【转】weka的4大功能环境

Weka包的主要内容和特点3.1 Weka的核心功能Weka主要包括4个核心部分，也是4大功能环境，分别是：

 （1）SimpleCLI
提供了一个简单的命令行界面，从而可以在没有自带命令行的操作系统中直接执行 WEKA 命令。对于Weka的命令详细，我们可以参考Wiki[1]。
使用命令行有两个好处：一个是可以把模型保存下来，这样有新的待预测数据出现时，不用每次重新建模，直接应用保存好的模型即可。另一个是对预测结果给出了置信度，我们可以有选择的采纳预测结果，例如，只考虑那些置信度在85%以上的结果。
（2）Explorer
使用 WEKA 探索数据的环境。在这个环境中，Weka提供了数据的预处理，数据格式的转化（从CSV格式到ARFF格式的转化，详见第4部分），各种数据挖掘算法（包括分类与回归算法，聚类算法，关联规则等），并提供了结果的可视化工具。
对于一个数据集，通过简单的数据的预处理，并对数据挖掘算法进行选择（在Weka3.5版本之后，加入了算法的过滤功能，可以过滤掉那些不适合当前数据集类型的算法），接着通过窗口界面对算法的参数进行配置，最后点击“Start”按钮就可以运行了。
可视化工具分为对数据集的可视化和对部分结果的可视化（详情可以参考 4.2 Weka的输出格式），并且我们可以通过属性选择工具(Select Attribute)，通过搜索数据集中所有属性的可能组合，找出预测效果最好的那一组属性。
（3）Experimenter
运行算法试验、管理算法方案之间的统计检验的环境。Experiment环境可以让用户创建，运行，修改和分析算法试验，这也许比单独的分析各个算法更加方便。例如，用户可创建一次试验，在一系列数据集上运行多个算法（schemes），然后分析结果以判断是否某个算法比其他算法（在统计意义下）更好。
Explorermenter主要包括简单模式，复杂模式和远程模式。复杂模式是对简单模式的基本功能的扩充，而远程模式允许我们通过分布式的方法进行实验。
就功能模块而言，分为设置模块，运行模块和分析模块。在设置模块中我们可以自定义实验，加入多个算法和多方的源数据（支持ARFF文件，CSV文件和数据库），在运行模块中我们可以运行我们的实验，而在分析模块中，我们可以分析各种算法的的准确性，并提供了各种统计方法对结果进行检验比较。
值得一提的是，我们可以把实验的各种参数，包括算法，数据集等，保存以方便下一次相同实验的进行；也可以把各种算法保存，方便应用在不同的数据集上；如果数据集来源于数据库的话，实验在过程中可以中止并继续（原因可以是被中止或者是扩展了实验），这样就不用重新运行那些已实验过的算法/数据集祝贺，而仅计算还没有被实验的那些。
（4）KnowledgeFlow
这个环境本质上和 Explorer所支持的功能是一样的，但是它有一个可以拖放的界面。它有一个优势，就是支持增量学习（incremental learning）。
KnowledgeFlow 为Weka 提供了一个＂数据流＂形式的界面．用户可以从一个工具栏中选择组件，把它们放置在面板上并按一定的顺序连接起来，这样组成一个＂知识流＂（knowledge flow）来处理和分析数据．目前，所有的Weka 分类器（classifier）、筛选器（filter）、聚类器（clusterer）、载入器（loader）、保存器（saver），以及一些其他的功能可以在KnowledgeFlow 中使用。
KnowledgeFlow 可以使用增量模式（incrementally）或者批量模式（inbatches）来处理数据（Explorer 只能使用批量模式）．当然对数据进行增量学习要求分类器能够根据各实例逐个逐个的更新．现在Weka 中有五个分类器能够增量地处理数据：NaiveBayesUpdateable，IB1，IBk，LWR（局部加权回归）．还有一个meta 分类器RacedIncrementalLogitBoost 可以使用任意基于回归的学习器来增量地学习离散的分类任务。
KnowledgeFlow相对于Explorer的几个特性：
（a）直观的数据流式布局
（b）批量或增量地处理数据
（c）并行处理多批数据或流程（每个流在各自的线程中执行）
（d）筛选器可链接在一起
（e）可以查看分类器在交叉验证的各折所产生的模型
（f）可以对处理中的增量分类器的效果进行可视化（为分类准确度、RMS误差、预测等作图）

 

注：这4个功能是Weka的核心功能，在Weka发行版本3.5以后，Weka的界面有所变化，这四个功能集成在Application菜单下。