weka分類演算法

❶ weka分類演算法選項不可用是怎麼回事

兩種原因1、你的weka出問題了；
2、你的數據不適合分類，自然分類選項會是灰色的；

❷ 我是weka新手，我下載數據集後，用weka中的id3演算法來進行分類，結果不能看到決策樹，是怎麼回事啊

weka的ID3演算法是會輸出一個決策樹的,只不過那隻是中間計算時輸出的結果。同時還會輸出很多其他的統計結果。
要看看它有沒有報錯。 數據集的屬性是不是都是離散型的。如果有些是實數型，如17.1,17.2,1.735,17.2....這樣就不符合要求，無法生成合理的決策樹。
以下是一個簡單的weka輸出決策樹：

age = youth
| student = no: no
| student = yes: yes
age = middle_aged: yes
age = senior
| credit_rating = fair: yes
| credit_rating = excellent
| | income = high: null
| | income = medium: no
| | income = low: no

❸ 如何用weka將多種分類演算法集成起來

需要將文件轉換成標稱（nominal)類型，weka把exel中的數字看作是數據類型，不能處理，從而導致Apriori演算法沒法用。
WEKA的全名是懷卡托智能分析環境(Waikato Environment for Knowledge Analysis)，同時weka也是紐西蘭的一種鳥名，而WEKA的主要開發者來自紐西蘭。wekaWEKA作為一個公開的數據挖掘工作，集合了大量能承擔數據挖掘任務的機器學習演算法，包括對數據進行預處理，分類，回歸、聚類、關聯規則以及在新的互動式界面上的可視化。
如果想自己實現數據挖掘演算法的話，可以參考weka的介面文檔。在weka中集成自己的演算法甚至借鑒它的方法自己實現可視化工具並不是件很困難的事情。
2005年8月，在第11屆ACM SIGKDD國際會議上，懷卡託大學的Weka小組榮獲了數據挖掘和知識探索領域的最高服務獎，Weka系統得到了廣泛的認可，被譽為數據挖掘和機器學習 歷史上的里程碑，是現今最完備的數據挖掘工具之一(已有11年的發展歷史)。Weka的每月次數已超過萬次。

❹ weka的explorer運行j48演算法後，輸出如下類容，各是什麼含義

這就是決策樹分類演算法的准確度細節表。第三列是准確率，也就是查准率，第四列是召回率，也就是查全率，第五列是F值，是根據准確率跟召回率算出來的。下面是權重應該。

❺ 誰能幫我翻一下weka的結果，不要用翻譯軟體，真正懂weka的來幫我翻譯下，答得好的有加分，我有1000的財富

=== Run information ===運行信息（如下）

Scheme（前提，場景）:weka.classifiers（weka分類標准）.functions（功能）.Lib（library，素材庫）SVM（support vector machine矢量演算法支持機） -S 0 -K 2 -D 3 -G 0.0 -R 0.0 -N 0.5 -M 40.0 -C 1.0 -E 0.0010 -P 0.1
Relation（關聯）: Glass（玻璃）
Instances實驗次數: 214
Attributes特徵屬性: 10
RI（Refractive index 折射率 ）
Na 鈉
Mg鎂
Al鋁
Si硅
K鉀
Ca鈣
Ba鋇
Fe鐵
Type類型
Test mode實驗模式:10-fold cross-validation（十倍交叉驗證）

=== Classifier model (full training set) ===分類模型（全部一整套的訓練指標）

LibSVM wrapper（打包的矢量機素材庫）, original code by Yasser EL-Manzalawy (= WLSVM)
（源碼由byYasser EL-Manzalawy 提供）WLSVM（wrapper library support vector machine，打包的支持矢量機的素材庫）
Time taken to build model:（建立模型消耗時間） 0.02 seconds（秒）

=== Stratified cross-validation ===窄條交叉驗證
=== Summary ===實驗總結

Correctly Classified Instances 正確分類的次數 148 69.1589 %
Incorrectly Classified Instances 錯誤分類的次數 66 30.8411 %
Kappa statistic kappa 靜止值 0.3579
Mean absolute error 平均絕對錯誤值 0.0881
Root mean squared error 根平均平方差 0.2968
Relative absolute error 相關絕對錯誤值 60.7715 %
Root relative squared error 根相對錯誤值 111.5949 %
Total Number of Instances 總計實驗次數 214

=== Detailed Accuracy By Class ===分類後的詳細精準度

TP Rate（TP率） FP Rate（FP率） Precision（精確值） Recal（上次結果）l F-Measure （F-測量到的參數） ROC（不太清楚這個） Area（面積） Class（分類）
0.847 0.5 0.676 0.847 0.752 0.674 build wind float 風浮點建模
0.5 0.153 0.727 0.5 0.593 0.674 build wind non-float 風非浮點建模
0 0 0 0 0 ? vehic wind float 運載工具風浮點建模
0 0 0 0 0 ? vehic wind non-float運載工具風非浮點建模

0 0 0 0 0 ? containers 容器（建模後，的小環境）
0 0 0 0 0 ? tableware（桌上的物件）
0 0 0 0 0 ? headlamps（汽車前燈）
Weighted Avg.（平均權重） 0.692 0.344 0.699 0.692 0.68 0.674

=== Confusion Matrix ===混合後的基底值

a b c d e f g <-- classified as分類如下
100 18 0 0 0 0 0 | a = build wind float風浮點建模
48 48 0 0 0 0 0 | b = build wind non-float風非浮點建模
0 0 0 0 0 0 0 | c = vehic wind float運載工具風浮點建模vehicle=vehic
0 0 0 0 0 0 0 | d = vehic wind non-float運載工具風非浮點建模
0 0 0 0 0 0 0 | e = containers容俱
0 0 0 0 0 0 0 | f = tableware桌面物品
0 0 0 0 0 0 0 | g = headlamps汽車大燈