《数据挖掘基础》实验：Weka平台实现分类算法

实验目的

进一步理解分类算法（决策树、贝叶斯），利用weka实现数据集的分类处理，学会调整模型参数，以图或树的形式给出挖掘结果，并解释规则的含义。

实验要求

随机选取数据集（UCI或data文件夹），完成以下内容：（用三种方法：KNN、C4.5算法、贝叶斯算法）

• 文件导入与编辑
• 参数设置说明
• 结果截图
• 结果分析与对比

实验过程

1. 文件导入与编辑

单击Open file，选择自带数据集中的“iris.arff”数据集，数据集如图1所示。

图1 iris数据集

对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal1ength、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。
实验数据集中所有的数据都是实验所需的，不存在属性筛选的问题。

2. 参数设置说明

2.1 KNN算法

单击Classify->choose->lazy->IBK选择KNN算法，如图2所示。

图2 KNN算法选择

单击choose右侧的文本框，弹出参数设置窗口，如下图所示。

图3 KNN算法参数设置

KNN的值即算法中k的值，该值的选择会对算法的结果产生重大影响。
如果k值较小，就相当于用较小邻域中的训练实例进行预测，极端情况下k=1，测试实例只和最接近的一个样本有关，训练误差很小(0)，但是如果这个样本恰好是噪声，预测就会出错，测试误差很大。也就是说，当k值较小时，会产生过拟合的现象。
如果k值较大，就相当于用很大邻域中的训练实例进行预测，极端情况是k=n，测试实例的结果是训练数据集中实例最多的类，这样会产生欠拟合。
在应用中，一般选择较小k并且k是奇数。通常采用交叉验证的方法来选取合适的k值，经过多次验证，选择合适的k值为7。

2.2 C4.5算法

单击Classify->choose->trees->J48选择C4.5算法，如图4所示。

图4 C4.5算法选择

单击choose右侧的文本框，弹出参数设置窗口，如下图所示。

图5 C4.5 算法参数设置

• confidenceFactor为置信度，设为0.25。
• minNumObj表示决策树里每个决策节点最少需要的实例个数。越大则模型复杂度越低，也越不容易过拟合。

2.3 贝叶斯算法

单击Classify->choose->bayes->NaiveBayes选择贝叶斯算法，如图6所示。

图6 贝叶斯算法选择

单击choose右侧的文本框，弹出参数设置窗口，如下图所示。

图7 贝叶斯算法参数设置

结果截图

1. KNN算法

分类结果如图8所示，可知正确率为96.6667%，其中150个实例中的145个被正确分类，5个被错误分类。根据混淆矩阵，被错误分类实例的为： 2个c类实例被错误分类到b，3个b类实例被错误分类到c。

图8 KNN算法结果

2. C4.5算法

分类结果如图9所示，可知准确率为96%，其中150个实例中的144个被正确分类，6个被错误分类。根据混淆矩阵，被错误分类实例的为：2个b类实例被错误分类到c，1个b类实例被错误分类到a；3个c类实例被错误分类到b。生成的决策树为图10。

图9 C4.5算法结果

图10 决策树

3. 贝叶斯算法

分类结果如图11所示，可知准确率为96%，其中150个实例中的144个被正确分类，6个被错误分类。根据混淆矩阵，被错误分类实例的为：2个c类实例被错误分类到b，4个b类实例被错误分类到c。

图11 贝叶斯算法结果

结果分析

对于该数据集，KNN算法准确率更高，但K值的选择是个难点，较好的K值可以带来较优的结果，反之亦然。C4.5算法与朴素贝叶斯算法准确率相同，但贝叶斯算法在对不同实例错误分类较为不均匀，而C4.5算法则对b、c错误分类个数较为均匀，这在一定程度上会影响分类结果，如果侧重于实例c的分类则贝叶斯算法较好，而实例b则C4.5算法较好。