用 WEKA 进行数据挖掘，第 3 部分: 最近邻和服务器端库

简介

在这个 “用 WEKA 进行数据挖掘” 系列之前的两篇文章中，我介绍了数据挖掘的概念。如果您还未曾阅读过 用 WEKA 进行数据挖掘，第 1 部分：简介和回归 和 用 WEKA 进行数据挖掘，第 2 部分：分类和群集，那么请先阅读这两个部分，因为二者涵盖了一些在继续之前必须了解的关键概念。而且更重要的是，在这两个部分中我谈及了数据挖掘中常用的三种技术，它们可以将难以理解的无用数据转变为有意义的规则和趋势。第一种技术是回归，用来基于其他的示例数据预测一个数值输出（比如房屋价值）。第二种技术是分类（即分类树或决策树），用来创建一个实际的分支树来预测某个未知数据点的输出值。（在我们的例子中，我们预测的是对 BMW 促销活动的反应。）我介绍的第三种技术是群集，可用它来创建数据组（群集）并从中识别出趋势和其他规则（在我们的例子中，即 BMW 的销售）。三者的相似点在于它们都能将数据转换成有用信息，但它们各自的实现方法以及使用的数据各不相同，而这正是数据挖掘最为重要的一点：正确的模型必须用于正确的数据。

本文将讨论四种常用的数据挖掘技术中的最后一种：最近邻。您将看到它更像是分类与群集的组合，并为我们消灭数据误导的使命提供了另一种有用的武器。

在我们之前的文章中，我们将 WEKA 用作一种独立的应用程序。那么它在实际中能多有用呢？很显然，它并不完美。由于 WEKA 是一种基于 Java 的应用程序，它有一个可被用在我们自己的服务器端代码中的 Java 库。对于大多数人而言，这可能是最为常见的用法，因为您可以编写代码来不断地分析您的数据并动态地做出调整，而不必依赖他人提取数据、将其转换成 WEKA 格式，然后再在 WEKA Explorer 内运行它。