基于weka数据分类和聚类分析实验报告.docx

鉴于weka数据分类和聚类剖析实验报告
鉴于weka数据分类和聚类剖析实验报告
鉴于weka数据分类和聚类剖析实验报告
基于weka的数据分类分析实验报告
实验基本内容
本实eka数据分类和聚类剖析实验报告
鉴于weka数据分类和聚类剖析实验报告
这个矩阵是说，原来是“Y”的实例，有14个被正确的预测为“Y”,有3个错误的预测成了“N”。原
本是“NO”的实例有0个被正确的预测成为“Y”，有9个正确的预测成了“N”。“14+3+0+9=26”是实例的
总数，而（14+9）/26=。这个矩阵对角线上的数字越大，说
明预测得越好。
(2)K最近邻分类算法
用“Explorer”翻开数据“”，然后切换到“Classify”。点击“Choose”，选择算法
“lazy-IBk”，再在“Testoptions”选择“Cross-validation（Flods=10）”，点击“Start”，开始
运行。
训练结果：
系统默认lazy-IBkK最近邻分类算法中KNN=1，获得如下结果
===Summary===
%
%



%
%
TotalNumberofInstances26
鉴于weka数据分类和聚类剖析实验报告
鉴于weka数据分类和聚类剖析实验报告
鉴于weka数据分类和聚类剖析实验报告
===DetailedAccuracyByClass===
TPRateFPRatePrecisionRecallF-MeasureROCAreaClass






N






Y
WeightedAvg.






===ConfusionMatrix===
ab<--classifiedas
3|a=N
36|b=Y
使用不同的参数正确率比较：
KNN
1
2
3
4
Correctly
20
19
23
20
Classified
（%）
（%）
（%）
（%）
Instances
由上表，可知KNN为3时，正确率最高。
根据测试数集，利用正确率最高的模型获得的结果：
剖析说明：
在用l