数据预处理工具 Weka 教程

数据准备（预处理 1） 去除无用属性：删除无意义的属性，如 ID。 离散化：将数值型属性转换为标称型属性，以适合某些算法。例如，将“子女”属性从数值型修改为 {0, 1, 2, 3}。

精简数据集 在数据挖掘中, 类似“ID”的属性通常不具备分析价值, 需要移除。 在Weka中， 我们可以通过选中 “id” 属性, 点击 “Remove” 按钮来实现。 操作完成后，将新的数据集保存为 “bank-data.arff” , 并重新打开。 数值属性离散化 一些数据挖掘算法, 例如关联分析, 只能处理标称型属性。 因此, 我们需要对数值型属性进行离散化处理。 本例中, “age”, “income” 和 “children” 三个变量属于数值型。 其中, “children” 只有四个取值: 0, 1, 2, 3。 我们可以直接修改ARFF文件, 将 @attribute children numeric 修改为 @attribute children {0,1,2,3} 。 在 “Explorer” 中重新打开 “bank-data.arff” , 选中 “children” 属性后, 区域6的 “Type” 会显示为 “Nominal”, 表示该属性已成功转换为标称型。

-- 编码：utf-8 -- 从pandas导入pd 从sklearn导入预处理 导入pickle 导入时间 导入时间的当前时间 计算时间() '''打印当前时间格式：return:返回当前时间的字符串''' 返回时间.strftime('%Y-%m-%d %X',时间.localtime()) class DataPre: '''数据预处理器初始化需要清洗好的数据。它提供了唯一的外部接口：load_data()。它返回处理好的数据。如果数据存在，则返回它。否则将执行一系列预处理操作并返回处理好的数据。 ''' 首先打开(self,train_data,test_data) self.train_datas=pd.read_csv(train_data,index_col=['SK_ID_CURR']) self.trainlables=self.train_datas['TARGET'] #删除唯一值.self.train_datas.drop(['TARGET'],轴=1,在地方=真实) self.test_datas=pd.read_csv(test_data,index_col=['SK_ID_CURR']) self.test_datas.drop(['Unnamed: 0'],轴=1,在地方=真实) self.train_datas.drop(['Unnamed: 0'],轴=1,在地方=真实) self.test_datas.drop(['previousSCOFR'],轴=1,在地方=真实) #这两个功能全是NAN self.train_datas.drop(['previousSCOFR'],轴=1,在地方=真实) self.test_datas.drop(['previousHomewares'],轴=1,在地方=真实) self.train_datas.dropna(轴=0,如何='全部',在地方=真实) self.train_dat

增量学习NaiveBayesUpdateable数据源 - ArffLoader评估 - ClassAssigner分类器 - NaiveBayesUpdateable评估 - IncrementalClassifierEvaluator可视化 - TextViewer可视化 - StripChart精度 - Accuracy均方根误差 - RMSE

在数据挖掘领域，WeKa作为一种强大的工具，广泛应用于数据处理和模型评估。其功能包括交叉验证、贝叶斯网络显示、数据源管理以及分类器性能评估。通过WeKa，用户可以有效地处理和分析各种数据集。

WEKA小结：1. 数据预处理- Explorer – Preprocess- Explorer – Select attributes: 可以在Preprocess页面使用属性选择方法。2. 数据可视化- Explorer – Visualize: 二维散布图。3. 分类预测- Explorer – Classify。4. Experimenter: 比较多个算法的性能。5. KnowledgeFlow: 批量/增量学习模式。6. 关联分析- Explorer – Associate。7. 聚类分析- Explorer – Cluster。

该 MATLAB 源码包含光谱读入、降噪和去背景一体化功能，适用于多种光谱处理任务，例如拉曼光谱分析。

数据库编程中的预处理方法是通过DBMS的预处理程序对源程序进行扫描，识别出SQL语句，然后将它们转换成主语言调用语句，以便主语言编译程序能够识别并编译整个源程序成目标码。

配置实验模式、选择结果保存路径、设定实验类型、交叉验证和随机化/未知记录次序的保持方法、迭代控制和实验次数设定、管理数据集及类标、添加和设置分类算法及参数。