http://www.cs.waikato.ac.nz/ml/weka/

http://prdownloads.sourceforge.net/weka/weka-3-6-6jre.exe

它是集資料預處理、學習演算法（分類、迴歸、聚類、關聯分析）和評估方法等為一體的綜合性資料探勘工具

具有互動式視覺化介​​面

提供演算法學習比較環境

透過其接口，可實現自己的資料探勘演算法

區域1的幾個選項卡是用來切換不同的挖掘任務面板。

區域2是一些常用按鈕。包括開啟、編輯、儲存資料及資料轉換等功能。例如,我們可以把檔案「bank-data.csv」另存為「bank-data.arff」。

區域3中可以選擇（Choose）某個篩選器（Filter），以實現篩選資料或對資料進行某種變換。資料預處理主要就利用它來實現。

區域4展示了資料集的關係名、屬性數和實例數等基本情況。

區域5中列出了資料集的所有屬性。

區域6中顯示在區域5中選取的目前某個屬性的摘要。

區域7是區域5中選取屬性的直方圖。

區域8視窗的底部區域，包括狀態列、log按鈕和Weka鳥。

表格裡的橫行稱作一個實例（Instance），相當於統計學中的一個樣本，或資料庫中的一筆記錄。

垂直行稱作一個屬性（Attribute），相當於統計中的一個變量，或資料庫中的一個欄位。

這樣一個表格，或者叫資料集，在WEKA看來，呈現了屬性之間的一種關係(Relation)。

上圖中共有14個實例，5個屬性，關係名稱為「weather」。

WEKA儲存資料的格式是ARFF（Attribute-Relation File Format）文件，這是一種ASCII文字檔案。

上圖所示的二維表格儲存在如下的ARFF檔案中。這也就是WEKA自帶的「weather.arff」文件，在WEKA安裝目錄的「data」子目錄下可以找到。

這是一種ASCII文字檔案（ ASCII ((American Standard Code for Information Interchange): 美國資訊交換標準代碼 ）

檔案的副檔名為.arff

可以用寫字板打開、編輯 ARFF文件

第一部分給出了頭資訊（Head information），包括了對關係的聲明和對屬性的聲明。

第二部分給出了資料資訊（Data information），即資料集中給出的資料。從「@data」標記開始，後面的就是資料資訊了。

關係名稱在ARFF檔案的第一個有效行來定義，格式為：@relation <關係名稱>

<關係名>是一個字串。如果這個字串包含空格，它必須加上引號（指英文標點的單引號或雙引號）。

屬性聲明以一列以「@attribute」開頭的語句表示。

資料集中的每一個屬性都有對應的「@attribute」語句，來定義它的屬性名稱和資料類型（datatype）：@attribute <屬性名稱> <資料類型>

屬性宣告語句的順序很重要，它顯示了該項屬性在資料部分的位置。

numeric 數值型

<nominal-specification> 標稱（nominal）型

string 字串型

date [<date-format>] 日期和時間型

注意

資料資訊中「@data」標記獨佔一行，剩下的是各個實例的資料。

每個實例佔一行，實例的各屬性值以逗號「,」隔開。

如果某個屬性的值是缺失值（missing value），用問號「?」表示，而這個問號不能省略。

有的時候資料集中含有大量的0值，這時候用稀疏格式的資料儲存更加省空間。

稀疏格式是針對資料資訊中某個物件的表示而言，不需要修改ARFF檔案的其它部分。

注意：ARFF資料集最左端的屬性列為第0列，因此，1 X表示X為第1列屬性值。

直接使用ARFF檔案資料。

從CSV，C4.5，binary等多種格式檔案匯入。

透過JDBC從SQL資料庫讀取資料。

從URL（Uniform Resource Locator）取得網路資源的資料。

ARFF格式是WEKA支援得最好的檔案格式。

使用WEKA作資料探勘，面臨的第一個問題往往是資料不是ARFF格式的。

WEKA也提供了對CSV檔案的支持，而這種格式是被許多其他軟體（例如Excel）所支持。

可以利用WEKA將CSV檔案格式轉換成ARFF檔案格式。

WEKA自帶的資料集 C:\Program Files\Weka-3-6\data

網路資料資源 http://archive.ics.uci.edu/ml/datasets.html

Excel的XLS檔案可以讓多個二維表格放到不同的工作表（Sheet）中，只能把每個工作表存成不同的CSV檔案。

開啟一個XLS檔案並切換到需要轉換的工作表，另存為CSV類型，點「確定」、「是」忽略提示即可完成操作。

在WEKA中開啟一個CSV類型文件，再另存為ARFF類型文件即可。

Explorer的預處理（ preprocess ）頁區域2的前4個按鈕用來把資料載入WEKA：

通常對於資料探勘任務來說，像ID這樣的資訊是無用的，可以將之刪除。

在區域5勾選屬性“id”，並點選“Remove”。 將新的資料集儲存，並重新開啟

有些演算法(如關聯分析)，只能處理標稱型屬性，這時候就需要對數值型的屬性進行離散化。

對取值有限的數值型屬性可透過修改.arff檔案中該屬性資料類型實現離散化。

對取值較多的數值型屬性，離散化可藉助WEKA中名為「Discretize」的Filter來完成。

Bayes: 貝葉斯分類器

Lazy: 基於實例的分類器

Meta: 組合方法

Rules: 基於規則的分類器

Trees: 決策樹分類器

Using training set 使用訓練集評估

Supplied test set 使用測試集評估

Cross-validation 交叉驗證

Percentage split 保持方法。使用一定比例的訓練實例作評估

Output model. 輸出基於整個訓練集的分類模型，從而模型可以被查看，可視化等。該選項預設為選取。

Output per-class stats. 輸出每個class的準確度/回饋率（precision/recall）和正確/錯誤（true/false）的統計量。該選項預設為選取。

Output evaluation measures. 輸出熵估計度量。該選項預設沒有選取。

Output confusion matrix. 輸出分類器預測結果的混淆矩陣。該選項預設為選取。

Store predictions for visualization. 記錄分類器的預測結果使得它們能被視覺化表示。

Output predictions. 輸出測試資料的預測結果。注意在交叉驗證時，實例的編號不代表它在資料集中的位置。

Cost-sensitive evaluation. 誤差將根據一個價值矩陣來估計。 Set… 按鈕用來指定價值矩陣。

Random seed for xval / % Split. 指定一個隨即種子，當出於評價的目的需要分割資料時，它用來隨機化資料。

點選start按鈕，Classifier output視窗顯示的文字結果資訊：

主要指標

View in main window(查看主視窗)。在主視窗中查看輸出結果。

View in separate window(查看不同的視窗)。打開一個獨立的新視窗來查看結果。

Save result buffer(保存結果的緩衝區)。彈出對話方塊來儲存輸出結果的文字檔案。

Load model(下載模式)。從二進位檔案中載入一個預訓練模式物件。

Save model (保存模式)。將一個模式物件儲存到二進位檔案中，也就是儲存在JAVA 的序列物件格式中。

Re-evaluate model on current test set(重新評估目前測試集)。透過已建立的模式，並利用Supplied test set(提供的測試集) 選項下的Set..按鈕來測試指定的資料集。

Visualize classifier errors(可視化分類器錯誤)。彈出一個視覺化視窗來顯示分類器的結果圖。其中，正確分類的實例以叉表示，然而不正確分類的實例則是以小正方形來表示的。

Visualize tree(樹的可視化)。如果可能的話，則彈出一個圖形化的介面來描述分類器模型的結構(這只有一部分分類器才有的)。右鍵單擊空白區域彈出一個選單，在面板中拖曳滑鼠並單擊，就可以看見每個節點對應的訓練實例。

Visualize margin curve(邊際曲線的可視化)。產生一個散佈圖來描述預測邊際的情況。邊際被定義為預測為真實值的機率和預測為真實值之外的其它某類的最高機率之差。例如加速演算法透過增加訓練資料集的邊際來更好地完成測試資料集的任務。

Visualize threshold curve(閾曲線的可視化)。產生一個散點圖來描述預測中的權衡問題，其中權衡是透過改變類別之間閾值來獲得的。例如，預設閾值為0.5，一個實例預測為positive的機率必須大於0.5，因為0.5時實例剛好預測為positive。而且圖表可以用來對精確率/回饋率權衡進行視覺化，如ROC 曲線分析(正確的正比率和錯誤的正比率)和其它的曲線。

Visualize cost curve(成本曲線的視覺化)。產生一個散佈圖，來確切描述期望成本，正如Drummond 和Holte 所描述的一樣。

SimpleKMeans — 支援分類屬性的K均值演算法

DBScan — 支援分類屬性的基於密度的演算法

EM — 基於混合模型的聚類演算法

FathestFirst — K中心點演算法

OPTICS — 基於密度的另一個演算法

Cobweb — 概念聚類演算法

sIB — 基於資訊理論的聚類演算法，不支援分類屬性

XMeans — 能自動確定簇個數的擴展K均值演算法，不支援分類屬性

使用訓練集 (Use training set) — 報告訓練物件的聚類結果和分組結果

點選「Start」按鈕，執行聚類演算法

觀察右邊「Clusterer output」給出的聚類結果。也可以在左下角「Result list」中這次產生的結果上點右鍵，「View in separate window」在新視窗中瀏覽結果。

文字分析

圖形分析

重要的輸出訊息

觀察可視化的聚類結果

例如，milk, butter  bread, eggs (置信度 0.9 and 支援數 2000)

支持度（support）－ 同時觀察到前件和後件的機率 support = Pr(L,R)

置信度（confidence）－ 出現前件時同時出現後件的機率 confidence = Pr(L,R)/Pr(L)

WEKA資料探勘平台上的關聯規則探勘的主要演算法有：

這三個演算法均不支援數值型數據。

事實上，絕大部分的關聯規則演算法均不支援數值型。所以必須將資料處理，將資料依區段劃分，進行離散化分箱處理。

關聯規則挖掘演算法運行信息

評估器決定了怎樣給一組屬性安排一個表示它們好壞的值。

搜尋策略決定了要怎樣進行搜尋。

Attribute Selection Mode 一欄有兩個選項。

和 Classify 部分一樣，有一個下拉框來指定class屬性。

點選Start按鈕開始執行屬性選擇程序。它完成後，結果會輸出到結果區域中，同時結果清單中會增加一個條目。

在結果清單上按右鍵，會給出若干選項。其中前面三個（View in main window，View in separate window 和 Save result buffe）和分類面板中是一樣的。

也可以視覺化精簡過的資料集（Visualize reduced data）

能視覺化變換過的資料集（Visualize transformed data）

精簡過/變換過的資料能夠透過 Save reduced data... 或 Save transformed data... 選項來儲存。

選擇了 Visualize 面板後，會為所有的屬性給予一個散佈圖矩陣，它們會根據所選的class 屬性來著色。

這裡可以改變每個二維散佈圖的大小，改變各點的大小，以及隨機地抖動（jitter）資料（使得被隱藏的點顯示出來）。

也可以改變用來著色的屬性，可以只選擇一組屬性的子集放在散點圖矩陣中，也可以取出資料的子樣本。

注意這些改變只有在點擊了Update 了按鈕之後才會生效。

在散佈圖矩陣的一個元素上點擊後，會彈出一個單獨的視窗對所選的散點圖進行視覺化。

數據點散佈在視窗的主要區域。上方是兩個下拉框選擇用來選擇打點的座標軸。左邊是用作 x 軸的屬性；右邊是用作 y 軸的屬性。

在 x 軸選擇器旁邊是一個下拉框用來選擇著色的方案。它可以根據所選的屬性給點著色。

在打點區域的下方，有圖例來說明每種顏色所代表的是什麼值。如果這些值是離散的，可以透過點擊它們彈出的新視窗來修改顏色。

打點區域的右邊有一些水平橫條。每一條代表著一個屬性，其中的點代表了屬性值的分佈。這些點隨機的在垂直方向散開，使得點的密集程度能被看出來。

在這些橫條上點選可以改變主圖所使用的座標軸。左鍵點選改變 x 軸的屬性；右鍵點選改變 y 軸的。橫條旁邊的「X」和「Y」代表了目前的軸用的那個屬性（「B」則表示 x 軸和 y 軸都是它）。

屬性橫條的上方是標示 Jitter 的遊標。它能隨機地使得散佈圖中各點的位置發生偏移，也就是抖動。把它拖曳到右邊可以增加抖動的幅度，這對辨識點的密集程度很有用。

如果不使用這樣的抖動，幾萬個點放在一起和單獨的一個點看起來會沒有差別。

在y軸選擇按鈕的下方是一個下拉按鈕，它決定選取資料點的方法。

可以透過以下四種方式選取資料點：

在KnowledgeFlow 視窗頂部有八個標籤：