为500次。3.模型评估通过对测试集的预测，统计预测准确率、查准率、查全率和F1值等指标，比较三个分类器的性能。同时，对比不同特征子集（全部特征、花萼长度和花瓣宽度两个特征）对分类性能的影响。四、实验结果分析1.模型性能比较在分类器的准确率方面，C4.5决策树达到了最高的98.67%，其次是朴素贝叶斯的96.67%和神经网络的93.33%。通过查准率、查全率和F1值的综合考量，可以得出决策树和朴素贝叶斯的分类性能相对较好。2.特征子集比较分别在全部特征、花萼长度和花瓣宽度两个特征的子集上应用了三个分类器。结果表明，决策树在全部特征和花瓣宽度特征子集上的分类性能较好，而在花萼长度特征子集上表现不如朴素贝叶斯和神经网络。五、实验总结本次实验利用Weka软件构建了三个分类器，对Iris数据集进行了分类处理，并比较了不同分类器和特征子集对分类性能的影响，得出了以下结论：C4.5决策树和朴素贝叶斯的分类性能相对较好，特征子集对分类性能

人人文库> 全部分类> 图纸下载 > 毕业设计

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