【正文】 個實例的“”文件中取出300個實例用做訓練集，在另外300個實例中取50個作為待預測的實例。（6）看左中的“Test Option”。點“More”查看參數(shù)說明，點“Capabilities”查看算法適用范圍。 進入“Explorer”模塊，從上方的按鈕中打開CSV文件然后另存為ARFF文件亦可。（1）用“Explorer”打開剛才得到的“”，并切換到“Cluster”。最上方的兩個框是選擇橫坐標和縱坐標，“color”是散點圖著色的依據(jù)，默認是根據(jù)不同的簇“Cluster”給實例標上不同的顏色。對于數(shù)值型的屬性，簇中心就是它的均值（Mean）；分類型的就是它的眾數(shù)（Mode）， 也就是說這個屬性上取值為眾數(shù)值的實例最多。 具體操作如下。運行WEKA的主程序，出現(xiàn)GUI后可以點擊下方按鈕進入相應的模塊。（5）打開這個文件可以看到在倒數(shù)第二個位置多了一個屬性（predictedpep），這個屬性上的值就是模型對每個實例的預測值，點“Edit”按鈕可以查看這個數(shù)據(jù)集的內(nèi)容。（4） 點“OK”后回到樹形圖，可以發(fā)現(xiàn)一些算法名稱變紅了，說明它們不能選用。ve Bayes的信息獲取二、實驗目的：通過一個已有的訓練數(shù)據(jù)集，觀察訓練集中的實例，建立Bayes網(wǎng)絡的預測模型，更好地理解和掌握Bayes算法的基本原理，建立相應的預測模型，然后對新的未知實例進行預測，預測的準確程度來衡量所建立模型的好壞。（3）點擊“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。右邊顯示結(jié)果的區(qū)域中會增加一些內(nèi)容，告訴你該模型應用在這個數(shù)據(jù)集上表現(xiàn)將如何。 我們選擇Explorer進行實驗。六、實驗方法和步驟首先對于原始數(shù)據(jù)做預處理。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。七、通過實驗,要求同學在聚類分析信息獲取實驗中解決以下問題，并遞交完整的實驗報告1. 在Weka中實現(xiàn)K均值聚類的數(shù)據(jù)預處理中：（1）為什么要將children屬性變成分類型？ （2）Weka將自動實施這個分類型到數(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,并進行解釋。下面的“seed”參數(shù)是要設置一個隨機種子，依此產(chǎn)生一個隨機數(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。 選擇Associate項中的Apriori算法分析進行關聯(lián)信息獲取，并進行參數(shù)設置，七、通過實驗,要求同學在關聯(lián)規(guī)則信息獲取實驗中解決以下問題，并遞交完整的實驗報告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)