初试weka数据挖掘

偶然间在网上看到了一篇关于weka好的博文，就记录了下来……

   weka下载地址为http://www.cs.waikato.ac.nz/ml/weka/downloading.html    

   读者有时候看到两个图片并列，其中一个是原文的，另一个是我实验时打开的。

一.引入

        数据挖掘、机器学习这些字眼，在一些人看来，是门槛很高的东西。诚然，如果做算法实现甚至算法优化，确实需要很多背景知识。但事实是，绝大多数数据挖掘工程师不需要去做算法层面的东西。他们的精力，集中在特征提取、算法选择和参数调优上。那么，一个可以方便地提供这些功能的工具，便是十分必要的了。而weka，便是数据挖掘工具中的佼佼者。Weka的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），是一款免费的，非商业化的，基于Java环境下开源的机器学习以及数据挖掘软件，它和它的源代码可在其官方网站下载。有趣的是，该软件的缩写weka也是New Zealand独有的一种鸟名，而Weka的主要开发者同时恰好来自新西兰的the University of Waikato。

        下面就是weka鸟，咱看下其风采。

 
        Weka提供的功能有数据处理，特征选择、分类、回归、聚类、关联规则、可视化等。本文将对Weka的使用做一个简单的介绍，并通过简单的示例，使大家了解使用weka的流程。本文将仅对图形界面的操作做介绍，不涉及命令行和代码层面的东西。

二.工具简介

        窗口右侧共有4个应用，分别是

1. Explorer：用来进行数据实验、挖掘的环境，它提供了分类，聚类，关联规则，特征选择，数据可视化的功能。
2. Experimentor：用来进行实验，对不同学习方案进行数据测试的环境。
3. KnowledgeFlow：功能和Explorer差不多，不过提供的接口不同，用户可以使用拖拽的方式去建立实验方案。另外，它支持增量学习。
4. SimpleCLI：简单的命令行界面。

        Weka支持很多种文件格式，包括arff、xrff、csv，甚至有libsvm的格式。其中，arff是最常用的格式，我们在这里仅介绍这一种。 
Arff全称是Attribute-Relation File Format，以下是一个arff格式的文件的例子。 

% 
%  Arff file example 
% 
@relation ‘labor-neg-data’ 
@attribute ‘duration’ real 
@attribute ‘wage-increase-first-year’ real 
@attribute ‘wage-increase-second-year’ real 
@attribute ‘wage-increase-third-year’ real 
@attribute ‘cost-of-living-adjustment’ {‘none’,'tcf’,'tc’} 
@attribute ‘working-hours’ real 
@attribute ‘pension’ {‘none’,'ret_allw’,'empl_contr’} 
@attribute ’standby-pay’ real 
@attribute ’shift-differential’ real 
@attribute ‘education-allowance’ {‘yes’,'no’} 
@attribute ’statutory-holidays’ real 
@attribute ‘vacation’ {‘below_average’,'average’,'generous’} 
@attribute ‘longterm-disability-assistance’ {‘yes’,'no’} 
@attribute ‘contribution-to-dental-plan’ {‘none’,'half’,'full’} 
@attribute ‘bereavement-assistance’ {‘yes’,'no’} 
@attribute ‘contribution-to-health-plan’ {‘none’,'half’,'full’} 
@attribute ‘class’ {‘bad’,'good’} 
@data 
1,5,?,?,?,40,?,?,2,?,11,’average’,?,?,’yes’,?,’good’ 
2,4.5,5.8,?,?,35,’ret_allw’,?,?,’yes’,11,’below_average’,?,’full’,?,’full’,'good’ 
?,?,?,?,?,38,’empl_contr’,?,5,?,11,’generous’,'yes’,'half’,'yes’,'half’,'good’ 
3,3.7,4,5,’tc’,?,?,?,?,’yes’,?,?,?,?,’yes’,?,’good’ 
3,4.5,4.5,5,?,40,?,?,?,?,12,’average’,?,’half’,'yes’,'half’,'good’ 
2,2,2.5,?,?,35,?,?,6,’yes’,12,’average’,?,?,?,?,’good’ 
3,4,5,5,’tc’,?,’empl_contr’,?,?,?,12,’generous’,'yes’,'none’,'yes’,'half’,'good’ 
3,6.9,4.8,2.3,?,40,?,?,3,?,12,’below_average’,?,?,?,?,’good’ 
2,3,7,?,?,38,?,12,25,’yes’,11,’below_average’,'yes’,'half’,'yes’,?,’good’ 
1,5.7,?,?,’none’,40,’empl_contr’,?,4,?,11,’generous’,'yes’,'full’,?,?,’good’ 
3,3.5,4,4.6,’none’,36,?,?,3,?,13,’generous’,?,?,’yes’,'full’,'good’ 
2,6.4,6.4,?,?,38,?,?,4,?,15,?,?,’full’,?,?,’good’ 
2,3.5,4,?,’none’,40,?,?,2,’no’,10,’below_average’,'no’,'half’,?,’half’,'bad’ 

        这个例子来自于weka安装目录data文件下的labor.arff文件，来源于加拿大劳资谈判的案例，它根据工人的个人信息，来预测劳资谈判的最终结果。文件中，“%”开头的是注释。剩余的可以分为两大部分，头信息（header information）和数据信息（data information）。 
头信息中，“@relation”开头的行代表关系名称，在整个文件的第一行（除去注释）。格式是@relation <relation-name>“@attribute”开头的代表特征，格式是@attribute <attribute-name> <datatype>attribute-name是特征的名称，后面是数据类型，常用数据类型有以下几种

• numeric，数字类型，包括integer（整数）和real（实数）
• nominal，可以认为是枚举类型，即特征值是有限的集合，可以是字符串或数字。
• string，字符串类型，值可以是任意的字符串。

        从“@data ”开始，是实际的数据部分。每一行代表一个实例，可以认为是一个特征向量。各个特征的顺序与头信息中的attribute逐个应，特征值之间用逗号分割。在有监督分类中，最后一列是标注的结果。某些特征的数值如果是缺失的，可以用“？”代替。

       使用weka进行数据挖掘的流程如下图：

                          

        其中，在weka内进行的是数据预处理，训练，验证这三个步骤。 
         1）数据预处理：数据预处理包括特征选择，特征值处理（比如归一化），样本选择等操作。 
         2）训练：训练包括算法选择，参数调整，模型训练。 
         3）验证：对模型结果进行验证。 
        本文剩余部分将以这个流程为主线，以分类为示例，介绍使用weka进行数据挖掘的步骤。

        发现我的界面和这个不一样的，不过为了演示需要，未作改动，知道了因为区域4选择的不同在区域5显示的便不同。

三.数据预处理

        数据预处理：打开Explorer界面，点“open file”，在weka安装目录下，选择data目录里的“labor.arff”文件，将会看到如下界面。我们将整个区域分为7部分，下面将分别介绍每部分的功能。

        区域1共6个选项卡，用来选择不同的数据挖掘功能面板，从左到右依次是Preprocess（预处理）、Classify（分类）、Cluster（聚类）、Associate（关联规则）、Select attribute（特征选择）和Visualize（可视化）。 
        区域2提供了打开、保存，编辑文件的功能。打开文件不仅仅可以直接从本地选择，还可以使用url和db来做数据源。Generate按钮提供了数据生成的功能，weka提供了几种生成数据的方法。点开Edit，将看到如下界面

 
        在这个界面，可以看到各行各列对应的值，右键每一列的名字(先点击列名)，可以看到一些编辑数据的功能，这些功能还是比较实用的。

        区域3名为Filter，有些人可能会联想到特征选择里面的Filter方法，事实上，Filter针对特征（attribute）和样本（instance）提供了大量的操作方法，功能十分强大。 
        区域4，可以看到当前的特征、样本信息，并提供了特征选择和删除的功能。在区域4用鼠标选择单个特征后，区域5将显示该特征的信息。包括最小值、最大值、期望和标准差。 
        区域6提供了可视化功能，选择特征后，该区域将显示特征值在各个区间的分布情况，不同的类别标签以不同的颜色显示。 
        区域7是状态栏，没有任务时，小鸟是坐着的，任务运行时，小鸟会站起来左右摇摆。如果小鸟站着但不转动，表示任务出了问题。

四.Filters实例

        点开Filter下面的choose按钮，可以看到如下界面

                    
        Filters可分为两大类，supervised(监督、管理)和unsupervised。supervised下的方法需要类别标签，而unsupervised则不需要。attribute类别表示对特征做筛选，instance表示对样本做选择。

         Case 1：特征值归一化 
        该项功能与类别无关，且是针对attribute的，我们选择unsupervised -> attribute下面的Normalize。点开Normalize所在的区域(在所选择的filter上点击即可)，将看到如下界面。左边的窗口，有几个参数可以选择。点击more，将出现右边的窗口，该窗口详细介绍了此功能。

           

         使用默认参数，点击ok，回到主窗口。在区域4选好将要归一化的特征，可以是一个或多个，然后点击apply。在可视化区域中，我们可以看到特征值从1到3被归一到了0到1之间(看区域5的最大最小值)。

            

        Case 2: 分类器特征筛选 
        该功能与类别相关，选择supervised -> attribute下面的AttributeSelection。该界面有两个选项，evaluator是评价特征集合有效性的方法，search是特征集合搜索的方法。在这里，我们使用InformationGainAttributeEval作为evaluator，使用Ranker作为search，表示我们将根据特征的信息增益值对特征做排序。Ranker中可以设置阈值，低于这个阈值的特征将被扔掉。

             

        点击apply，可以看到在区域4里特征被重新排序，低于阈值的已被删掉。 
        Case 3：选择分类器错分的样本 
        选择unsupervised -> instance下面的RemoveMisclassified，可以看到6个参数，classIndex用来设置类别标签，classifier用来选择分类器，这里我们选择J48决策树，invert我们选择true，这样保留的是错分样本，numFolds用来设置交叉验证的参数。设置好参数之后，点击apply，可以看到样本的数量从57减少到了7。

            

五.分类

        在Explorer中，打开classify选项卡，整个界面被分成几个区域。分别是 
        1）Classifier：点击choose按钮，可以选择weka提供的分类器。常用的分类器有 
              a）bayes下的Naïve Bayes（朴素贝叶斯）和BayesNet（贝叶斯信念网络）。 
              b）functions下的LibLinear、LibSVM（这两个需要安装扩展包）、Logistic Regression、Linear Regression。 
              c）lazy下的IB1（1-NN）和IBK（KNN）。 
              d）meta下的很多boosting和bagging分类器，比如AdaBoostM1。 
              e）trees下的J48（weka版的C4.5）、RandomForest。 
         2）Test options 
        评价模型效果的方法，有四个选项。 
              a）Use training set：使用训练集，即训练集和测试集使用同一份数据，一般不使用这种方法。 
              b）Supplied test set：设置测试集，可以使用本地文件或者url，测试文件的格式需要跟训练文件格式一致。 
              c）Cross-validation：交叉验证，很常见的验证方法。N-folds cross-validation是指，将训练集分为N份，使用N-1份做训练，使用1份做测试，如此循环N次，最后整体计算结果。 
             d）Percentage split：按照一定比例，将训练集分为两份，一份做训练，一份做测试。在这些验证方法的下面，有一个More options选项，可以设置一些模型输出，模型验证的参数。 
        3）Result list 
        这个区域保存分类实验的历史，右键点击记录，可以看到很多选项。常用的有保存或加载模型以及可视化的一些选项。 
        4）Classifier output 
       分类器的输出结果，默认的输出选项有Run information，该项给出了特征、样本及模型验证的一些概要信息；Classifier model，给出的是模型的一些参数，不同的分类器给出的信息不同。最下面是模型验证的结果，给出了   一些常用的一些验证标准的结果，比如准确率（Precision），召回率（Recall），真阳性率（True positive rate），假阳性率（False positive rate），F值（F-Measure），Roc面积（Roc Area）等。Confusion Matrix给出了测试样本的分类情况，通过它，可以很方便地看出正确分类或错误分类的某一类样本的数量。

        Case 1：使用J48对labor文件做分类 
            a.打开labor.arff文件，切换到classify面板。 
            b.选择trees->J48分类器，使用默认参数。 
            c.Test options选择默认的十折交叉验证，点开More options，勾选Output predictions。 
            d.点击start按钮，启动实验。 
            e.在右侧的Classifier output里面，我们看到了实验的结果。

           

        上图给出了实验用的分类器以及具体参数，实验名称，样本数量，特征数量以及所用特征，测试模式。

               

        上图给出了生成的决策树，以及叶子节点数、树的节点数、模型训练时间。如果觉得这样不直观，可以在Result list里面右键点击刚刚进行的实验，点击Visualize Tree，可以看到图形界面的决策树，十分直观。 
           

        再往下是预测结果，可以看到每个样本的实际分类，预测分类，是否错分，预测概率这些信息。

            
        最下面是验证结果，整体的accuracy是73.68%，bad类准确率是60.9%，召回率70.0%，good类准确率是82.4%，召回率75.7%。 
           
        5）  可视化 
        打开Explorer的Visualize面板，可以看到最上面是一个二维的图形矩阵，该矩阵的行和列均为所有的特征（包括类别标签），第i行第j列表示特征i和特征j在二维平面上的分布情况。图形上的每个点表示一个样本，不同的类别使用不同的颜色标识。下面有几个选项，PlotSize可以调整图形的大小，PointSize可以调整样本点的大小，Jitter可以调整点之间的距离，有些时候点过于集中，可以通过调整Jitter将它们分散开。

          

        上图是duration和class两个特征的图形，可以看出，duration并不是一个好特征，在各个特征值区间，good和bad的分布差不多。 
单击某个区域的图形，会弹出另外一个窗口，这个窗口给出的也是某两个特征之间分布的图形，不同的是，在这里，通过点击样本点，可以弹出样本的详细信息。可视化还可以用来查看误分的样本，这是非常实用的一个功能。分类结束后，在Result list里右键点击分类的记录，选择Visualize classify errors，会弹出如下窗口。

           

        这个窗口里面,十字表示分类正确的样本，方块表示分类错误的样本，X轴为实际类别，Y轴为预测类别，蓝色为实际的bad，红色为实际的good。这样，蓝色方块就表示实际为bad，但为误分为good的样本，红色方块表示实际为good，被误分为bad的样本。单击这些点，便可以看到该样本的各个特征值，分析为什么这个样本被误分了。 
        再介绍一个比较实用的功能，右键点击Result list里的记录，选择Visualize threshold curve，然后选好类别(bad 还是good)，可以看到如下图形。

            

         该图给出的是分类置信度在不同阈值下，分类效果评价标准的对比情况。上图给出的是假阳性比率和真阳性比率在不同阈值下的对比，其实给出的就是ROC曲线。我们可以通过选择颜色，方便地观察不同评价标准的分布情况。如果X轴和Y轴选择的是准确率和召回率，那我们可以通过这个图，在这两个值之间做trade-off，选择一个合适的阈值。其它的一些可视化功能，不再一一介绍。

六.小结 
        本文仅仅针对weka的Explorer界面的某些功能做了介绍，Explorer其它的功能，比如聚类、关联规则、特征选择，以及Experimentor和KnowledgeFlow界面使用，可以参考weka的官方文档。另外，weka支持扩展包，可以很方便地把liblinear、libsvm这样的开源工具放进来。在Linux下面，可以使用weka的命令行进行实验，具体的使用方法，也请参考weka官方文档。有这样一款开源、免费、强大的数据挖掘工具，你还在等什么呢？没有用过weka的数据挖掘工程师们，赶紧行动吧。

        参考来源：百度搜索研发部，原文有删改。