weka源碼分析

Ⅰ 我裝的是WEKA3.6.8和JDK1.7，運行WEKA的時候提示 class not found program will exit

配置：
先下載weka開發包，在安裝目錄下有個weka-src.jar包（源代碼）和weka.jar包（可執行文件），將weka-src.jar包解壓，然後把\weka-src\src\main\java\weka文件夾拖入到waka工程的src目錄下.將weka.jar文件解壓後，將\weka\weka文件夾拷貝到weka工程磁碟目錄下的bin文件夾下。然後在所建工程的Build Path中把weka_javacodes.jar導入。最後在myeclipse或eclipse中編寫代碼運行即可。

Ⅱ weka能否進行實例過濾

這個肯定是有的。不知道你是用weka作編程開發還是只用GUI作數據挖掘

如果是用GUI的話如圖就是選擇一種FILTER實現過濾實例（對原始數據進行預處理），可以看到filter有監督的和非監督的，你可以根據需求選擇對應的filter，選好後點擊那個filter的框就可以設置具體參數和規則什麼的

如果你是用weka作開發，http://weka.sourceforge.net/doc.stable/這個是weka的API可以看到weka.filters的包然後具體的應用你自己看API就可以了

如果用GUI選擇filter選暈了不知道用哪個那也去看看API吧解釋的還是可以的是在不行去下載一個weka的源碼看看注釋不過全是E文

Ⅲ 請教weka軟體中，其中的SMOTE演算法釋義classValue

是的,weka是開源的. 記得我用過的那個版本在安裝目錄的bin文件夾里有一個weka.jar, 解壓後得到的就是源碼. c4.5在weka里的實現是j48, 大致是這個路徑吧:weka.classifiers.trees.j48

您可以把整個weka.jar作為外部library導入類似Eclipse這樣的開發環境, 這樣看源碼或者用weka的api進行二次開發都很方便的.

Ⅳ 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