Weka关联规则挖掘参数设置实战

关联规则挖掘参数设置 任务一：挖掘支持度在 10% 到 100% 之间，提升度超过 1.5 且排名前 100 位的关联规则。 lowerBoundMinSupport：0.1 upperBoundMinSupport：1 metricType：lift minMetric：1.5 numRules：100 任务二：挖掘支持度在 10% 到 100% 之间，置信度超过 0.8 且排名前 100 位的分类关联规则，数据集为“weather.nominal.arff”。 car：True metricType：confidence (只能选择 confidence) minMetric：0.8 numRules：100

云计算与数据挖掘参数设置指南 输入路径设置: trainInputPath: 训练集在分布式文件系统 (DFS) 上的路径。 testInputPath: 测试集在 DFS 上的路径。 predictInputPath: 预测测试集在 DFS 上的路径。 outputPath: 结果输出在 DFS 上的路径。 计算资源配置: numMapTasks: Map 任务的数量，通常设置为计算集群核心数量的 4 倍。 numReduceTasks: Reduce 任务的数量，通常设置为计算集群核心数量的 2 倍。 神经网络参数: learningRate: 神经网络的学习率，默认为 0.6。 moment: 神经网络的学习冲量，默认为 0.9。 middleNum: 神经网络中间层的数量，默认为 5。 middlePopulation: 神经网络各个中间层节点的数量，每一层的节点数用逗号隔开。例如，有两个中间层，分别有 x 和 y 个节点，则参数配置为 'x,y'。 模型训练和评估: min_success_ratio: 期望达到的最小成功率，默认为 0.7。 index: 预测利用的属性，默认为除目标属性外所有整型和浮点型属性。 TargetIndex: 要预测的目标属性，默认为最后一维。 modelPath: 训练中用于存储模型的路径，或者测试时要利用的模型文件路径。

在WEKA中观察关联规则，以发现项目集之间的联系和依赖关系。

在Matlab中，使用 optimset 函数配置优化器参数。 optimset('param1', value1, 'param2', value2, ...) 其中： param1, param2 等是参数名称。 value1, value2 等是对应参数的值。

图9.12中的角色参数设置模型运行，如图9.13所示，展示了LDA模型的输出结果，详细显示了各体育类别的比例。在LDA模型输出结果的第三步，通过加载测试数据集，并使用“Filter Examples”操作符过滤异常值，条件与训练集相同。接着使用“Apply Model”应用模型操作符，将LDA模型和清洗后的数据连接，最终输出结果如图9.10所示。运行结果在视图9.14中呈现，绿色列显示了根据新同学的测试成绩预测的体育项目专攻结果。这些预测结果可帮助主人公分析每位同学的潜力，推荐适合他们的体育项目。

Simulink模块编辑窗口中，通过选择Simulation / Simulation Parameters Solver页，设置仿真的起始和结束时间，选择解算器并配置其参数，同时选择输出选项。在Workspace I/O页管理模型与MATLAB工作空间的通讯，确保输入输出正常。通过Diagnostics页设置Simulink仿真中显示的警告信息等级。

要查看processes和sessions参数，第一步，在cmd命令行中输入sqlplus。第二步，根据提示输入用户名与密码。

Weka关联规则功能解析 在Weka中，关联规则以“L->R”的形式表达，其中L和R分别代表规则的前件和后件。 支持度(support)： 指在一个购物篮中同时观察到L和R的概率，用P(L,R)表示。 置信度(conviction)： 指购物栏中出现了L时也出会现R的条件概率，用P(R|L)表示。 关联规则的目标是生成支持度和置信度都较高的规则。除了置信度，还可以使用以下指标来衡量规则的关联程度： Lift： P(L,R)/(P(L)P(R)) Leverage： P(L,R)-P(L)P(R) Conviction： P(L)P(!R)/P(L,!R)

通过设置模数、齿数和压力角，在 UG4.0 中绘制齿轮。