weka使用教程3--对分类结果进行分析

使用Weka进行数据挖掘(Weka教程八)Weka分类评价Evaluation输出分析 Weka提供了多种多样的评价指标,为了让大家更清楚,降低学习时间,在这篇文章中我将分析ROC/AUC/F1/recall/precision/MCC/PRC 阅读详情

1 Summary

Correctly Classified Instances :正确分类的实例
Incorrectly Classified Instances :错误分类的实例
Kappa statistic:就是假设有两个相互独立的人分别将N个物品分成C个相互独立的类别,如果双方结果完全一致则K值为1,反之K值为0;
 Mean absolute error :就是把N次实验的绝对误差求和,然后除以实际值与均值之差的求和. 此值越小实验越准确.
Root mean squared error:即均方根误差,是用来衡量样本的离散程度的.也就是将N次实验中的实验值与平均值之差求和,除以实验次数,再把商开根号.
Relative absolute error  :就是把N次实验的绝对误差求和,然后除以实际值与均值之差的求和. 此值越小实验越准确.
Root relative squared error :上面的做完再开根号...
Total Number of Instances :样本总数

2 Detailed Accuracy By Class

TP Rate :True Positive,被判定为正样本,事实上也是证样本。

FP Rate :False Positive,被判定为正样本,但事实上是负样本。

Precision  :即在检索后返回的结果中,真正正确的个数占整个结果的比例。precesion = TP/(TP+FP) 。

Recall   :即在检索结果中真正正确的个数 占整个数据集(检索到的和未检索到的)中真正正确个数的比例。recall = TP/(TP+FN)即,检索结果中,你判断为正的样本也确实为正的,以及那些没在检索结果中被你判断为负但是事实上是正的(FN)。

F-Measure  :是Precision和Recall加权调和平均P和R指标有时候会出现的矛盾的情况,这样就需要综合考虑他们,最常见的方法就是F-Measure(又称为F-Score)。

MCC  :  

ROC Area:  ROC曲线下方的面积(Area Under the ROC Curve, AUC)提供了评价模型平均性能的另一种方法。如果模型是完美的,那么它的AUC = 1,如果模型是个简单的随机猜测模型,那么它的AUC = 0.5,如果一个模型好于另一个,则它的曲线下方面积相对较大

 

PRC Area:

 

3 Confusion Matrix

 

 

 

第一行 :565个a正确分类 135个a错误分成了b

第二行:168个b错误分成了a 532个正确分类

使用weka软件进行回归、分类 该数据集包含150条数据,每条数据包含4个属性(花萼长度,花萼宽度,花瓣长度,花瓣宽度)和1个类别。Percentage split选项,当数据集没有测试集时,通过设置右侧的数字来将数据集分为训练集和测试集,图中的数字为66,其代表将数据集66%的数据作为训练集,其余34%的数据(51个实例)作为测试集。本实验选取训练数据35组,测试数据14组,自变量为研发费用、管理费用、营销费用,因变量为利润,进行多元回归。51个实例中有49个分类正确,2个分类错误,分类效果比决策树稍好。个人数据集、Iris数据集。 阅读详情

相关推荐

Weka 常用分类算法效果比较

本实验是福建矿产分布分类识别实验,使用常用的weka 分类识别算法,第一组实验只使用数据中的数值型数据,第二组实验在数值型特征基础上加上了标称属性分类。

Vinicier的专栏 2万+

Weka教程,使用Weka进行简单的分类和聚类

对于Percentage split选项,当你的数据集没有测试集时,可以通过设置右侧的数字来将你的数据集分为训练集和测试集,图中的数字为66,其代表将数据集66%的数据作为训练集,其余34%的数据作为测试集。3,找到自己Weka的安装目录,进入data文件夹,选择自己需要分类的数据集,当然也可以是外部数据集,但文件需要是arff类型文件,其它文件类型如何转为arff类型可参考。1,前面的操作和上面分类操作的步骤一样,导入数据集后进入到聚类的界面,需要注意的地方在下图中进行了标注。

weixin_46039606的博客 1万+

weka_ 聚类分析实例演练

weka_ 聚类分析实例演练 创建时间: 2016/7/13 10:33 更新时间: 2016/7/14 9:49 作者: 354467546@qq.com  1、数据准备                               2、聚类原理      聚类分析中的“类”(cluster)和前面分类的“类”(class)是

waterydd的博客 1万+

WEKA使用教程(经典教程转载)

WEKA使用教程 目录 1. 简介 2. 数据格式 3.数据准备 4. 关联规则(购物篮分析) 5. 分类与回归 6. 聚类分析 1. 简介 WEKA的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis),它的源代码可通过http://www.cs.waikato.ac.nz/ml/weka得到。同时weka也

Coding for Dreams 24万+

学习weka(1):weka软件安装使用教程

前言介绍 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-f7lvlABt-1616221690906)(\weka下载安装教程\weka鸟图.jpg)] 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(与之对应的是 SPSS 公司商业数据挖掘产品–Clementine )的,基于 JAVA 环境下开源的机器学习(machine learning)以及数据挖掘(data min

蓝亚之舟的博客 9802

一款数据挖掘软件——WEKA

Weka是新西兰怀卡托大学用Java开发的数据挖掘著名开源软件,该系统自1993年开始由新西兰政府资助,至今已经历了20年的发展,其功能已经十分强大和成熟。Weka作为一个公开的数据挖掘工作平台,集合了大量能承担数据挖掘任务的机器学习算法,包括对数据进行预处理,分类,回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话,可以看一看WEKA的接口文档。在WEKA中集成自己的算法甚。...

登登的博客 是温馨的小屋。 1万+

Weka初体验——中文文本分类

最近在公司实习做电商评论相关的数据分析,需要调几个分类器,组里的代码一贯用Java编写,为了提高工作效率,找了找Java环境下的机器学习工具库,发现了Weka这个神奇的东西。Weka介绍及下载 Weka是一个Java编写的具有10几年历史的开源机器学习与数据挖掘软件,曾获得SIGKDD颁发的数据挖掘领域内最高服务奖。 上面这张图就是Weka的主页面,GUI做得很简陋,但它的功能的确非常强大。而且

lym199286的专栏 3万+

使用weka进行数据挖掘

参考教程点击打开链接

张张的专栏 2万+

使用weka进行聚类分析

1、将.xls文件转化为.arff格式  首先,将.xls文件另存为.csv格式,然后使用weka explorer的预处理面板(preprocess),打开.csv文件,将导入的文件另存为.arff。打开.csv文件时提示如下错误解决方法:出现特殊符号(‘),修改它的形式如下(.csv文件中不要出现“ ‘ ”符号):...

m0_37920381的博客 2万+

Weka – 分类

1.      weka简介 1)  weka是新西兰怀卡托大学WEKA小组用JAVA开发的机器学习/数据挖掘开源软件。 2)  相关资源链接          http://sourceforge.net/projects/weka/files/          http://www.cs.waikato.ac.nz/ml/weka/ 3)  主要特点 集数据预处理、学习算

sure-fire的专栏 6620

weka使用ID3和C4.5算法 分类实验

使用weka做分类任务并建立相应决策树(ID3算法和C4.5算法) weka安装 相关知识理论 2.1 决策树 2.2 ID3算法 2.3 C4.5算法 分类实验 3.1 数据处理 3.2 使用ID3算法 3.3 使用C4.5算法 3.4 ID3和C4.5的比较 总结 1.weka安装 weka官网Download地址: https://w

Fannie08的博客 9032

使用Weka进行数据挖掘(Weka教程七)Weka分类/预测模型构建与评价

如何使用Weka进行数据分类,模型学习和构建,模型评价与预测

乔阳的博客 2万+

weka文本分类

前些日子基于weka初步做了一下文本分类,使用的是最频繁使用的矢量空间模型(Vector Space Model),即假设正负样本在特征空间的分布迥异,基于某种规则将它们转化为矢量,然后训练分类器来区分这些矢量,测试样本来时送进分类器进行分类就行。在我的实验里面,特征降维使用的是基于TFIDF的特征选择,分类器使用的是朴素贝叶斯(naïve bayes)分类器。   前期预处理

一个IT菜鸟的自白 6361

数据挖掘::实验一 WEKA分类

目录 一、实验目的   二、实验环境  三、实验要求 四、实验过程及结果 (1)KNN分类器: (2)C4.5决策树分类器: (3)朴素贝叶斯分类器: 五、实验总结 一、实验目的   使用数据挖掘中的分类算法,对数据集进行分类训练并测试。应用不同的分类算法,比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。  二、实验环境  实验采用Weka3.8 ...

Bamboo 3万+

全面的Weka入门实践教程

Weka(Waikato Environment for Knowledge Analysis)是一款功能强大的、易于使用的机器学习软件工具,由新西兰的Waikato大学开发。它包含了多种数据挖掘算法,主要用于解决实际的数据分类、回归、聚类和关联规则等机器学习问题。Weka支持多种机器学习任务,并提供了一个图形用户界面,使得用户可以方便地加载数据集、运行机器学习算法以及评估模型性能。Weka的设计遵循数据驱动的原则,意味着它依赖于数据的特性来确定最合适的模型和算法。

weixin_31715353的博客 1608

NCBI Datasets CLI优化:解决基因组数据下载报错与速度问题

基因组数据下载是生物信息学分析的关键环节,其稳定性和效率直接影响研究进度。NCBI Datasets CLI作为官方命令行工具,常面临连接中断和下载速度慢两大痛点,这主要源于服务器连接限制和网络传输问题。通过自动重试机制和校验修复流程可提升稳定性,而连接复用与CDN加速等技术能显著提高下载效率。在植物基因组等大规模数据场景中,结合脱水模式和增量更新策略可减少70%传输量。本文以艾草基因组项目为例,展示如何通过并行下载和API优化将100个基因组的下载时间从18小时缩短至2小时,为生物信息学研究提供可靠的数据

weixin_29051245的博客 246

《数据挖掘基础》实验:Weka平台实现分类算法

Weka平台实现分类算法 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。

lazyn的博客 1万+

银河麒麟(ky10)x86与arm双架构下编译zlmediakit的实战指南

本文提供了在银河麒麟(ky10)操作系统上,针对x86与arm双架构编译部署流媒体服务器zlmediakit的完整实战指南。文章详细阐述了从环境准备、依赖安装、代码获取到编译构建与测试的全过程,重点解析了两种CPU架构下的关键差异与注意事项,帮助开发者高效完成国产化平台上的流媒体服务搭建。

weixin_29306875的博客 101

WEKA平台的安装和使用

WEKA的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis),同时weka也是新西兰的一种鸟名,而WEKA的主要开发者来自新西兰。WEKA作为一个公开的数据挖掘工作平台,集合了大量能承担数据挖掘任务的机器学习算法,包括对数据进行预处理,分类,回归、聚类、关联规则以及在新的交互式界面上的可视化。

2201_75606978的博客 4375

立创开源Link Hub多功能USB扩展坞:CH339F主控+4层板设计,实测网口/存储性能

本文深度评测了立创开源Link Hub多功能USB扩展坞,其采用CH339F主控芯片与4层PCB板设计,并严格进行阻抗匹配。实测表明,该扩展坞的USB接口与microSD读卡器性能均接近USB 2.0理论极限,百兆以太网口转换效率高,性能损失极小。设计上注重电源保护与信号完整性,是一个兼顾稳定性与成本的高完成度开源硬件项目。

weixin_36173034的博客 163

PCL RANSAC拟合直线并插值

空间直线线性插值的原理与实现方法。

点云侠的博客 137
上一篇: ROC曲线详解及matlab绘图实例
下一篇: ROC曲线及AUC
It_BeeCoder
博客等级 码龄10年 967粉丝 238原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值