1) 數(shù)據(jù)輸入和輸出
WOW()：查看Weka函數(shù)的參數(shù)。
Weka_control()：設(shè)置Weka函數(shù)的參數(shù)。
read.arff()：讀Weka Attribute-Relation File Format (ARFF)格式的數(shù)據(jù)。
write.arff：將數(shù)據(jù)寫入Weka Attribute-Relation File Format (ARFF)格式的文件。

2) 數(shù)據(jù)預(yù)處理
Normalize()：無監(jiān)督的標(biāo)準(zhǔn)化連續(xù)性數(shù)據(jù)。
Discretize()：用MDL(Minimum Description Length)方法，有監(jiān)督的離散化連續(xù)性數(shù)值數(shù)據(jù)。

3) 分類和回歸
IBk()：k最近鄰分類
LBR()：naive Bayes法分類
J48()：C4.5決策樹算法（決策樹在分析各個屬性時，是完全獨立的）。
LMT()：組合樹結(jié)構(gòu)和Logistic回歸模型，每個葉子節(jié)點是一個Logistic回歸模型，準(zhǔn)確性比單獨的決策樹和Logistic回歸方法要好。
M5P()：M5 模型數(shù)算法，組合了樹結(jié)構(gòu)和線性回歸模型，每個葉子節(jié)點是一個線性回歸模型，因而可用于連續(xù)數(shù)據(jù)的回歸。
DecisionStump()：單層決策樹算法，常被作為boosting的基本學(xué)習(xí)器。
SMO()：支持向量機(jī)分類
AdaBoostM1()：Adaboost M1方法。-W參數(shù)指定弱學(xué)習(xí)器的算法。
Bagging()：通過從原始數(shù)據(jù)取樣(用替換方法)，創(chuàng)建多個模型。
LogitBoost()：弱學(xué)習(xí)器采用了對數(shù)回歸方法,學(xué)習(xí)到的是實數(shù)值
MultiBoostAB()：AdaBoost 方法的改進(jìn)，可看作AdaBoost 和 “wagging”的組合。
Stacking()：用于不同的基本分類器集成的算法。
LinearRegression()：建立合適的線性回歸模型。
Logistic()：建立logistic回歸模型。
JRip()：一種規(guī)則學(xué)習(xí)方法。
M5Rules()：用M5方法產(chǎn)生回歸問題的決策規(guī)則。
OneR()：簡單的1-R分類法。
PART()：產(chǎn)生PART決策規(guī)則。

4) 聚類
Cobweb()：這是種基于模型方法，它假設(shè)每個聚類的模型并發(fā)現(xiàn)適合相應(yīng)模型的數(shù)據(jù)。不適合對大數(shù)據(jù)庫進(jìn)行聚類處理。
FarthestFirst()：快速的近似的k均值聚類算法
SimpleKMeans()：k均值聚類算法
XMeans()：改進(jìn)的k均值法，能自動決定類別數(shù)
DBScan()：基于密度的聚類方法，它根據(jù)對象周圍的密度不斷增長聚類。它能從含有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。此方法將一個聚類定義為一組“密度連接”的點集。

5）關(guān)聯(lián)規(guī)則
Apriori()：Apriori是關(guān)聯(lián)規(guī)則領(lǐng)域里最具影響力的基 礎(chǔ)算法，是一種廣度優(yōu)先算法，通過多次掃描數(shù)據(jù)庫來獲取支持度大于最小支持度的頻繁項集。它的理論基礎(chǔ)是頻繁項集的兩個單調(diào)性原則：頻繁項集的任一子集一 定是頻繁的；非頻繁項集的任一超集一定是非頻繁的。在海量數(shù)據(jù)的情況下，Apriori 算法的時間和空間成本非常高。
Tertius()：Tertius算法。
6）預(yù)測和評估：
predict()：根據(jù)分類或聚類結(jié)果預(yù)測新數(shù)據(jù)的類別
table()：比較兩個因子對象
evaluate_Weka_classifier()：評估模型的執(zhí)行，如：TP Rate，FP Rate，Precision，Recall，F-Measure。

轉(zhuǎn)載于:https://www.cnblogs.com/michael-xiang/p/4555446.html

總結(jié)

以上是生活随笔為你收集整理的weka中算法说明[转]的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。