基于weka的数据分类和聚类分析实验报告.doc

"Weka 기반数据分类和聚类分析实验报告" 本实验报告的主要目标是通过使用Weka中的三种常见分类和聚类方法，分别是决策树J48、KNN和K-means，对数据进行分类和聚类分析，并对各个模型进行评估和比较。 在实验中，我们首先将数据从Excel文件转换为CSV文件，然后使用Weka中的Arff Viewer模块将其转换为ARFF文件。接着，我们使用决策树J48、KNN和K-means三种方法对数据进行分类和聚类分析，并对每个模型进行评估和比较。 在决策树J48分类中，我们使用了Weka中的Explorer模块来打开数据文件，然后切换到Classify模块，选择算法为trees-J48，并选择Cross-validation（Flods=10）进行模型评估。实验结果显示，正确分类的实例为23，错误分类的实例为3，Kappa statistic为0.7636，Mean absolute error为0.141，Root mean squared error为0.3255，Relative absolute error为30.7368%，Root relative squared error为68.0307%。 在KNN分类中，我们使用了Weka中的KNN模块来进行分类实验。实验结果显示，正确分类的实例为20，错误分类的实例为6，Kappa statistic为0.6957，Mean absolute error为0.174，Root mean squared error为0.3939，Relative absolute error为35.1852%，Root relative squared error为72.2222%。 在K-means聚类中，我们使用了Weka中的K-means模块来进行聚类实验。实验结果显示，聚类的结果为两个簇，簇1中有15个实例，簇2中有11个实例。 通过对三个模型的评估和比较，我们可以发现，决策树J48分类的准确率最高，为88.4615%，KNN分类的准确率为76.9231%，K-means聚类的准确率为84.6154%。因此，我们可以选取决策树J48分类模型作为最优的分类模型，并对其进行进一步的参数优化。 在参数优化中，我们对决策树J48分类模型进行了敏感度分析，结果显示，minNumObj参数对模型的准确率有着显著的影响。当minNumObj=2时，模型的准确率最高，为88.4615%。因此，我们可以选取minNumObj=2作为最优的参数值。 本实验报告展示了Weka中基于决策树J48、KNN和K-means的数据分类和聚类分析实验，并对三个模型进行了评估和比较，发现决策树J48分类模型为最优的模型，并对其进行了参数优化。