智能信息获取技术实验指导书.doc

智 能 信 息 获 取 技 术实验指导书实验一一、实验名称： 基于Nave Bayes的信息获取二、实验目的：通过一个已有的训练数据集，观察训练集中的实例，建立Bayes网络的预测模型，更好地理解和掌握Bayes算法的基本原理，建立相应的预测模型，然后对新的未知实例进行预测，预测的准确程度来衡量所建立模型的好坏。三、实验要求1、熟悉Weka平台2、掌握Nave Bayes算法3、对数据进行预处理，利用Weka和不同参数设置进行关联分析，对比结果，得出结论，对问题进行总结。四、实验平台新西兰怀卡托大学研制的Weka系统五、试验数据1、使用银行对资产进行评估的数据bank-data.arf，数据里有12个属性，分别是id,age,sex,region,income,married,children, car, save_act, current_act, mortgage,pep.共600个实例。2、将含有600个实例的“bank-data.csv”文件中取出300个实例用做训练集，在另外300个实例中取50个作为待预测的实例。3、本测试集中将pep属性作为分类的目标类别，因此将其设为缺失值缺失值用？表示。六、试验方法和步骤1、数据准备（1）将原来的“bank-data.csv”文件转化为arff文件“bank-data.csv.arff”。（2）“ID”属性不需要的去掉。（3）把“Children”属性转换成分类型的两个值“YES”和“NO”。（4）将“bank-data.csv.arff”文件的600条数据中前300条数据作为训练数据集，并保存为文件。（5）从后300条数据里抽取50条数据作为测试数据集，它们的“pep”属性都设为缺失值，并保存为文件。2、训练过程（1） 用“Explorer”打开训练集，观察一下它是不是按照前面的要求处理好了。（2） 切换到“Classify”选项卡。（3）点击“Choose”按钮后可以看到很多分类或者回归的算法分门别类的列在一个树型框里。树型框下方有一个“Filter.”按钮，点击可以根据数据集的特性过滤掉不合适的算法。我们数据集的输入属性中有“Binary”型（即只有两个类的分类型）和数值型的属性，而Class变量是“Binary”的；于是我们勾选“Binary attributes”“Numeric attributes”和“Binary class”。（4） 点“OK”后回到树形图，可以发现一些算法名称变红了，说明它们不能选用。（5）点击“Choose”右边的文本框，弹出新窗口为该算法设置各种参数。点“More”查看参数说明，点“Capabilities”是查看算法适用范围。这里我们把参数保持默认。（6）看左中的“Test Option”。我们没有专门设置检验数据集，为了保证生成的模型的准确性而不至于出现过拟合（overfitting）的现象，我们有必要采用10折交叉验证（10-fold cross validation）来选择和评估模型，选上“Cross-validation”并在“Folds”框填上“10”。（7）点“Start”按钮开始让算法生成Bayes模型。这个模型的误差分析等等结果将出现在右边的“Classifier output”中。同时左下的“Results list”出现了一个项目显示刚才的时间和算法名称。（8）右键点击“Results list”刚才出现的那一项，弹出菜单中选择“Visualize tree”，可以看到可视化结果。3、测试过程（1）注意待预测数据集和训练用数据集各个属性的设置必须是一致的。（2）在“Test Opion”中选择“Supplied test set”，并且“Set”成要应用模型的数据集，这里是“bank-new.arff”文件。（3）右键点击“Result list”中刚产生的那一项，选择“Re-evaluate model on current test set”。右边显示结果的区域中会增加一些内容，告诉你该模型应用在这个数据集上表现将如何。我们的Class属性都是些缺失值，那这些内容是无意义的，我们关注的是模型在新数据集上的预测值。（4）点击右键菜单中的“Visualize classifier errors”， 将弹出一个新窗口显示一些有关预测误差的散点，点击这个新窗口中的“Save”按钮，保存一个Arff文件。（5）打开这个文件可以看到在倒数第二个位置多了一个属性（predictedpep），这个属性上的值就是模型对每个实例的预测值，点“Edit”按钮可以查看这个数据集的内容。七、通过实验,要求同学在贝叶斯信息获取实验中解决以下问题，并递交完整的实验报告1、在数据预处理中，通过转换与否的实验比较,判断是否一定要把“Children”属性转换成分类型的两个值“YES” “NO”。2、 在算法选择时,点击“Choose”按钮后可以看到哪些分类的算法分门别类的列在一个树型框里? 将些数据截图,在实验报告中进行详解。 3、点击“Choose”右边的文本框，弹出新窗口为该算法设置各种参数。点“More”查看参数说明，点“Capabilities”查看算法适用范围。请在实验报告中详解的参数设置情况。 4、请介绍你建立好的模型以及对该模型的误差分析等结果,如:出现在“Classifier output”中的模型准确度等,将这些数据截图, 在实验报告中进行详解。 5、如果你的模型准确度不高,你是怎样通过修改算法的参数来提高准确度?6、通过点击“Results list”,并选择可视化,在图形模式中打开你的模型,并将它截图,在实验报告中显示你的实验结果。实验二一、实验名称： 基于关联规则的信息获取二、实验目的：通过一个已有的训练数据集，观察训练集中的实例，进行关联信息获取，更好地理解和掌握关联规则算法的基本原理，建立相应的预测模型，然后对新的未知实例进行预测，预测的准确程度来衡量所建立模型的好坏。三、实验要求1、熟悉Weka平台2、掌握关联规则算法3、对数据进行预处理，利用Weka和不同参数设置进行关联分析，对比结果，得出结论，对问题进行总结。四、实验平台新西兰怀卡托大学研制的Weka系统五、实验数据1、使用银行对资产进行评估的数据bank-data.arf，数据里有12个属性，分别是id,age,sex,region,income,married,children, car, save_act, current_act, mortgage,pep.共600个实例。2、本测试集中将pep属性作为分类的目标类别，因此将其设为缺失值缺失值用？表示。六、实验方法和步骤1、打开WEKA界面如下：界面中有四个选择Simple CLC, Explorer, Experimenter, KnowledgeFlow。 我们选择Explorer进行实验。文件格式转化为ARFF的方式。2、选择Explorer选项，选择Open file打开bank-data.arff数据，打开可以看见数据中的属性，选择属性从右边可以看到它的取值范围1）CSV换成ARFF格式将CSV转换为ARFF最迅捷的办法是使用WEKA所带的命令行工具。运行WEKA的主程序，出现GUI后可以点击下方按钮进入相应的模块。我们点击进入“Simple CLI”模块提供的命令行功能。在新窗口的最下方（上方是不能写字的）输入框写上 java weka.core.converters.CSVLoader filename.csv filename.arff 即可完成转换。 在WEKA 3.5中提供了一个“Arff Viewer”模块，我们可以用它打开一个CSV文件将进行浏览，然后另存为ARFF文件。 进入“Explorer”模块，从上方的按钮中打开CSV文件然后另存为ARFF文件亦可。2）txt换成ARFF格式用excel打开用table键分开的txt文件,然后另存为.csv,在用wekaviewer打开,另存为arff。3、进行数据过滤，选择Filter中的Discretize方法，点击Apply，先对ARFF文件进行离散化：用UltraEdit对其进行编辑：attribute children numeric改为：attribute children 0,1,2,3 然后用discretize算法对age和income离散化，并删掉id项因为它对关联规则分析无影响，保存文件。 4、选择Associate项中的Apriori算法分析进行关联信息获取，并进行参数设置，七、通过实验,要求同学在关联规则信息获取实验中解决以下问题，并递交完整的实验报告1. 对于非xls格式的数据如何转换成ARFF数据类型?请给出你了解到的几种数据类型到ARFF的转换方式?2. 在算法出来的lift排前1的规则中,如: 1. age=52_max save_act=YES current_act=YES 113 = income=43759_max 61 conf:(0.54) lev:(0.08) 45 conv:(1.85) 请说明 其中113、 61、conf:(0.54)都表示什么含义？3. 请问：通过在左下方“Result list”列出的结果上右击，点“Visualize cluster assignments”。弹出的窗口是否能给出实例完成后的可视化结果，如果有，请截图，并在实验报告中给出详解.实验三一、实验名称： 基于聚类分析的信息获取二、实验目的：通过一个已有的训练数据集，观察训练集中的实例，进行聚类信息获取，更好地理解和掌握聚类分析算法基本原理，建立相应的预测模型，然后对新的未知实例进行预测，预测的准确程度来衡量所建立模型的好坏。三、实验要求1、熟悉Weka平台2、掌握聚类分析算法3、对数据进行预处理，利用Weka和不同参数设置进行聚类分析，对比结果，得出结论，对问题进行总结。四、实验平台新西兰怀卡托大学研制的Weka系统五、实验数据1、使用银行对资产进行评估的数据bank-data.arf，数据里有12个属性，分别是id,age,sex,region,income,married,children, car, save_act, current_act, mortgage,pep.共600个实例。2、本测试集中将pep属性作为分类的目标类别，因此将其设为缺失值缺失值用？表示。六、实验方法和步骤1、首先对于原始数据做预处理。把“bank-data.xls”格式数据转换为“bank-data.csv”，并删去属性“id”，保存为ARFF格式后，修改属性“children”为分类型。这样得到的数据文件为“bank-data.arff”，含600条实例。 具体操作如下。（1）将xls格式文件转化为csv格式文件。打开bank-data.xls，另存为csv格式的文件，并命名为bank-data，接着将CSV文件，转换为ARFF格式文件bank-data. arff。（2）删去属性“id”，保存为ARFF格式；用UltraEdit打开bank-data. arff文件, 修改属性“children”为分类型. 把attribute children numeric改为attribute children 0,1,2,3,然后保存即可2、用Weka打开bank-data.arff文件，进行相应设置后开始分析。（1）用“Explorer”打开刚才得到的“bank-data.arff”，并切换到“Cluster”。点“Choose”按钮选择“SimpleKMeans”，这是WEKA中实现K均值的算法。点击旁边的文本框，修改“numClusters”为6，说明把这600条实例聚成6类，即K=6。下面的“seed”参数是要设置一个随机种子，依此产生一个随机数，用来得到K均值算法中第一次给出的K个簇中心的位置。设它的值为10（2）选中“Cluster Mode”的“Use training set”，点击“Start”按钮，观察右边“Clusterer output”给出的聚类结果。也可以在左下角“Result list”中这次产生的结果上点右键，“View in separate window”在新窗口中浏览结果。3、实验分析（1）首先我们注意到结果中有这么一行：Within cluster sum of squared errors: 1604.7416693522332 这是评价聚类好坏的标准，数值越小说明同一簇实例之间的距离越小。也许你得到的数值会不一样；实际上如果把“seed”参数改一下，得到的这个数值就可能会不一样。我们应该多尝试几个seed，并采纳这个数值最小的那个结果。例如我们让“seed”取100，就得到 Within cluster sum of squared errors: 1555.6241507629218 , 这样就选择后面这个。当然再尝试几个seed，这个数值可能会更小。（2）接下来“Cluster centroids:”之后列出了各个簇中心的位置。对于数值型的属性，簇中心就是它的均值（Mean）；分类型的就是它的众数（Mode）， 也就是说这个属性上取值为众数值的实例最多。对于数值型的属性，还给出了它在各个簇里的标准差（Std Devs）（3）最后的“Clustered Instances”是各个簇中实例的数目及百分比。 （4）观察可视化的聚类结