一型将、 實(shí)驗(yàn)?zāi)康?/h4>
了解 weka 中 Explorer 的 Preprocess 相關(guān)功能。
二丸凭、 實(shí)驗(yàn)內(nèi)容
進(jìn)入 weka 中 Explorer 界面,打開 data 目錄下 weather.numeric.arff 文件,了解 Preprocess 相關(guān)功能惜犀。
三、 實(shí)驗(yàn)過程
1. 了解 arff 格式
用記事本打開 weather.numeric.arff 文件涛菠，
@relation weather
@attribute outlook {sunny,overcast,rainy}
@attribute temperature numeric
@attribute humidity numeric
@attribute windy {TRUE,FALSE}
@attribute play {yes,no}
@data
sunny,85,85,FALSE,no
sunny,80,90,TRUE,no
overcast,83,86,FALSE,yes
rainy,70,96,FALSE,yes
rainy,68,80,FALSE,yes
rainy,65,70,TRUE,no
overcast,64,65,TRUE,yes
sunny,72,95,FALSE,no
sunny,69,70,FALSE,yes
rainy,75,80,FALSE,yes
sunny,75,70,TRUE,yes
overcast,72,90,TRUE,yes
overcast,81,75,FALSE,yes
rainy,71,91,TRUE,no
顯而易見,可以知道 arff 格式是這樣組織數(shù)據(jù)的：
- （唯一）一個(gè) ** @relation ** + 關(guān)系名稱礁叔。
- 若干 ** @attribute ** + 屬性名稱 + 屬性類型（{}中寫出枚舉類型琅关，以逗號隔開涣易，表示離散型數(shù)據(jù)冶伞； numeric 表示連續(xù)型數(shù)據(jù)碰缔；還有 string 和 date 類型金抡，顧名思義梗肝，就知道一個(gè)是字符串型巫击，一個(gè)是日期型）精续。
- （唯一）一個(gè) ** @data **占一行重付，后接若干具體數(shù)據(jù)（依照上面定義的屬性順序?qū)懗霾蓸訑?shù)據(jù)确垫，以逗號隔開）删掀。
- 另外披泪，網(wǎng)上資料顯示款票，** % ** 為 arff 格式下的注釋標(biāo)記徽职。
2. 了解區(qū)域功能
（0） 功能標(biāo)簽：用于數(shù)據(jù)預(yù)處理及針對數(shù)據(jù)進(jìn)行的各種處理之間的切換姆钉。
（1） 編輯按鈕：包括打開各種形式的數(shù)據(jù)集潮瓶，生成數(shù)據(jù)集毯辅，撤銷思恐，編輯數(shù)據(jù)集和保存胀莹。
（2） 篩選器選擇：對數(shù)據(jù)進(jìn)行某種變換婚温，比如離散化栅螟，二進(jìn)制化。
（3） 當(dāng)前信息：顯示當(dāng)前數(shù)據(jù)集的基本信息步绸，包括關(guān)系名，屬性個(gè)數(shù)坪圾，實(shí)例個(gè)數(shù)等。
（4） 屬性信息：包括所有屬性的顯示和可以對它們進(jìn)行的一些操作漓概，比如移除一些無用屬性胃珍，使數(shù)據(jù)集更簡潔明了觅彰。
（5） 選中屬性：顯示當(dāng)前選中的屬性的摘要信息填抬，比如名稱、類型赘娄、數(shù)值等遣臼。
（6） 屬性可視化：以直方圖的形式顯示當(dāng)前選中屬性揍堰，給人更直觀的感受屏歹。
（00） 狀態(tài)信息： 顯示是否在進(jìn)行數(shù)據(jù)挖掘西采，歷史記錄查看械馆，內(nèi)存使用信息等。
3. 舉例操作
區(qū)域（0）和（00）珊搀，在此實(shí)驗(yàn)中（學(xué)習(xí) preprocess 的基本操作）基本是用不到的境析，這里也就不再多說了派诬。
區(qū)域（1）默赂，前面已經(jīng)使用過打開 arff 格式數(shù)據(jù)集功能缆八；至于打開網(wǎng)絡(luò)資源和數(shù)據(jù)庫內(nèi)容奈辰，現(xiàn)在還不太了解奖恰；生成功能房官，就是根據(jù)一定的規(guī)則（還不清楚這些規(guī)則的意義）生成一些隨機(jī)數(shù)據(jù)翰守；而撤銷、編輯和保存了袁，跟記事本也差不太多载绿，亦不贅述崭庸。
- 區(qū)域（2）中的各個(gè)篩選器我還不了解首懈，就做一下歸一化（感覺這就是統(tǒng)計(jì)里的標(biāo)準(zhǔn)化）究履，并拿 humidity 做一下無監(jiān)督的離散化（這應(yīng)該就是畫直方圖之類的東西時(shí)要做的工作吧）好了挎袜。
區(qū)域（3）顯示當(dāng)前數(shù)據(jù)集的信息牵囤，其實(shí)就是提取了 ** @relation ** 后面的字符串揭鳞，統(tǒng)計(jì)了 ** @attribute ** 的個(gè)數(shù)和 ** @data ** 后的行數(shù)野崇，沒什么可說的乓梨。
區(qū)域（4）是屬性信息欄扶镀，可以移除一些無用數(shù)據(jù)臭觉，比如數(shù)據(jù)的序號蝠筑、聚類分析時(shí)的類別標(biāo)簽；這里試了一下去除 humidity 屬性客冈，不過它并非無用信息场仲，所以之后還得用下 undo 退疫。
- 區(qū)域（5）用一些統(tǒng)計(jì)數(shù)據(jù)（對于離散和連續(xù)數(shù)據(jù)并不相同）概括地顯示了當(dāng)前選中屬性的信息亦鳞，剛才進(jìn)行數(shù)據(jù)離散化時(shí)也有涉及燕差。
- 區(qū)域（6）是可視化區(qū)域稳摄，以直方圖的形式進(jìn)一步描述數(shù)據(jù)（和區(qū)域（5）相輔相成）秩命，給人較為直觀的感受（或許利于啟發(fā)式方法的使用？）袄友；在其上的顏色剧蚣，是以某一屬性為目標(biāo)變量添加的。
以上礼搁，即為 weka 中 Explorer 的 Preprocess 界面的主要功能馒吴。
