数据预处理：Weka 数据挖掘教程

精简数据集 在数据挖掘中, 类似“ID”的属性通常不具备分析价值, 需要移除。 在Weka中， 我们可以通过选中 “id” 属性, 点击 “Remove” 按钮来实现。 操作完成后，将新的数据集保存为 “bank-data.arff” , 并重新打开。 数值属性离散化 一些数据挖掘算法, 例如关联分析, 只能处理标称型属性。 因此, 我们需要对数值型属性进行离散化处理。 本例中, “age”, “income” 和 “children” 三个变量属于数值型。 其中, “children” 只有四个取值: 0, 1, 2, 3。 我们可以直接修改ARFF文件, 将 @attri

数据准备 无用属性去除：- 去除无用信息，如 ID。 离散化：- 处理数值型属性，使其符合算法要求（如关联分析）。 例如：“children”属性，修改为 {0,1,2,3}。

英文版的 Weka 教程，内容挺全，适合刚上手或想系统梳理下思路的朋友。界面比较直观，配合案例，操作起来还蛮顺手的。Weka 本身是用 Java 写的，装起来不麻烦，直接跑 GUI 也能玩数据，不一定非得写代码。你平时用 Python 多也没关系，Weka 更多是让你理解算法思路，比如决策树怎么切分、聚类是怎么分群的。如果你还没试过 Weka，不妨花点时间看看这份教程，说不定就打开了新世界的大门~

增量学习NaiveBayesUpdateable数据源 - ArffLoader评估 - ClassAssigner分类器 - NaiveBayesUpdateable评估 - IncrementalClassifierEvaluator可视化 - TextViewer可视化 - StripChart精度 - Accuracy均方根误差 - RMSE

在数据挖掘领域，WeKa作为一种强大的工具，广泛应用于数据处理和模型评估。其功能包括交叉验证、贝叶斯网络显示、数据源管理以及分类器性能评估。通过WeKa，用户可以有效地处理和分析各种数据集。

WEKA小结：1. 数据预处理- Explorer – Preprocess- Explorer – Select attributes: 可以在Preprocess页面使用属性选择方法。2. 数据可视化- Explorer – Visualize: 二维散布图。3. 分类预测- Explorer – Classify。4. Experimenter: 比较多个算法的性能。5. KnowledgeFlow: 批量/增量学习模式。6. 关联分析- Explorer – Associate。7. 聚类分析- Explorer – Cluster。

数据预的第一步，往往是格式转换。bank-data.xls这个文件就是典型例子，Excel 格式得先变成 Weka 能读的.arff。操作也不复杂，用 Excel 另存成.csv，再扔进 Weka 保存一下就行了，挺顺的。 Weka 的 Explorer 界面还挺直观的，你只要点Open file，选中刚才导出的bank-data.csv，点save，选Arff data files格式，文件名随便起，比如bank-data.arff，保存就搞定。 这种方式适合刚入门的同学，是你还不太熟Python或者Pandas的话，用 Weka 图形界面更省事。而且小文件效果还不错，响应也快。 如果你后面

WEKA全称怀卡托智能分析环境，源代码可通过http://www.cs.waikato.ac.nz/ml/weka获取。WEKA是新西兰的一种鸟名，其主要开发者也来自新西兰。作为公开的数据挖掘工作平台，WEKA集成了多种机器学习算法，涵盖数据预处理、分类、回归、聚类、关联规则以及交互式可视化。想要实现数据挖掘算法或集成自己的方法到WEKA中，并不是一件困难的事情。

WEKA教程：数据挖掘入门指南 WEKA 简介 ... 数据集 ... 数据准备 ... 数据预处理 ... 分类 ... 聚类 ... 关联规则 ... 选择属性 ... 数据可视化 ... 知识流界面 ...