《數(shù)據(jù)挖掘?qū)д摗方滩呐涮捉虒W(xué)PPT-認(rèn)識數(shù)據(jù)挖掘

第1章認(rèn)識數(shù)據(jù)挖掘數(shù)據(jù)挖掘定義機(jī)器學(xué)習(xí)數(shù)據(jù)查詢專家系統(tǒng)數(shù)據(jù)挖掘過程/作用/技術(shù)/應(yīng)用Weka數(shù)據(jù)挖掘軟件本章目標(biāo)掌握數(shù)據(jù)挖掘的定義了解機(jī)器學(xué)習(xí)中的基本方法概念學(xué)習(xí)歸納學(xué)習(xí)有指導(dǎo)的學(xué)習(xí)無指導(dǎo)的聚類了解與數(shù)據(jù)挖掘有關(guān)的數(shù)據(jù)查詢、專家系統(tǒng)了解數(shù)據(jù)挖掘的過程、作用、技術(shù)、應(yīng)用掌握Weka數(shù)據(jù)挖掘軟件的使用方法03二月2023第2頁，共65頁1.1數(shù)據(jù)挖掘定義數(shù)據(jù)挖掘（DataMining）技術(shù)角度利用一種或多種計算機(jī)學(xué)習(xí)技術(shù)，從數(shù)據(jù)中自動分析并提取信息的處理過程。目的是尋找和發(fā)現(xiàn)數(shù)據(jù)中潛在的有價值的信息、知識、規(guī)律、聯(lián)系和模式。數(shù)據(jù)挖掘與計算機(jī)科學(xué)有關(guān)，一般使用機(jī)器學(xué)習(xí)、統(tǒng)計學(xué)、聯(lián)機(jī)分析處理、專家系統(tǒng)和模式識別等多種方法來實(shí)現(xiàn)。學(xué)科角度數(shù)據(jù)挖掘是一門交叉學(xué)科，涉及數(shù)據(jù)庫技術(shù)、人工智能技術(shù)、統(tǒng)計學(xué)、可視化技術(shù)、并行計算等多種技術(shù)。03二月2023第4頁，共65頁商業(yè)角度商業(yè)智能信息處理技術(shù)；圍繞商業(yè)目標(biāo)開展的，對大量商業(yè)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和處理，從中提取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù)，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，是一種深層次的商業(yè)數(shù)據(jù)分析方法。03二月2023第5頁，共65頁數(shù)據(jù)挖掘（DataMining）1.2機(jī)器學(xué)習(xí)1.2.1概念學(xué)習(xí)通過對大量實(shí)例進(jìn)行訓(xùn)練，從中發(fā)現(xiàn)經(jīng)驗(yàn)化規(guī)律的過程。機(jī)器學(xué)習(xí)結(jié)果的通常表現(xiàn)形式為概念。機(jī)器最擅長的是學(xué)習(xí)概念。概念（Concept）具有某些共同特征的對象、符號或事件的集合。概念可以從三個不同的角度來看待03二月2023第7頁，共65頁1.2.1概念學(xué)習(xí)1、傳統(tǒng)角度（ClassicalView）所有概念都有明確的定義。2、概率角度（ProbabilisticView）對個別樣本實(shí)例進(jìn)行概括性描述，概括性說明構(gòu)成了概率角度中的概念。3、樣本角度（ExemplarView）樣本角度中的概念是將某個概念中的典型實(shí)例組成一個集合，使用該集合來描述概念定義。03二月2023第8頁，共65頁1.2.2歸納學(xué)習(xí)（Induction-BasedLearning）基于歸納的學(xué)習(xí)機(jī)器學(xué)習(xí)方式人類學(xué)習(xí)最重要方式之一人類通過對事物的特定實(shí)例的觀察，對所掌握的已有經(jīng)驗(yàn)材料研究。歸納學(xué)習(xí)從歸納中獲取和探索新知識，并以概念的形式表現(xiàn)出來的學(xué)習(xí)。03二月2023第9頁，共65頁1.2.3有指導(dǎo)的學(xué)習(xí)（SupervisedLearning）定義通過對大量已知分類或輸出結(jié)果值的實(shí)例進(jìn)行訓(xùn)練，調(diào)整分類模型的結(jié)構(gòu)，達(dá)到建立能夠準(zhǔn)確分類或預(yù)測未知模型的目的。這種基于歸納的概念學(xué)習(xí)過程被稱為有指導(dǎo)（監(jiān)督）的學(xué)習(xí)。數(shù)據(jù)實(shí)例（Instance）用于有指導(dǎo)學(xué)習(xí)的樣本數(shù)據(jù)訓(xùn)練實(shí)例（TrainingInstance）用于訓(xùn)練的實(shí)例檢驗(yàn)實(shí)例（TestInstance）分類模型建立完成后，經(jīng)過檢驗(yàn)實(shí)例進(jìn)行檢驗(yàn)，判斷模型是否能夠很好地應(yīng)用在未知實(shí)例的分類或預(yù)測中。03二月2023第10頁，共65頁【例1.1】給定如表1.1所示的數(shù)據(jù)集T，使用有指導(dǎo)的學(xué)習(xí)方法建立分類模型，對未知類別的實(shí)例進(jìn)行分類。表1.1感冒診斷假想數(shù)據(jù)集序號Increased

-lym淋巴細(xì)胞升高Leukocytosis白細(xì)胞升高Fever發(fā)燒Acute-onset起病急Sore-throat咽痛Cooling-effect退熱效果Group群體發(fā)病Cold-type感冒類型1YesNoYesYesNoGoodYesViral2NoYesYesNoYesNotgoodYesBacterial3YesNoYesYesYesGoodYesViral4YesNoNoYesNoUnknownNoViral5NoNoNoNoYesUnknownNoBacterial6NoYesYesYesYesNotgoodNoBacterial7NoYesYesNoYesNotgoodNoViral8YesNoYesNoNoGoodYesViral9YesYesYesYesYesGoodYesViral10YesYesYesNoYesNotgoodNoBacterial03二月2023第12頁，共65頁表1.1感冒診斷假想數(shù)據(jù)集決策樹（DecisionTree）倒立樹，非葉子節(jié)點(diǎn)表示在一個屬性上的分類檢查，葉子節(jié)點(diǎn)表示決策判斷的結(jié)果，該結(jié)果選擇了正確分類較多實(shí)例的分類。決策樹有很多算法（第2章）03二月2023第13頁，共65頁圖1.1感冒類型診斷C4.5決策樹分類未知實(shí)例分類模型建立和檢驗(yàn)完成后，就可以實(shí)際投入使用，即用該模型對未知分類的實(shí)例進(jìn)行分類。03二月2023第14頁，共65頁表1.2未知分類的數(shù)據(jù)實(shí)例序號Increased

-lym淋巴細(xì)胞升高Leukocytosis白細(xì)胞升高Fever發(fā)燒Acute-onset起病急Sore-throat咽痛Cooling-effect退熱效果Group群體發(fā)病Cold-type感冒類型

NoYesYesNoNoNotgoodNo?

YesNoYesNoYesGoodNo?產(chǎn)生式規(guī)則決策樹一般都可以被翻譯為一個產(chǎn)生式規(guī)則集合。產(chǎn)生式規(guī)則的格式為：IF

前提條件THEN

結(jié)論圖1.1翻譯為4條產(chǎn)生式規(guī)則（1）IF

Sore-throat=NoTHENCold-type=Viral（2）IF

Sore-throat=Yes&Cooling-effect=GoodTHENCold-type=Viral（3）IFSore-throat=Yes&Cooling-effect=NotgoodTHENCold-type=Bacterial（4）IFSore-throat=Yes&Cooling-effect=UnknownTHENCold-type=Bacterial03二月2023第15頁，共65頁1.2.4無指導(dǎo)的聚類（UnsupervisedClustering）無指導(dǎo)（監(jiān)督）聚類一種無指導(dǎo)（無教師）的學(xué)習(xí)；在學(xué)習(xí)訓(xùn)練之前，無預(yù)先定義好分類的實(shí)例，數(shù)據(jù)實(shí)例按照某種相似性度量方法，計算實(shí)例之間的相似程度，將最為相似的實(shí)例聚類在一個組——簇（Cluster）中，再解釋和理解每個簇的含義，從中發(fā)現(xiàn)聚類的意義。03二月2023第16頁，共65頁【例1.2】給定如表1.1所示的數(shù)據(jù)集T，使用無指導(dǎo)聚類方法，對所有實(shí)例進(jìn)行分類，解釋每個簇的含義。挖掘準(zhǔn)備刪除Cold-type（感冒類型）屬性選擇算法無指導(dǎo)聚類有很多種算法，K-means（K-均值）算法、凝聚聚類方法、概念分層Cobweb算法、EM算法等。K-means算法是一種最為常用和易用的算法。指定初始簇K-means（K-均值）算法在聚類前指定一個初始的簇的個數(shù)，本例指定為2。03二月2023第18頁，共65頁聚類結(jié)果聚類為兩個簇，每個簇有5個實(shí)例，分別為Cluster0={1,3,4,8,9}Cluster1={2,5,6,7,10}每個簇的概念結(jié)構(gòu)可以表示為一個產(chǎn)生式規(guī)則（1）IFIncreased

-lym=Yes&Cooling-effect=GoodTHENCluster=0（ruleaccuracy=4/4=100%，rulecoverage=4/5=80%）（2）IFSore-throat=Yes&Cooling-effect=NotgoodTHENCluster=1（ruleaccuracy=4/4=100%，rulecoverage=4/5=80%）03二月2023第19頁，共65頁1.3數(shù)據(jù)查詢數(shù)據(jù)查詢（DataQuery）通過數(shù)據(jù)查詢語言在數(shù)據(jù)中找出所需要的數(shù)據(jù)或信息。什么時候使用數(shù)據(jù)挖掘，什么時候使用數(shù)據(jù)查詢呢？獲取淺知識或多維知識（MultidimensionalKnowledge）獲取數(shù)據(jù)中潛在的、隱藏的信息或知識——隱含知識（HiddenKnowledge）03二月2023第21頁，共65頁1.4專家系統(tǒng)專家系統(tǒng)（ExpertSystem）一種具有“智能”的計算機(jī)軟件系統(tǒng)。能夠模擬某個領(lǐng)域的人類專家的決策過程，解決那些需要人類專家處理的復(fù)雜問題。一般包含以規(guī)則形式表示的領(lǐng)域?qū)＜业闹R和經(jīng)驗(yàn)，系統(tǒng)就是利用這些知識和方法進(jìn)行推理和判斷，從而解決該領(lǐng)域中實(shí)際問題。專家（Expert）有能力解決領(lǐng)域中復(fù)雜問題的人通常被稱為該領(lǐng)域中的專家（Expert）03二月2023第23頁，共65頁專家系統(tǒng)方法

與

數(shù)據(jù)挖掘方法03二月2023第24頁，共65頁圖1.2專家系統(tǒng)方法vs數(shù)據(jù)挖掘方法1.5數(shù)據(jù)挖掘的過程KDD過程數(shù)據(jù)挖掘是KDD過程中的一個階段（第3章）一次數(shù)據(jù)挖掘?qū)嶒?yàn)分為4個步驟（1）準(zhǔn)備數(shù)據(jù)，包括準(zhǔn)備訓(xùn)練數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)（2）選擇一種數(shù)據(jù)挖掘技術(shù)或算法，將數(shù)據(jù)提交給數(shù)據(jù)挖掘軟件（3）解釋和評估結(jié)果（4）模型應(yīng)用03二月2023第26頁，共65頁圖1.3數(shù)據(jù)挖掘?qū)嶒?yàn)過程示意圖1.5.1準(zhǔn)備數(shù)據(jù)是整個數(shù)據(jù)挖掘過程中較為重要和費(fèi)時費(fèi)力的階段。在明確數(shù)據(jù)挖掘目標(biāo)后，可以通過從傳統(tǒng)數(shù)據(jù)庫、數(shù)據(jù)倉庫和平面文件三種途徑收集和抽取數(shù)據(jù)。1、傳統(tǒng)數(shù)據(jù)庫操作型數(shù)據(jù)庫（OperationalDatabase），它是面向日常事務(wù)處理的數(shù)據(jù)庫，通常結(jié)構(gòu)為關(guān)系模型。數(shù)據(jù)庫中包含若干個規(guī)范化了的二維關(guān)系表。2、數(shù)據(jù)倉庫數(shù)據(jù)倉庫（DataWarehouse）是面向決策支持而不是日常事務(wù)處理而設(shè)計的。3、平面文件一些數(shù)據(jù)量較小的數(shù)據(jù)集可以存儲在如Excel電子表格、.csv、.arff等平面文件中。03二月2023第27頁，共65頁1.5.2挖掘數(shù)據(jù)選擇一種數(shù)據(jù)挖掘技術(shù)或算法，將數(shù)據(jù)提交給數(shù)據(jù)挖掘工具，應(yīng)用該算法建立模型。選擇數(shù)據(jù)挖掘技術(shù)或算法需要考慮（1）判斷學(xué)習(xí)是有指導(dǎo)的還是無指導(dǎo)的。（2）數(shù)據(jù)集中的哪些實(shí)例和屬性提交給數(shù)據(jù)挖掘工具；哪些數(shù)據(jù)實(shí)例作為訓(xùn)練數(shù)據(jù)；哪些數(shù)據(jù)實(shí)例作為檢驗(yàn)數(shù)據(jù)。（3）如何設(shè)置數(shù)據(jù)挖掘算法的參數(shù)。03二月2023第28頁，共65頁1.5.3解釋和評估結(jié)果對數(shù)據(jù)挖掘的輸出進(jìn)行檢查，評估其是否達(dá)到挖掘目標(biāo)，確定所發(fā)現(xiàn)的信息或知識是有價值的。數(shù)據(jù)挖掘的評估工具有多種（第5章）如果結(jié)果不理想，可以（1）（2）進(jìn)行重復(fù)實(shí)驗(yàn)，直到得到滿意結(jié)果為止。

（1）使用或選擇新的數(shù)據(jù)實(shí)例或?qū)傩?/p>

（2）選擇新的數(shù)據(jù)挖掘算法或參數(shù)一個數(shù)據(jù)挖掘過程是個迭代的過程。03二月2023第29頁，共65頁1.5.4模型應(yīng)用數(shù)據(jù)挖掘的終極目標(biāo)?？梢詰?yīng)用分類模型解決如例1.1中的疾病診斷問題；可以應(yīng)用聚類模型解決對顧客的分類，找出不同類中顧客的行為特征，從而為諸如促銷活動等提供決策支持；可以通過應(yīng)用關(guān)聯(lián)分析模型，找出顧客購買的商品之間的關(guān)聯(lián)關(guān)系，對于貨架擺放、商品促銷等提供決策支持。03二月2023第30頁，共65頁1.6數(shù)據(jù)挖掘的作用數(shù)據(jù)挖掘的作用兩大類建立有指導(dǎo)的學(xué)習(xí)模型和無指導(dǎo)聚類模型。因變量（DependentVariables）有指導(dǎo)的學(xué)習(xí)模型中的輸出屬性的值依賴于輸入屬性的取值，所以輸出屬性又被稱為因變量自變量（IndependentVariables）相對的，輸入屬性被稱為自變量03二月2023第32頁，共65頁數(shù)據(jù)挖掘的作用03二月2023第33頁，共65頁圖1.4數(shù)據(jù)挖掘的作用1.7數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)挖掘技術(shù)（DataMiningTechnique）對一組數(shù)據(jù)應(yīng)用一種數(shù)據(jù)挖掘方法。一般由一個數(shù)據(jù)挖掘算法和一個相關(guān)的知識結(jié)構(gòu)，如樹結(jié)構(gòu)或規(guī)則來定義的。03二月2023第35頁，共65頁1.7.1神經(jīng)網(wǎng)絡(luò)（NeuralNetwork）一種具有統(tǒng)計特性的數(shù)學(xué)模型。創(chuàng)建思想源于人類神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能和運(yùn)行過程。試圖模擬人腦功能來完成學(xué)習(xí)。已經(jīng)成功地應(yīng)用于多個領(lǐng)域的問題中，是非常流行的數(shù)據(jù)挖掘技術(shù)?？梢越⒂兄笇?dǎo)學(xué)習(xí)模型和無指導(dǎo)聚類模型。輸入屬性必須是數(shù)值的，輸出屬性可以是數(shù)值的也可以是分類的。03二月2023第36頁，共65頁前饋（Feed-Forward）神經(jīng)網(wǎng)常用的有指導(dǎo)的學(xué)習(xí)模型。全連接每一層的每個節(jié)點(diǎn)都與其下一層的所有節(jié)點(diǎn)相連接，而同層節(jié)點(diǎn)之間不相連。每個網(wǎng)絡(luò)連接上都具有權(quán)重值，如w1j、w2j、w3j。03二月2023第37頁，共65頁圖1.5三層全連接前饋神經(jīng)網(wǎng)建立神經(jīng)網(wǎng)絡(luò)模型的兩個階段第一個階段——學(xué)習(xí)訓(xùn)練階段將每個實(shí)例的輸入屬性值提交給輸入層節(jié)點(diǎn)。神經(jīng)網(wǎng)絡(luò)使用輸入值和網(wǎng)絡(luò)連接權(quán)重值來計算每個實(shí)例的輸出。將每個實(shí)例的輸出和希望的網(wǎng)絡(luò)輸出進(jìn)行比較，希望值和計算輸出值之間的誤差通過修改連接權(quán)值傳回網(wǎng)絡(luò)。當(dāng)達(dá)到一定的迭代次數(shù)后或當(dāng)網(wǎng)絡(luò)收斂到一個預(yù)定的最低錯誤率時，訓(xùn)練終止。第二個階段——檢驗(yàn)階段固定網(wǎng)絡(luò)權(quán)重，將模型用于計算新實(shí)例的輸出值。03二月2023第38頁，共65頁1.7.2回歸分析（RegressionAnalysis）一種統(tǒng)計分析方法?？梢杂脕泶_定兩個或兩個以上變量之間的定量的依賴關(guān)系，并建立一個數(shù)學(xué)方程作為數(shù)學(xué)模型，來概化一組數(shù)值數(shù)據(jù)，進(jìn)而進(jìn)行數(shù)值數(shù)據(jù)的估值和預(yù)測。應(yīng)用非常廣泛。03二月2023第39頁，共65頁辦公樓數(shù)據(jù)集序號Space（x1）Offices（x2）Entrances（x3）Age（x4）Value1231022201420002233322121440003235631.5331510004237932431500005240223531390006242542231690007244821.5991260008247122341429009249433231630001025174455169000112540232214900003二月2023第40頁，共65頁表1.3辦公樓數(shù)據(jù)集回歸模型03二月2023第41頁，共65頁y=27.64×2500+12529.77×3+2553.21×2?234.24×25+52317.83=158257.56

使用回歸方程預(yù)估辦公樓的價值。設(shè)有一座未知價值的辦公樓，面積為2500、3個辦公室、2個入口，已使用25年，則其估計價值計算所得，為158257.56。1.7.3關(guān)聯(lián)分析一種關(guān)聯(lián)規(guī)則（AssociationRule）挖掘技術(shù)，用于發(fā)現(xiàn)數(shù)據(jù)中屬性之間的有價值的聯(lián)系。關(guān)聯(lián)規(guī)則可以有多個輸出屬性，一個規(guī)則的輸出屬性可以在另一規(guī)則中作為輸入屬性。關(guān)聯(lián)分析用來發(fā)現(xiàn)潛在的令人感興趣的商品購買組合，是購物籃分析的常用技術(shù)。關(guān)聯(lián)分析有多種算法，其中最著名的為Agrawal等人于1993年提出的Apriori關(guān)聯(lián)分析算法。Apriori算法不支持?jǐn)?shù)值型數(shù)據(jù)，在使用該算法之前，需要進(jìn)行必要的數(shù)據(jù)變換。03二月2023第42頁，共65頁【例1.3】應(yīng)用Apriori算法，對表1.1中的數(shù)據(jù)集進(jìn)行關(guān)聯(lián)分析，找出感冒癥狀之間的關(guān)聯(lián)關(guān)系。關(guān)聯(lián)規(guī)則生成三條關(guān)聯(lián)規(guī)則（1）IFLeukocytosis=YesTHENFever=Yes（ruleaccuracy=5/5=100%，rulecoverage=5/8=62.5%）（2）IFIncreased-lym=NoTHENSore-throat=Yes（ruleaccuracy=4/4=100%，rulecoverage=4/7=57.1%）（3）IFCooling-effect=GoodTHENFever=Yes（ruleaccuracy=4/4=100%，rulecoverage=4/8=50%）03二月2023第44頁，共65頁1.7.4聚類技術(shù)基于劃分的聚類方法（K-means算法）基于分層的聚類方法基于模型的聚類方法。。。03二月2023第45頁，共65頁1.8數(shù)據(jù)挖掘的應(yīng)用1.8.1應(yīng)用領(lǐng)域03二月2023第47頁，共65頁圖1.6網(wǎng)站公布的2012年數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域1.8.2成功案例除了最著名的沃爾瑪?shù)哪虿己推【浦?，還有（1）EmpireBlueCross公司利用DWT，甄別出虛假開立醫(yī)療憑據(jù)的醫(yī)生，節(jié)省濫賠支出。（2）金融犯罪強(qiáng)制網(wǎng)絡(luò)AI系統(tǒng)（FAIS）使用DWT，識別大型現(xiàn)金交易中可能存在的洗錢行為。（3）加拿大西門菲沙大學(xué)（SimonFraser）的KDD研究組根據(jù)其擁有的十幾年的客戶數(shù)據(jù)，進(jìn)行數(shù)據(jù)挖掘分析，提出了新的電話收費(fèi)和管理辦法，制定出公司和客戶都受益的優(yōu)惠政策。（4）美國梅?。∕ellon）銀行使用IntelligentAgent數(shù)據(jù)挖掘工具提高銷售和定價金融產(chǎn)品的準(zhǔn)確率。（5）美國西部通信（USWestCommunications）根據(jù)家庭大小、家庭成員平均年齡和所在地特征，使用數(shù)據(jù)挖掘和數(shù)據(jù)倉庫來確定客戶的傾向和需要，從而幫助簽約新客戶和增加與新客戶的交易額。（6）使用貝葉斯分類數(shù)據(jù)挖掘技術(shù)，薩莎（Sacha）等人成功地通過心肌SPECT圖像對心肌灌注進(jìn)行分類，診斷患者是否患有冠心病。（7）20世紀(jì)Fox公司利用數(shù)據(jù)挖掘技術(shù)分析票房收入來確定在各個市場環(huán)境中更容易被接受的演員和故事情節(jié)。（8）科學(xué)界普遍認(rèn)為存在兩種γ射線爆。慕克吉（Mukherjee）等人使用統(tǒng)計聚類分析法發(fā)現(xiàn)了第三類γ射線爆。（9）NBA球隊使用IBM公司開發(fā)的數(shù)據(jù)挖掘應(yīng)用軟件AdvancedScout系統(tǒng)來優(yōu)化他們的戰(zhàn)術(shù)組合。（10）全球十大視頻網(wǎng)站

之一Netflix公司應(yīng)用大數(shù)據(jù)的挖掘技術(shù)，成功營銷熱播劇——《紙牌屋》。03二月2023第48頁，共65頁1.9Weka數(shù)據(jù)挖掘軟件1.9.1Weka簡介Weka（WaikatoEnvironmentforKnowledgeAnalysis，懷卡托智能分析環(huán)境）誕生于UniversityofWaikato（新西蘭懷卡托大學(xué)）?；贘ava的免費(fèi)開源軟件。集成了有關(guān)數(shù)據(jù)挖掘的機(jī)器學(xué)習(xí)算法和統(tǒng)計技術(shù)，具有數(shù)據(jù)預(yù)處理、分類、聚類、關(guān)聯(lián)分析、屬性選擇和交互式可視化等功能。操作簡單、易學(xué)易用，作為入門軟件完成簡單挖掘工作。若未安裝JRE，需下載包含JRE的Weka版本（Weka3.6.10）03二月2023第50頁，共65頁1.Weka的特點(diǎn)Weka軟件特點(diǎn)（1）跨平臺；（2）支持結(jié)構(gòu)化文本文件、數(shù)據(jù)挖掘格式文件和數(shù)據(jù)庫接口；（3）可處理連續(xù)型數(shù)值數(shù)據(jù)和離散型（字符型和日期型）數(shù)據(jù)；（4）具有缺失數(shù)據(jù)處理、噪聲處理、標(biāo)準(zhǔn)化、數(shù)據(jù)離散化、屬性構(gòu)造、轉(zhuǎn)換變量、拆分?jǐn)?shù)據(jù)、數(shù)據(jù)平滑等數(shù)據(jù)預(yù)處理功能；（5）具有分類、聚類、關(guān)聯(lián)和可視化等數(shù)據(jù)挖掘功能；（6）提供算法組合、用戶自定義算法嵌入、算法參數(shù)設(shè)置功能；（7）能夠生成基本報告、測試報告、輸出格式，實(shí)現(xiàn)模型解釋、模型比較、數(shù)據(jù)評分功能；（8）具有數(shù)據(jù)、挖掘過程及挖掘結(jié)果可視化功能。03二月2023第52頁，共65頁2.Weka的文件格式ARFF文件Weka默認(rèn)使用ARFF（Attribute-RelationFileFormat）。一種ASCII文本文件格式，由兩部分組成第一部分為頭信息（HeadInformation），包括對關(guān)系的聲明和對屬性的聲明；第二部分為數(shù)據(jù)信息（Data