智能信息獲取技術(shù)實(shí)驗(yàn)指導(dǎo)書(存儲版)
【正文】 sociate項(xiàng)中的Apriori算法分析進(jìn)行關(guān)聯(lián)信息獲取，并進(jìn)行參數(shù)設(shè)置，七、通過實(shí)驗(yàn),要求同學(xué)在關(guān)聯(lián)規(guī)則信息獲取實(shí)驗(yàn)中解決以下問題，并遞交完整的實(shí)驗(yàn)報(bào)告1. 對于非xls格式的數(shù)據(jù)如何轉(zhuǎn)換成ARFF數(shù)據(jù)類型?請給出你了解到的幾種數(shù)據(jù)類型到ARFF的轉(zhuǎn)換方式?2. 在算法出來的lift排前1的規(guī)則中,如: 1. age=52_max save_act=YES current_act=YES 113 == ine=43759_max 61 這樣得到的數(shù)據(jù)文件為“”，含600條實(shí)例。下面的“seed”參數(shù)是要設(shè)置一個隨機(jī)種子，依此產(chǎn)生一個隨機(jī)數(shù)，用來得到K均值算法中第一次給出的K個簇中心的位置。（2）接下來“Cluster centroids:”之后列出了各個簇中心的位置。七、通過實(shí)驗(yàn),要求同學(xué)在聚類分析信息獲取實(shí)驗(yàn)中解決以下問題，并遞交完整的實(shí)驗(yàn)報(bào)告1. 在Weka中實(shí)現(xiàn)K均值聚類的數(shù)據(jù)預(yù)處理中：（1）為什么要將children屬性變成分類型？ （2）Weka將自動實(shí)施這個分類型到數(shù)值型的變換是指將這個分類型的屬性變?yōu)槿舾蓚€取值0和1的屬性，將這個變化結(jié)果截圖于PPt中,并進(jìn)行解釋。（5）可以在這里點(diǎn)“Save”把聚類結(jié)果保存成ARFF文件。例如我們讓“seed”取100，就得到 Within cluster sum of squared errors: , 這樣就選擇后面這個。點(diǎn)“Choose”按鈕選擇“SimpleKMeans”，這是WEKA中實(shí)現(xiàn)K均值的算法。六、實(shí)驗(yàn)方法和步驟首先對于原始數(shù)據(jù)做預(yù)處理。2）txt換成ARFF格式用excel打開用table鍵分開的txt文件,在用wekaviewer打開,另存為arff。 我們選擇Explorer進(jìn)行實(shí)驗(yàn)。請?jiān)趯?shí)驗(yàn)報(bào)告中詳解的參數(shù)設(shè)置情況。右邊顯示結(jié)果的區(qū)域中會增加一些內(nèi)容，告訴你該模型應(yīng)用在這個數(shù)據(jù)集上表現(xiàn)將如何。我們沒有專門設(shè)置檢驗(yàn)數(shù)據(jù)集，為了保證生成的模型的準(zhǔn)確性而不至于出現(xiàn)過擬合（overfitting）的現(xiàn)象，我們有必要采用10折交叉驗(yàn)證（10fold cross validation）來選擇和評估模型，選上“Crossvalidation”并在“Folds”框填上“10”。（3）點(diǎn)擊“Choose”按鈕后可以看到很多分類或者回歸的算法分門別類的列在一個樹型框里。本測試集中將pep屬性作為分類的目標(biāo)類別，因此將其設(shè)為缺失值．缺失值用？表示。ve Bayes的信息獲取二、實(shí)驗(yàn)?zāi)康模和ㄟ^一個已有的訓(xùn)練數(shù)據(jù)集，觀察訓(xùn)練集中的實(shí)例，建立Bayes網(wǎng)絡(luò)的預(yù)測模型，更好地理解和掌握Bayes算法的基本原理，建立相應(yīng)的預(yù)測模型，然后對新的未知實(shí)例進(jìn)行預(yù)測，預(yù)測的準(zhǔn)確程度來衡量所建立模型的好壞。（3）把“Ch
試題試卷相關(guān)推薦
鄂ICP備17016276號-1