用 WEKA 进行数据挖掘，第 2 部分: 分类和群集

核心提示： 查看原图（大图）与我们在 用 WEKA 进行数据挖掘，第 1 部分：简介和回归 中对回归模型所做的类似，用 WEKA 进行数据挖掘，第 2 部分: 分类和群集(6)，我们选择 Classify 选项卡，然后选择 trees 节点，请确保 Use training set 被选中以便我们使用刚刚加

查看原图（大图）

与我们在 用 WEKA 进行数据挖掘，第 1 部分：简介和回归 中对回归模型所做的类似，我们选择 Classify 选项卡，然后选择 trees 节点，然后是 J48 叶子（我不知道为何这就是正式的名称，不过还是接受吧）。

图 2. BMW 分类算法

查看原图（大图）

至此，我们已经准备好可以在 WEKA 内创建我们的模型了。请确保 Use training set 被选中以便我们使用刚刚加载的这个数据集来创建模型。单击 Start 并让 WEKA 运行。模型的输出应类似于清单 3 内的结果。

清单 3. WEKA 的分类模型的输出

Number　of　Leaves　:　28　
　
Size　of　the　tree　:　43　
　
　
Time　taken　to　build　model:　0.18　seconds　
　
===　Evaluation　on　training　set　===　
===　Summary　===　
　
Correctly　Classified　Instances　　　　1774　　　　　　　　59.1333　%　
Incorrectly　Classified　Instances　　　1226　　　　　　　　40.8667　%　
Kappa　statistic　　　　　　　　　　　　　0.1807　
Mean　absolute　error　　　　　　　　　　　0.4773　
Root　mean　squared　error　　　　　　　　　0.4885　
Relative　absolute　error　　　　　　　　　95.4768　%　
Root　relative　squared　error　　　　　　　97.7122　%　
Total　Number　of　Instances　　　　　　　3000　　　
　
===　Detailed　Accuracy　By　Class　===　
　
　　　　　　　　TP　Rate　　FP　Rate　　Precision　　Recall　F-Measure　　ROC　Area　Class　
　　　　　　　　　0.662　　　0.481　　　0.587　　　0.662　　　0.622　　　0.616　　1　
　　　　　　　　　0.519　　　0.338　　　0.597　　　0.519　　　0.555　　　0.616　　0　
Weighted　Avg.　　0.591　　　0.411　　　0.592　　　0.591　　　0.589　　　0.616　
　
===　Confusion　Matrix　===　
　
　　a　　b　　<--　classified　as　
　1009　516　|　　a　=　1　
　710　765　|　　b　=　0