數(shù)據(jù)挖掘?qū)嶒?yàn)報(bào)告-資料下載頁(yè)
2025-07-21 11:53本頁(yè)面
【正文】 九項(xiàng)Mitoses有絲分裂項(xiàng)，點(diǎn)“more options...”按鈕,選勾選“out prediction”，其他不勾選，然后點(diǎn)擊“OK”按鈕如圖18所示：（圖18）得到性能測(cè)試結(jié)果如下，圖19分別為第一項(xiàng)Clump Thickness叢厚度用決策樹方法、貝葉斯、K最近鄰算法預(yù)測(cè)的結(jié)果，圖20分別為第九項(xiàng)Mitoses有絲分裂項(xiàng)用決策樹方法、貝葉斯、K最近鄰算法預(yù)測(cè)的結(jié)果，由于數(shù)據(jù)屬性的項(xiàng)很多且數(shù)據(jù)量很大，主要截取了前25項(xiàng)左右的結(jié)果。結(jié)果如下：（圖19）分析第一項(xiàng)Clump Thickness叢厚度。性能分析應(yīng)該包括兩個(gè)部分，一個(gè)部分是測(cè)試速度，另一個(gè)部分是測(cè)試的質(zhì)量。由于本次使用所使用的數(shù)據(jù)量一般，不是很多，在測(cè)試速度的對(duì)比上相差太少，無法進(jìn)行準(zhǔn)確的分析。而在測(cè)試質(zhì)量上，可以從上述數(shù)據(jù)中很明顯得到，在“error”(錯(cuò)誤項(xiàng))，決策樹和K最近鄰算法很多加號(hào)，這說明錯(cuò)誤率很大，從而導(dǎo)致分類質(zhì)量的降低；而對(duì)于“probability distribution”（概率分布項(xiàng))，決策樹和K最近鄰算法分布很混亂，前六項(xiàng)屬性的概率分布波動(dòng)較大，而貝葉斯與其相比，“error”(錯(cuò)誤項(xiàng))幾乎無“+”，說明其錯(cuò)誤率相對(duì)其他兩種方法，貝葉斯的錯(cuò)誤率降低很多，而且在“probability distribution”（概率分布項(xiàng))，上，分布很整齊，所以從性能角度上講，貝葉斯算法略勝一籌。（圖20）觀察圖20，分析第九項(xiàng)Mitoses有絲分裂項(xiàng)，同分析第一項(xiàng)Clump Thickness叢厚度一樣。在測(cè)試速度的對(duì)比上相差太少，無法進(jìn)行準(zhǔn)確的分析。而在測(cè)試質(zhì)量上，可以從上述數(shù)據(jù)中很明顯得到，在“error”(錯(cuò)誤項(xiàng))，決策樹與貝葉斯相比，明顯決策樹加號(hào)要多，這說明決策樹算法錯(cuò)誤率很大，從而導(dǎo)致分類質(zhì)量的降低，而比較貝葉斯和K最近鄰算法，“error”(錯(cuò)誤項(xiàng))貝葉斯錯(cuò)誤率明顯比K最近鄰算法要多，而對(duì)于“probability distribution”（概率分布項(xiàng))，貝葉斯與K最近鄰算法分布相對(duì)混亂，對(duì)于K最近鄰算法，第一項(xiàng)屬性Clump Thickness叢厚度的所有概率分布大致相同，對(duì)于第112...項(xiàng)數(shù)據(jù)，分布很整齊。所以從性能角度上講，K最近鄰算法略勝一籌。5. 實(shí)驗(yàn)總結(jié)以上實(shí)驗(yàn)是對(duì)Breast Cancer Wisconsin (Original) Data Set數(shù)據(jù)做了一些分析，通過本次數(shù)據(jù)挖掘?qū)嶒?yàn)，重新學(xué)習(xí)了一下數(shù)據(jù)挖掘的相關(guān)概念和知識(shí)，理解了數(shù)據(jù)挖掘的用途和使用步驟，進(jìn)一步學(xué)習(xí)了WEKA開源數(shù)據(jù)挖掘工具在數(shù)據(jù)挖掘?qū)W習(xí)中的使用方法。通過本次實(shí)驗(yàn)，也認(rèn)識(shí)到了數(shù)據(jù)挖掘?qū)Υ罅康臄?shù)據(jù)進(jìn)行探索后，能揭示出其中隱藏著的規(guī)律性內(nèi)容，并且由此進(jìn)一步形成模型化的分析方法。可以建立整體或某個(gè)業(yè)務(wù)過程局部的不同類型的模型，可以描述發(fā)展的現(xiàn)狀和規(guī)律性，而且可以用來預(yù)測(cè)當(dāng)條件變化后可能發(fā)生的狀況。這可以為后續(xù)的研究提供更好的支持依據(jù)。本次實(shí)驗(yàn)進(jìn)行比較順利，使我對(duì)如何在Weka中進(jìn)行分類分析有了更深刻的了解，對(duì)Weka中進(jìn)行分類分析的決策樹算法、貝葉斯算法、K最近鄰算法都有了進(jìn)一步的理解，同時(shí)也深刻體會(huì)到數(shù)據(jù)預(yù)處理對(duì)于數(shù)據(jù)挖掘的重要性。19
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1