该文介绍了使用Weka进行数据挖掘的多个方面，包括关联规则学习如Apriori算法，数据分类中的ID3、NaiveBayes和人工神经网络，以及数据聚类的K-Means算法。文章提供了具体实验项目，如银行精准营销和不同算法的对比分析，旨在理解和掌握各种数据挖掘技术。
Weka初识
1、Weka软件的基本操作
一、实验项目：利用Weka软件进行关联规则挖掘及数据分类操作
项目性质：验证型
二、实验目的：
了解Weka软件的使用
三、实验内容：
1了解Weka使用的一般步骤
2利用Weka，对数据集进行关联规则挖掘及数据分类
3、记录操作步骤、使用的数据、最终的结果
学习weka（1）：weka软件安装使用教程_用weka打开数据显示重新安装_蓝亚之舟的博客-优快云博客
关联规则挖掘
2、关联规则算法学习—Apriori
一、实验项目：关联规则算法学习
项目性质：设计型
二、实验目的：
理解并掌握关联规则经典算法Apriori算法，理解算法的原理，能够实现算法，并对给定的数据集进行关联规则挖掘
三、实验内容：
1、实现Apriori算法，验证算法的正确性，并将算法应用于给定的数据集Groceries，根据设定的支持度和置信度，挖掘出符合条件的频繁项集及关联规则。
2、挑选几个有代表性的频繁项集和关联规则，记录下来。
3、调节支持度和置信度阈值，重新执行算法，比较结果的不同。
数据挖掘:：实验一 WEKA分类_weka朴素贝叶斯结果分析_折竹丶的博客-优快云博客
导入原数据失败
上传了资源，还未通过审核
Weka有时候关联分析的"Start"按钮式灰色的
数据挖掘—Weka 的数据库挖掘及数据预处理-阿里云开发者社区
weka-实现数值数据的离散化_weka离散化处理_252619的博客-优快云博客
数据分类
3、分类算法学习—ID3
一、实验项目：银行资产评估
项目性质：设计型
二、实验目的：
理解并掌握ID3算法，理解算法的原理，能够实现算法，并对给定的数据集进行分类，分析个人参股的情况
三、实验内容：
1、实现ID3算法，验证算法的正确性，并将算法应用于给定的数据集Bank-data，选择一部分数据集作为训练集，训练出决策树，然后用剩下的数据集作为测试集，验证算法的分类情况
2、实现C4.5算法，将ID3算法的分类结果与C4.5的分类结果进行比较
数据挖掘:：实验一 WEKA分类_1.对iris.arff数据进行分类_折竹丶的博客-优快云博客
ID3算法（含实例）_id3算法例题_爱吃烧卖的馒头的博客-优快云博客
Weka安装及简单应用_1)安装weka并实现在其自带的iris数据集上的分类任务,观测weka输出的性能度量值,并_袅袅秋风归的博客-优快云博客
关联规则挖掘Apriori算法的实现_java关联规则挖掘_司腾的博客-优快云博客
4、贝叶斯分类学习—NaiveBayes
一、实验项目：分类算法学习
项目性质：设计型
二、实验目的：
理解并掌握贝叶斯分类算法的原理，能够实现朴素贝叶斯分类器算法，并对给定的数据集进行分类
三、实验内容：
1、实现朴素贝叶斯分类算法，验证算法的正确性，并将算法应用于给定的数据集Data_User_Modeling数据集，选择一部分数据集作为已知结果，然后用剩下的数据集作为测试集，验证算法的分类情况
2、重新选取训练样本和测试集，对比并分析分类结果
3、选取一部分数据集作为训练样本，实现分类；不断从测试集中选取数据加入到训练集中，对比并分析分类结果
人工神经网络
5、人工神经网络学习
一、实验项目：人工神经网络学习
项目性质：设计型
二、实验目的：
理解并掌握人工神经网络单层感知器学习算法，理解算法的原理，能够实现算法，并通过训练数据对单层感知器的权重进行学习
三、实验内容：
1、实现单层感知器学习算法，验证算法的正确性，选择iris-人工神经网络.txt中的一部分数据集作为训练集，通过训练集对感知器的连接权重进行学习
2、用剩下的数据集作为测试集，验证学习的效果
数据聚类
6、聚类算法学习—K-Means
一、实验项目：聚类算法学习
项目性质：设计型
二、实验目的：
理解并掌握K-Means算法，理解算法的原理，能够实现算法，并对给定的数据集进行聚类
三、实验内容：
1、实现K-Means算法，验证算法的正确性，并将算法应用于给定的鸢尾花数据集iris，验证算法的聚类情况
import pandas as pd
import matplotlib.pyplot as plt
from numpy import nonzero
from sklearn.cluster import KMeans
from sklearn.metrics import f1_score, accuracy_score, normalized_mutual_info_score, rand_score
from sklearn.preprocessing import LabelEncoder
from sklearn.decomposition import PCA
import csv
# 定义文件路径
csv_path = 'C:/Users/Xu/Desktop/iris.csv'
df_full = pd.read_csv(csv_path) # 鸢尾花数据集 Iris class=3
columns = list(df_full.columns) # 获取数据集的第一行，第一行通常为特征名，所以先取出
features = columns[:len(columns) - 1] # 数据集的特征名（去除了最后一列，因为最后一列存放的是标签，不是数据）
df = df_full[features] # 预处理之后的数据，去除掉了第一行的数据（因为其为特征名，如果数据第一行不是特征名，可跳过这一步）
class_labels = list(df_full[columns[-1]]) # 原始标签
if type(class_labels[0]) != int:
class_labels = LabelEncoder().fit_transform(df_full[columns[len(columns)-1]]) # 如果标签为文本类型，把文本标签转换为数字标签
print("此数据集标签为文本类型，已经转化为数字标签！")
K = 3
# 这里已经知道了分3类，其他分类这里的参数需要调试
model = KMeans(n_clusters=K)
# 训练模型
model.fit(df)
# 预测全部数据
label = model.predict(df)
print(label)
def clustering_indicators(labels_true, labels_pred):
f_measure = f1_score(labels_true, labels_pred, average='macro') # F值
accuracy = accuracy_score(labels_true, labels_pred) # ACC
normalized_mutual_information = normalized_mutual_info_score(labels_true, labels_pred) # NMI
rand_index = rand_score(labels_true, labels_pred) # RI
return f_measure, accuracy, normalized_mutual_information, rand_index
F_measure, ACC, NMI, RI = clustering_indicators(class_labels, label)
print("F_measure:", F_measure, "ACC:", ACC, "NMI", NMI, "RI", RI)
data_reduced = PCA(n_components=2).fit_transform(df) # 降维
# 打印出聚类散点图
plt.scatter(data_reduced[:, 0], data_reduced[:, 1], marker='o', c='black', s=7) # 原图
plt.show()
plt.scatter(data_reduced[nonzero(label == 0), 0], data_reduced[nonzero(label == 0), 1], c='red', s=7)
plt.scatter(data_reduced[nonzero(label == 1), 0], data_reduced[nonzero(label == 1), 1], c='blue', s=7)
plt.scatter(data_reduced[nonzero(label == 2), 0], data_reduced[nonzero(label == 2), 1], c='green', s=7)
plt.show()
python：读取csv文件路径正确但报错FileNotFoundError: [Errno 2] No such file or directory_我爱写BUG的博客-优快云博客
K-means聚类算法（附Python实现代码）_kmeans聚类算法python代码_helloWorldZMY的博客-优快云博客
《数据挖掘基础》实验：Weka平台实现聚类算法_weka聚类分析_lazyn的博客-优快云博客
综合实验
7、银行精准营销
一、实验项目：银行业潜在存款客户精准营销
项目性质：综合型
二、实验目的：
利用数据挖掘技术，对银行已有数据进行分析，对客户进行识别，对客户是否能够进行存款精准营销
三、实验内容：
1、根据相关的信息预测通过电话推销，用户是否会在银行进行存款
2、数据bank.csv，约4520条数据，17个属性值
提示： 17个属性，分别是年龄，工作类型，婚姻状况，受教育背景，信用情况，房贷，个人贷款，联系电话是手机还是固定电话，最后联系月份，最后联系日，通话持续时间，本次活动中联系的次数，最后一次接触距离上一次接触的时间，以前的活动中联系的次数，上一次活动成功与否，是否会进行存款
8、分类算法综合
一、实验项目：分类算法对比分析
项目性质：综合型
二、实验目的：
对所学分类算法原理和内容进行巩固，并进行对比分析
三、实验内容：
1、基于前面的三个分类算法：决策树、朴素贝叶斯分类、和人工神经网络，针对某个数据集进行实验
2、对三个算法的结果进行对比分析
扫一扫
162
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
