http://liouwei20051000285.blog.163.com/blog/static/2523674201052844649212/

背景介紹：?
1）Weka：
Weka有兩種意思：一種不會飛的鳥的名字，一個機器學習開源項目的簡稱（Waikato Environment for Knowledge Analysis，http://www.cs.waikato.ac.nz/~ml/weka/）。我們這里當然要介紹的是第二種意思啦，Weka項目從1992年開始，由新西蘭政府支持，現在已在機器學習領域大名鼎鼎。Weka里有非常全面的機器學習算法，包括數據預處理、分類、回歸、聚類、關聯規則等。Weka的圖形界面對不會寫程序的人來說非常方便，而且提供“KnowledgeFlow” 功能，允許將多個步驟組成一個工作流。另外，Weka也允許在命令行執行命令。?
2）R?
R就不用我廢話了吧，呵呵，越來越受歡迎的統計軟件（http://www.r-project.org/）。?
3）R與Weka：
R里有很多機器學習的函數和包，不過Weka里提供的函數更全面更集中，所以我有時候需要用到Weka。以前我是這樣用R和Weka的：?
在R中準備好訓練的數據（如：提取數據特征……）；?
整理成Weka需要的格式（*.arff）；?
在Weka里做機器學習（如：特征選擇、分類……）；?
從Weka的預測結果計算需要的統計量（如：sensitivity, specificity, MCC……）。?
來回搗騰兩個軟件還是挺麻煩的；為了偷懶，我沒學Weka的命令行，只會用圖形界面的，在數據量大的時候非常受罪，有時候還會內存不夠。現在發現R竟然提供了和Weka的接口函數包RWeka，以后方便多了哦，下面介紹一下RWeka的功能：?
RWeka?(http://cran.r-project.org/web/packages/RWeka/index.html) ：?
1) 數據輸入和輸出
WOW()：查看Weka函數的參數。?
Weka_control()：設置Weka函數的參數。?
read.arff()：讀Weka Attribute-Relation File Format (ARFF)格式的數據。?
write.arff：將數據寫入Weka Attribute-Relation File Format (ARFF)格式的文件。?
2) 數據預處理
Normalize()：無監督的標準化連續性數據。?
Discretize()：用MDL(Minimum Description Length)方法，有監督的離散化連續性數值數據。?
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()：組合樹結構和Logistic回歸模型，每個葉子節點是一個Logistic回歸模型，準確性比單獨的決策樹和Logistic回歸方法要好。?
M5P()：M5 模型數算法，組合了樹結構和線性回歸模型，每個葉子節點是一個線性回歸模型，因而可用于連續數據的回歸。?
DecisionStump()：單層決策樹算法，常被作為boosting的基本學習器。?
SMO()：支持向量機分類?
AdaBoostM1()：Adaboost M1方法。-W參數指定弱學習器的算法。?
Bagging()：通過從原始數據取樣(用替換方法)，創建多個模型。?
LogitBoost()：弱學習器采用了對數回歸方法,學習到的是實數值?
MultiBoostAB()：AdaBoost 方法的改進，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()：一種規則學習方法。?
M5Rules()：用M5方法產生回歸問題的決策規則。?
OneR()：簡單的1-R分類法。?
PART()：產生PART決策規則。?
4) 聚類
Cobweb()：這是種基于模型方法，它假設每個聚類的模型并發現適合相應模型的數據。不適合對大數據庫進行聚類處理。?
FarthestFirst()：快速的近似的k均值聚類算法?
SimpleKMeans()：k均值聚類算法?
XMeans()：改進的k均值法，能自動決定類別數?
DBScan()：基于密度的聚類方法，它根據對象周圍的密度不斷增長聚類。它能從含有噪聲的空間數據庫中發現任意形狀的聚類。此方法將一個聚類定義為一組“密度連接”的點集。?
5）關聯規則
Apriori()：Apriori是關聯規則領域里最具影響力的基礎算法，是一種廣度優先算法，通過多次掃描數據庫來獲取支持度大于最小支持度的頻繁項集。它的理論基礎是頻繁項集的兩個單調性原則：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。在海量數據的情況下，Apriori 算法的時間和空間成本非常高。?
Tertius()：Tertius算法。?
6）預測和評估：
predict()：根據分類或聚類結果預測新數據的類別?
table()：比較兩個因子對象?
evaluate_Weka_classifier()：評估模型的執行，如：TP Rate，FP Rate，Precision，Recall，F-Measure。

總結

以上是生活随笔為你收集整理的开源机器学习：R Meets Weka zz的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。