使用weka内置算法分析数据(图形界面操作)

Weka内置算法分析：鸢尾花与甲状腺数据分类实践

最新推荐文章于 2025-09-24 19:29:44 发布

原创

最新推荐文章于 2025-09-24 19:29:44 发布 · 3.8k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #weka

本文利用Weka的naive bayes, SVM, Logistic Regression三种分类算法对鸢尾花和甲状腺功能减退数据进行分析。通过对鸢尾花数据的四种属性和甲状腺患者特征，进行十折交叉验证，比较了各算法的精度和效率。结果显示，不同算法在不同数据集上的表现各有优势。" 78516500,7369906,Node.js Stream：Readable类暂停模式解析,"['node.js', 'stream']

原文

本文使用weka中内置的三种分类算法(naive bayes,SVM,Logistic Regression)根据收集到的鸢尾属植物的数据进行分类，通过精度和效率对三种算法进行比较。

1、鸢尾属植物的分类

数据中包含鸢尾属植物的四种属性。四种属性分别是萼片长度、萼片宽度、花瓣长度、花瓣宽度。数据中还包含鸢尾属植物的三种种类，分别是:Iris-setosa(山鸢尾)、Iris-Versicolous(杂色鸢尾)、Iris-Virginica(维吉尼亚鸢尾)。也就是说，每行数据有5个属性(花萼长度、花萼宽度、花瓣长度、花瓣宽度、所属种类)

通过weka图形界面的Experimenter模块添加三种算法，采用十折交叉验证来分析三种算法的结果。图1.1是三种算法分类的正确率对比。
2016-12-15 14-23-41屏幕截图.png-42.7kB

图 1.1 分 类 正 确 率

$图1.1分类正确率$
从图1.1的列表中可以看出，对于当前数据集的表现，三种算法在指定的显著性水平(significance level，这里设定是0.1)下可以认为正确率基本等同。
再比较三种算法正确分类个数的平均值，如图1.2所示，三种算法正确分类个数的平均值在显著性水平值为0.1的情况下可以认为是等同的。
2016-12-15 14-27-10屏幕截图.png-43.9kB