weka_ 聚类分析实例演练

weka_ 聚类分析实例演练

1、数据准备： 下载链接  http://download.csdn.net/detail/xuxurui007/6753847

2、聚类原理

     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。

     现在我们对前面的“bank data”作聚类分析，使用最常见的K均值（K-means）算法。下面我们简单描述一下K均值聚类的步骤：     1）K均值算法首先随机的指定K个簇中心；

          2）将每个实例分配到距它最近的簇中心，得到K个簇；

          3）分别计算各簇中所有实例的均值，把它们作为各簇新的簇中心。

          4）重复1)和2)，直到K个簇中心的位置都固定，簇的分配也固定。

     上述K均值算法只能处理数值型的属性，遇到分类型的属性时要把它变为若干个取值0和1的属性。WEKA将自动实施这个分类型到数值型的变换，而且WEKA会自动对数值型的数据作标准化。这样得到的数据文件为“bank.arff”，含600条实例。

3、实现步骤

     （1）用“Explorer”打开刚才得到的“bank.arff”（600条实例数据）。

     （2）切换到“Cluster”，  点击“Choose”按钮选择“SimpleKMeans”，这是WEKA中实现K均值的算法。

    

     （3）点击旁边的文本框， 修改“numClusters”为6，说明我们希望把这600条实例聚成6类，即K=6； 下面的 “seed”参数 是要设置一个 随机种子  ，依此产生一个 随机数  ， 用来得到K均值算法中第一次给出的K个簇中心的位置。 我们不妨暂时让它就为10，点击OK。

     （4）选中“Cluster Mode”的“Use training set”（使用训练集），选择“Store clusters for visualization”（存储聚类可视化），点击“Start”按钮。

     （5）观察右边“Clusterer output”给出的聚类结果。也可以在左下角“Result list”中这次产生的结果上点右键，“View in separate window”在新窗口中浏览结果。

 

3、结果分析

（1）首先我们注意到结果中有这么一行（误差平方和）：  Within cluster sum of squared errors: 1604.7416693522332

这是评价聚类好坏的标准，数值越小说明 同一簇 实例之间的距离越小。

     实际上如果把“seed”参数改一下，得到的这个数值就可能会不一样， 例如 将“seed”取200，就得到  ：

 Within cluster sum of squared errors: 1555.6241507629218  

（也许实际得到的值不一样）应该取后面这个，当然再尝试几个seed，这个数值可能会更小 （该数值越小，说明同一簇实例直接的距离越小，聚类的结果也就越好。多次试验，找到该值趋于最小的值（实例容量越大，越难找），即得到了本次实验最好的方案结果）  。

     （2） 接下来“Cluster centroids:”之后列出了各个簇中心的位置。对于数值型的属性，簇中心就是它的均值（Mean）；分类型的就是它的众数（Mode）， 也就是说这个属性上取值为众数值的实例最多。对于数值型的属性，还给出了它在各个簇里的标准差（Std Devs）。

     （3） 最后的“  Clustered Instances ”是 各个簇中实例的数目及百分比。

     （4）为了观察可视化的聚类结果，我们在左下方“Result list”列出的结果上右击，点“  Visualize cluster assignments ”。

 

     弹出的窗口给出了  各实例的散点图 。最上方的两个框是选择横坐标和纵坐标，第二行的“color”是散点图着色的依据，默认是根据不同的簇“Cluster”给实例标上不同的颜色。 可以在这里点“Save”把聚类结果保存成ARFF文件。

  

  

     在这个新的ARFF文件中，“instance_number”属性表示某实例的编号，“Cluster”属性表示聚类算法给出的该实例所在的簇。