基于weka的數(shù)據(jù)分類分析實驗報告-在線瀏覽
2024-08-04 18:57本頁面
【正文】 數(shù)據(jù)上訓(xùn)練出分類模型，并使用校驗數(shù)據(jù)對各個模型進(jìn)行測試和評價，找出各個模型最優(yōu)的參數(shù)值，并對三個模型進(jìn)行全面評價比較，得到一個最好的分類模型以及該模型所有設(shè)置的最優(yōu)參數(shù)。最后使用這些參數(shù)以及訓(xùn)練集和校驗集數(shù)據(jù)一起構(gòu)造出一個最優(yōu)分類器，并利用該分類器對測試數(shù)據(jù)進(jìn)行預(yù)測。由于Weka對arff格式的支持更好，這里我們選擇arff格式作為分類器原始數(shù)據(jù)的保存格式。，校驗集和測試集數(shù)據(jù)的預(yù)處理過程中，為了在訓(xùn)練模型、評價模型和使用模型對數(shù)據(jù)進(jìn)行預(yù)測能保證一致性和完整性，因為在生成arff文件的時候，可能會出現(xiàn)屬性值不一樣的情況，否則將為后來的測試過程帶來麻煩。類標(biāo)號為‘female’的數(shù)據(jù)有21條，而類標(biāo)號為‘male’的數(shù)據(jù)有79條，這樣目前遇到的問題是，究竟如何處理僅有的21條female數(shù)據(jù)？為了能在訓(xùn)練分類模型時有更全面的信息，所以決定把包含21條female類標(biāo)號數(shù)據(jù)和29條male類標(biāo)號數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)集，而剩下的另49條類標(biāo)號類male的數(shù)據(jù)將全部用于校驗數(shù)據(jù)集，這是因為在校驗的時候，兩種類標(biāo)號的數(shù)據(jù)的作用區(qū)別不大，而在訓(xùn)練數(shù)據(jù)模型時，則更需要更全面的信息，特別是不同類標(biāo)號的數(shù)據(jù)的合理比例對訓(xùn)練模型的質(zhì)量有較大的影響。 第六步：（），共26項。 第八步：（）。3. 實驗過程及結(jié)果截圖用“Explorer”打開剛才得到的“”，并切換到“Class”。選擇CrossValidatioin folds=10，然后點擊“start”按鈕：訓(xùn)練數(shù)據(jù)集訓(xùn)練決策
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1