用weka实现基于aprior算法的鸢尾花数据挖掘

主要内容

“本文重点介绍如何使用weka机器学习工具实现aprior算法”

weka是一款著名的机器学习工具，功能十分强大，集成度高。鸢尾花数据的分类，属于多维数据的分类问题，目前已经有许多比较成熟的研究，如使用决策树分类算法，KNN最近邻算法。此处重点在挖掘各属性和类别之间的关联性，故使用aprior算法，另一重点就是学会weka的使用方法。

一、获取iris数据

这里直接下载sklearn机器学习包中的iris数据集，生成CSV文件并导入weka进行处理。

二、weka基本介绍

（一）主界面

主要分为5个部分：explorer部分包含了数据预处理、分类、聚类、关联分析、特征选择、可视化展示等功能；experimenter能够帮助用户通过一次实验运行多个算法并比较算法性能，进行统计检验等功能；KnowledgeFlow工作流与explorer功能差不多，但实现了直观的流式布局，能增量、批量并行处理数据，能实现过滤器、链接以及分类效果可视化等；workbench根据官网的描述，就是讲机器学习的所有功能模块进行集成，避免要频繁地切换使用工具(因为机器学习是一个迭代的过程，非线性过程)，其界面与explorer的界面相似。Simple CLI是weka的命令行工具，其实现的功能与GUI实现的功能差不多，但其能保存生成的model，在新的数据到来时直接调用模型进行分类预测。

（具体参考：https://blog.csdn.net/shaoz/article/details/6841498）

（二）weka数据格式

weka专用数据格式称为AREF格式，其允许的两种基本数据类型是nominal(名目型)和numeric(数值型)，此外还有字符串属性string，日期属性date，赋值关系属性relational。名目型变量就是分类变量，如weather可以分为sunny、rainy和windy；数值型变量是连续的，可以通过weka的preprocess中的discretize工具离散为nominal类型，weka也提供了nominal变量转换为二进制哑变量的工具；另外要注意：weka中部分算法对数据类型有严格的要求，否则功能不可用。

以下是AREF格式的模板，由于鸢尾花数据集是数值型的经典数据集，AREF变量类型栏都是numeric。@attribute部分是数据集属性描述，@data为数据部分。%后面的是注释，标记部分不属于iris数据集，是为了表示赋值关系属性relational的格式自己注释的，相应的@data部分也要对应赋值，此处略：

三、aprior算法挖掘iris数据集的规则

关于aprior算法，就是两个重要概念：一是规则支持度，二是规则置信度。在算法运用时设置这两个参数即可，具体算法过程请查阅历史文章。

（一）数据预处理：preprocessing模块

（1）导入CSV数据并存成AREF格式，不另存直接使用也可。注意用python导出CSV时index必须写入，不能有属性名缺失，否则导入时会报错。

（2）查看数据分布

（3）去除无效属性

index属性在挖掘中是无效的，使用remove去除

（4）转换修改变量类型

A、numeric属性值离散化为nominal变量(aprior算法要求，包括class标签也要离散化，因为导入时都是numeric)。

离散工具路径：Filter——choose——unsupervised——attribute——dicretize

B、选择工具后进入参数设置，一般设置attributeIndices(表示对哪个属性操作，形式是1-4或1，4或first-last等)和bins(表示切分区间)即可。

C、将class变量由numeric转换为nominal

按照先前类似的方式设置转换参数，设置attributeIndices即可。

（5）explorer——Associate菜单——choose——aprior工具，设置参数

此处需要设置的基本参数是lowerBoundMinSupport(最小支持度下界)和upperBoundMinSupport(最小支持度上界)。

（6）生成并查看结果

注意：如果start按钮为灰色，说明有可能某个属性值类型转换错误，需要回头重新检查。

以下是生成的满足支持度的规则：从图中可以看出，满足最小支持度0.3的实例有45个，最小置信度设置为0.9。此情况下，频繁-1项集、2-项集、3-项集和4-项集分别是13、10、5、1个。我们可以初步推测：attr4和attr3具有较强的相关性，class=0的花attr3的值都很小，attr4偏小的花很有可能是class=0的花等等。

再次说明：aprior算法是无监督数据挖掘算法，主要用于从杂乱数据中挖掘信息。要想对鸢尾花分类预测，不适合使用；如果仅仅是为了发掘各属性之间的关联规则，是可以使用的。本文主要是为了总结weka的使用方法及回顾aprior算法。