WEKA数据挖掘实验报告

1、WEKA实验报告数据集实验采用Wisconsin医学院的William H.Wolberg博士提供的乳腺癌的数据样本。 所有数据来自真实临床案例，每个案例有10个属性。其中前九个属性是检测指标，每 个属性值用1到10的整数表示，1表示检测指标最正常，10表示最不正常。第十个属 性是分类属性，指示该肿瘤是否为恶性。数据集中的肿瘤性质是通过活检得出的结果。肿块厚度细胞大小的均匀性细胞形状的均匀性 边缘粘性单上皮细胞的大小裸核乏味染色体正常核有丝分裂肿瘤性质 该数据集共有669个实例。Clump_Thickness integer 1,10Cell_Size_Uniformity integer 1

2、,10Cell_Shape_Uniformity integer 1,10Marginal_Adhesion integer 1,10Single_Epi_Cell_Size integer 1,10Bare_Nuclei integer 1,10Bland_Chromatin integer 1,10Normal_Nucleoli integer 1,10Mitoses integer 1,10Class benign, malignant本次实验对以上数据集进行了分类、聚类、关联规则三部分操作，以熟悉weka软 件的操作使用，并尝试挖掘数据中的实际价值。分类中，尝试用前九个属性值来预测肿

3、瘤的性质（良性、恶性）；聚类中，寻找各个簇病人（尤其是恶性肿瘤病人）的显著特 征,可用来辅助制定针对性治疗计划;关联规则的探索，寻找不同属性值之间的相关性。二、分类数据预处理将Wisconsin-breast-cancer数据集分割为两个，分别作为train set （469个）和test set （200 个）。实验过程用j48分类树对train set进行分类运算，结果如下：Cl aaAiflviEYM J.LM E l,Cin XI E.X-M3.Z11 r5 *t f=SunTJHry =CMe-ocEly5 ClIn_a 匚二日口口丁-180L-DHE.1Q243L- iOaTEZn

4、.cc-=*xHCE 1 y 匸!_ :L f j_eL Iki肃島QfAn Atatlsrla：dlldQ J. ll&eO.CiEEQGo-Z-t3XXOU4 1 E 4 EBelaol fltsoLu.tr erro-rL4:, J1D7Root: ielax ive cqub 土芒d! eicror.sassJo-ral nunt: of In.3i:an.aeDetail-ed Accij.racy Sy=7Pffl ELarc4狛F-McaauirdClas-az.ASTa.ajd. -aiaa. D37d.-scia口 -UTTDUh 口D 9On-97D.9S30 9 7Tma

5、llgTtaTLCtrelgnied. Avgh勻石2Q.ammD 勻右Z77 Confoalun Tfat-匚1 鬲 a b- alnsslfled立县*D L3 |* raxqn.C 1/31 IIs- = unLLgtiariD结果表明，模型分类的准确率达到了 96%。Confusion Matrix表明有13例良性肿瘤 被错位的归类为恶性（4.5%）；有6例恶性肿瘤被错误的归类为良性（3.1%）。将以上模型应用于test set以检验预测准确率，运行结果如下：CL fl Uf 口T Lit=Evaluation an test =SiimTijry =19E99IncorrecTLy

6、Claaalfl-ed Insranwa21Xappo atatiat icCL 713btem at-BD丄ate eirarD0291FLqd mean squ.已工 rroz-BEL占血mulQXE6.5S59Root rt lBtivn aquaid erroi21.3S21电Total Kimh-ez of Ina t an匚亡20 DDe tEiled t匚匚lira 匚p By CLaas =rP Rate FP B.atePrec-ia lot :RrcallF-MrE3UTeRJX AreaClfli3 30.587010uS570.997io,aii0,5-5710,373

7、Or 557mllflnarLtWeightedJ.B90.0D30.59D-卿口-河7= Coafusioa Hat rixabalaasifi亡疽 m1542 I a = benlgD.0 丽 I D - maligna nr结果表明，预测准确率达到了 99%。Confusion Matrix表示有2例良性肿瘤被错误 的归类为恶性（1.3%）；而恶性肿瘤均被正确分类。3.结果分析首先，通过检验，j48方法通过训练集生成的决策树对肿瘤性质的预测准确率可以 稳定在较高水平，因此可以将此模型用于临床诊断。这对于因医疗条件不佳而不能进行 活检或病灶位置不易进行活检的病人来说具有较高的实用价值。其次

8、，从分类树可以看出，肿瘤性质与“细胞大小均匀性”“裸核”属性的关联度较 高；而“细胞形状均匀性”“边缘粘性”“单上皮细胞大小”“乏味染色体”“有丝分 裂”对肿瘤良、恶性的诊断几乎没有参考意义。这表明在日常诊断中，若受医疗条件和治疗时机的制约，可以适当减少检测指标，根据预测结果尽早采取治疗措施。最后，通过对Confusion Matrix的分析可知，该模型存在两类错误:将良性误诊为 恶性、将恶性误诊为良性。这两类错误都是应该极力避免的，第一类错误可能导致病人 情绪低落、不配合治疗，最终导致病情恶化；第二类错误可能导致治疗方案的错误，过 于激进的治疗可能适得其反。很难评判这两类错误哪种更为严重，但

9、模型的结果表明， 犯第二类错误的概率较低，特别在测试集中，准确率达到了100%。三、聚类数据预处理由于聚类中对于离散属性将显示其众数，不利于了解数值结构，所以将Class属性类 型由Nominal转换为Numeric。用0表示benign，即良性;1表示malignant，即恶性。这 样各个簇中的数值越接近1,表明该簇中恶性肿瘤比例越高。实验过程用SimplekMeans算法，设置参数numClusters=5, seed=50进行聚类运算，得到结果 如下：Cl UY七口口七P口七Nuxiaer iKeraLloils: 22WLchln clusMr auan or squared erro

10、iess 193,5 8 3350 9 652088 MLsalng v&lusarrpLQCML with nsaiTi/n&dc-Jit trxbabeEuLLZi曰tJit trxbabeEuLLZi曰t母(S3|DCLiuiT-TJilclmtas4.41775.Q58BCell Slz ITnlEoxniL匚工3Ce L L_Sh.ape-_lFn.if ornity3-20744429L_i-ah.=f cxi24*17fi5S Lngle_tei_Cs 11_S i ze53.5-347电香!52宣BL and_jCJiEam!a Gin34t11T6NoEiral_NUcl c

11、ullHlEQaes1L.1TSSCLhsD-3460Cluster- centcoi-d.3 :CLiutrr Jcnign 402 Eitosea-l 334 cdziz : 0.38. CTla3S=bEnign 45S = MitDSES=l 445 conz : (0_97)3. Eare_Nuclei=l 402 = MitDse3=l 3S9conz:(0.97)4 . Bazr_Niiolei1 402 一一 Class -tie niy i 36 7 cciciz : 0 . J5. Normal Nucleoli=1 443 = MitDae3=l 42 conz:. Ma

12、rinal_Adheai&n=l 407 = MitD3es=l 3S8conf: (0.95. Normal_Nucleoli =1 MJ.匸D3es=l 42fi =?- Cla3s=benlgn 394 cdiiS； (0.92). Normal .Nucleoli =1 443 = Cla3s=tEnigrL 402 conz : fO . 91). No ma l_Nucleol i =1 443 = MitQSE3=l Cla3S=benign 394conf: (0.89)丄口， Hl匸D3es=l 匚丄as3=tenl-gn 445 = Norinal_Nuc丄：L：l=丄 3

13、94con； : (0.33)再选用提升度作为衡量参数，设置接受的最小参数值为1.5，结果如下:Sear CTJ1ES fajnd:Ce Ll_Si3e_Uaifc-TTit=L 龙I Ce Ll_Si3e_Uaifc-TTit=L 龙I = UinaLJiuclECili=l HicaHE3=l 匚las日如njgn 349H2nTaL_HDclECili=l Hitd9E3=1 匚las日丈temgn 394- = c-slSLiEnirnnilTi 343CELi_5j.2eJjaiicmtyL MLC2-3es=2 377 = KcnaJJfUcleDli-1 ClasasLigii

14、349 rell_5ix_nnlfDZHicl Nlroael 349cmif: 0.911 lift! crmf:0.S9J Hit! conr：Ou931 lilt: conf:Du37 lev: -19)le?!1E73137 cnw: J.fiSj 13Z Cffl7： 3-Eej 23Z CJ3B72 (5u52|132 CJDB7： 3u43|5. CEEL_Sj.ze_Uaifcmt7=L 3EA = NziuaiJhicleali=l Cla3S=benxgn 35S em: (0. 2) Cell_Sizfi_OnifDiflititl 35S比：1心卩即 77?. CELl_Si2e_laifcmt7=L翦E = HitoaEl Clasajan-ign 2肿 conf:tk?E| CEEL_ize_llai:c-mrL Konnl_likicLenli-l 341 conf:1e?:122 com-: (2u25|!). CEEL_Siae_UaifcrTitys=L 3EA =Cli9a=b3igr! 374 conf:即 |1対佃讪阻斶10. Hitosea-l ClaBa-beign q5 f CELi_SiEe_Ua