weka分类算法

❶ weka分类算法选项不可用是怎么回事

两种原因1、你的weka出问题了；
2、你的数据不适合分类，自然分类选项会是灰色的；

❷ 我是weka新手，我下载数据集后，用weka中的id3算法来进行分类，结果不能看到决策树，是怎么回事啊

weka的ID3算法是会输出一个决策树的,只不过那只是中间计算时输出的结果。同时还会输出很多其他的统计结果。
要看看它有没有报错。 数据集的属性是不是都是离散型的。如果有些是实数型，如17.1,17.2,1.735,17.2....这样就不符合要求，无法生成合理的决策树。
以下是一个简单的weka输出决策树：

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将多种分类算法集成起来

需要将文件转换成标称（nominal)类型，weka把exel中的数字看作是数据类型，不能处理，从而导致Apriori算法没法用。
WEKA的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis)，同时weka也是新西兰的一种鸟名，而WEKA的主要开发者来自新西兰。wekaWEKA作为一个公开的数据挖掘工作，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。
如果想自己实现数据挖掘算法的话，可以参考weka的接口文档。在weka中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。
2005年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的Weka小组荣获了数据挖掘和知识探索领域的最高服务奖，Weka系统得到了广泛的认可，被誉为数据挖掘和机器学习 历史上的里程碑，是现今最完备的数据挖掘工具之一(已有11年的发展历史)。Weka的每月次数已超过万次。

❹ weka的explorer运行j48算法后，输出如下类容，各是什么含义

这就是决策树分类算法的准确度细节表。第三列是准确率，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，是根据准确率跟召回率算出来的。下面是权重应该。

❺ 谁能帮我翻一下weka的结果，不要用翻译软件，真正懂weka的来帮我翻译下，答得好的有加分，我有1000的财富

=== Run information ===运行信息（如下）

Scheme（前提，场景）:weka.classifiers（weka分类标准）.functions（功能）.Lib（library，素材库）SVM（support vector machine矢量算法支持机） -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（关联）: Glass（玻璃）
Instances实验次数: 214
Attributes特征属性: 10
RI（Refractive index 折射率 ）
Na 钠
Mg镁
Al铝
Si硅
K钾
Ca钙
Ba钡
Fe铁
Type类型
Test mode实验模式:10-fold cross-validation（十倍交叉验证）

=== Classifier model (full training set) ===分类模型（全部一整套的训练指标）

LibSVM wrapper（打包的矢量机素材库）, original code by Yasser EL-Manzalawy (= WLSVM)
（源码由byYasser EL-Manzalawy 提供）WLSVM（wrapper library support vector machine，打包的支持矢量机的素材库）
Time taken to build model:（建立模型消耗时间） 0.02 seconds（秒）

=== Stratified cross-validation ===窄条交叉验证
=== Summary ===实验总结

Correctly Classified Instances 正确分类的次数 148 69.1589 %
Incorrectly Classified Instances 错误分类的次数 66 30.8411 %
Kappa statistic kappa 静止值 0.3579
Mean absolute error 平均绝对错误值 0.0881
Root mean squared error 根平均平方差 0.2968
Relative absolute error 相关绝对错误值 60.7715 %
Root relative squared error 根相对错误值 111.5949 %
Total Number of Instances 总计实验次数 214

=== Detailed Accuracy By Class ===分类后的详细精准度

TP Rate（TP率） FP Rate（FP率） Precision（精确值） Recal（上次结果）l F-Measure （F-测量到的参数） ROC（不太清楚这个） Area（面积） Class（分类）
0.847 0.5 0.676 0.847 0.752 0.674 build wind float 风浮点建模
0.5 0.153 0.727 0.5 0.593 0.674 build wind non-float 风非浮点建模
0 0 0 0 0 ? vehic wind float 运载工具风浮点建模
0 0 0 0 0 ? vehic wind non-float运载工具风非浮点建模

0 0 0 0 0 ? containers 容器（建模后，的小环境）
0 0 0 0 0 ? tableware（桌上的物件）
0 0 0 0 0 ? headlamps（汽车前灯）
Weighted Avg.（平均权重） 0.692 0.344 0.699 0.692 0.68 0.674

=== Confusion Matrix ===混合后的基底值

a b c d e f g <-- classified as分类如下
100 18 0 0 0 0 0 | a = build wind float风浮点建模
48 48 0 0 0 0 0 | b = build wind non-float风非浮点建模
0 0 0 0 0 0 0 | c = vehic wind float运载工具风浮点建模vehicle=vehic
0 0 0 0 0 0 0 | d = vehic wind non-float运载工具风非浮点建模
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汽车大灯