用 WEKA 进行数据挖掘，第 3 部分: 最近邻和服务器端库

核心提示： WEKA 内的最近邻 我们为何要使用与分类例子中相同的数据集呢？这是因为分类模型得到的结果，只有 59 % 的准确率，用 WEKA 进行数据挖掘，第 3 部分: 最近邻和服务器端库(5)，而这完全不能接受（比猜想好不到哪去），我们将提高准确率并为这个虚构的经销商提供一些有用的信息，让 WEKA

WEKA 内的最近邻

我们为何要使用与分类例子中相同的数据集呢？这是因为分类模型得到的结果，只有 59 % 的准确率，而这完全不能接受（比猜想好不到哪去）。我们将提高准确率并为这个虚构的经销商提供一些有用的信息。

将数据文件 bmw-training.arff 载入 WEKA，步骤与我们之前在 Preprocess 选项卡中使用的相同。加载数据后，屏幕应该类似于图 1。

图 1. WEKA 内的 BMW 最近邻数据

查看原图（大图）

与我们在之前文章的回归和分类模型中所做的类似，我们接下来应该选择 Classify 选项卡。在这个选项卡上，我们应该选择 lazy，然后选择 IBk（IB 代表的是 Instance-Based，而 k 则允许我们指定要使用的邻的数量）。

图 2. BMW 最近邻算法

查看原图（大图）

现在，我们就准备好可以在 WEKA 内创建我们的模型了。请确保选中 Use training set 以便我们使用刚载入的这个数据集来创建我们的模型。 单击 Start，让 WEKA 运行。图 3 显示了一个屏幕快照，清单 3 则包含了此模型的输出。