quantmod包进行金融数据分析的实例_机器学习实例-Weka

eka可以实现对数据进行预处理、分类、回归、聚类、关联分析以及在新的交互式界面上的可视化等。本文的目的为（1）提供一个简单可操作的实例；（2）推荐一些描述详细全面质量较高的相关网络教程。

1、软件安装与实例数据下载

（1）软件安装教程：ttps://jingyan.baidu.com/article/93f9803f6e2978e0e56f557a.html

（2）实例数据下载：分类数据iris.arff，回归数据regressiontrain.csv个regression_text.csv

iris.arff

7.5K

·

百度网盘

regress_text.csv

4.8K

·

百度网盘

regrssion_train.csv

11.1K

·

百度网盘

（3）weka自带的数据集位置：在安装路径的weka文件夹下有一个“data”文件，自带的数据集为arff格式。

2、Weka界面简介

• 这里主要使用explorer为例，explorer是使用最广泛的一个模块。 对于各模块的详细讲解请看链接https://wenku.baidu.com/view/020e57f5f61fb7360b4c65cc.html。
• package包里面包含许多机器学习算法，打开这个包可以加载集成weka中的算法，需要注意的是如果直接在该包中下载算法需要科学上网。

3、案例分析（分类与回归）

(1) 导入iris数据，执行分类算法

数据的导入有很多方式，这里以文件导入为例。导入文件数据的格式有很多种，这里以自带的.arff格式为例。当然，数据格式是可以相互转换的（save功能）。

（2）数据分析

a,导入数据，编辑数据和数据格式转换； b,数据预处理，如归一化等； c,导入数据信息的汇总； d,选择参与模型的指标； e,指标的基本信息统计； f,选中指标的直方图； g,运行进程，weka在运行中小鸟会左右摆动，当小鸟停止摆动时运行结束。

（3）模型训练

a,选择要使用的分类算法，双击a的空白处可以弹出来对应算法的参数，自己调节参数； b,模型训练的一些参数设置, 例如选择交叉验证还是选择按比例验证； c,开始运行模型； d运行结果精度统计信息。

这里以RandomForest算法为例（分类）

（4）回归案例

• 在weka中的分类和回归算法都在weka中的classify里面。
• 上述操作过程只是利用数据对模型进行了训练，得到的精度为模型训练精度。如果想要利用已经训练好的模型预测新的数据应该怎么办呢？这里以Weka中的回归作为实例进行说明。
• 训练回归模型的步骤上述分类的模型完全一样，选择的算法位置也是一样的
• 这里以数据“regress”

回归模型训练，训练精度达到0.9678

• 上述对模型进行了训练，下面为对新的数据进行预测，首先添加要测试的数据集

• 设置预测结果的输出格式（csv）和路径
• 在一开始训练的到的模型上右键，re-evaluate model on current test set.

• 预测结果和预测精度

• 此外Weka想python或者R语言一样可以对选择的算法的参数利用“网格寻优”等算法寻找最佳参数。还有一个是Weka可以自动选取最适合数据的机器学习算法，具体操作后续更新。

4、推荐的网络资源

1. https://www.doc88.com/p-8039235380703.html
2. https://wenku.baidu.com/view/fe6c9a7031126edb6f1a10a2.html
3. https://wenku.baidu.com/view/020e57f5f61fb7360b4c65cc.html

参考

1. https://wenku.baidu.com/view/449180c189eb172ded63b7c7.html