Weka官方下载 v3.7.2 中文版

Weka是一款功能十分强大的专业的数据挖掘工具，采用先进的算法进行处理，将数据采集预处理、评估方法等融为一体，不仅提高了数据的精确性，还节省了时间、成本等各项指标，极大地提高了效率。

软件特色

1、可以处理一个数据库的查询结果

2、weka软件支持相同功能的命令行，或是一种基于组件的知识流接口

3、集成自己的算法甚至借鉴它的方法自己实现可视化工具都很简单

4、技术基于假设数据是以一种单个文件或关联的

5、使用Java的数据库链接能力可以访问SQL数据库

软件功能

【原理与实现】

聚类分析中的“类”(cluster)和前面分类的“类”(class)是不同的，对cluster更加准确的翻译应该是“簇”。聚类的任务是把 所有的实例分配到若干的簇，使得同一个簇的实例聚集在一个簇中心的周围，它们之间距离的比较近;而不同簇实例之间的距离比较远。对于由数值型属性刻画的实 例来说，这个距离通常指欧氏距离。

【模型应用】

现在我们要用生成的模型对那些待预测的数据集进行预测了。注意待预测数据集和训练用数据集各个属性的设置必须是一致的。即使你没有待预测数据集的Class属性的值，你也要添加这个属性，可以将该属性在各实例上的值均设成缺失值。

在“Test Opion”中选择“Supplied test set”，并且“Set”成你要应用模型的数据集，这里是“bank-new.arff”文件。

现在，右键点击“Result list”中刚产生的那一项，选择“Re-evaluate model on current test set”。右边显示结果的区域中会增加一些内容，告诉你该模型应用在这个数据集上表现将如何。如果你的Class属性都是些缺失值，那这些内容是无意义 的，我们关注的是模型在新数据集上的预测值。

现在点击右键菜单中的“Visualize classifier errors”，将弹出一个新窗口显示一些有关预测误差的散点图。点击这个新窗口中的“Save”按钮，保存一个Arff文件。打开这个文件可以看到在倒 数第二个位置多了一个属性(predictedpep)，这个属性上的值就是模型对每个实例的预测值。

【建模结果】

OK，选上“Cross-validation”并在“Folds”框填上“10”。点“Start”按钮开始让算法生成决策树模型。很快，用文 本表示的一棵决策树，以及对这个决策树的误差分析等等结果出现在右边的“Classifier output”中。同时左下的“Results list”出现了一个项目显示刚才的时间和算法名称。如果换一个模型或者换个参数，重新“Start”一次，则“Results list”又会多出一项。

Weka怎么使用

1、在启动WEKA时，会弹出GUI选择器，让您选择使用WEKA和数据的四种方式。选择Explorer选项已经足够。

2、weka是基于java，用于数据挖掘和知识分析一个平台。从海量数据中发掘其背后隐藏的种种关系。

3、数据创建完成后，就可以开始创建我们的回归模型了。启动 WEKA，然后选择 Explorer。将会出现 Explorer 屏幕，其中 Preprocess 选项卡被选中。选择 Open File 按钮并选择在上一节中创建的 ARFF 文件。