weka经典学习训练素材 bank-data.csv

WEKA中的典型分类算法 Bayes: 贝叶斯分类器 BayesNet: 贝叶斯信念网络 NaïveBayes: 朴素贝叶斯网络 Functions: 人工神经网络和支持向量机 MultilayerPerceptron: 多层前馈人工神经网络 SMO: 支持向量机（采用顺序最优化学习方法） Lazy: 基于实例的分类器 IB1: 1-最近邻分类器 IBk: k-最近邻分类器

已试用，完好

ROC曲线 ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。 假设样本可分为正负两类，解读ROC图的一些概念定义: 真正（True Positive , TP），被模型预测为正的正样本 假负（False Negative , FN）被模型预测为负的正样本 假正（False Positive , FP）被模型预测为正的负样本 真负（True Negative , TN）被模型预测为负的负样本 真正率（True Positive Rate , TPR）或灵敏度（sensitivity） TPR = TP /（TP + FN） 正样本预测结果数 / 正样本实际数 假正率（False Positive Rate , FPR） FPR = FP /（FP + TN） 被预测为正的负样本结果数 /负样本实际数 ( TPR=1,FPR=0 ) 是理想模型 一个好的分类模型应该尽可能靠近图形的左上角。

iris4Java 用于学习目的的 iris 数据集的 Java 代码 您可以在此处找到有关如何在 Java 中使用 WEKA 库 (weka.jar) 的基本示例。 该代码使用决策树算法（WEKA 中的 C4.5-->J48）对 iris 数据集的实例进行分类。 已经生成了一个模型，称为“othertree(J48_cv).model”，可以使用 WEKA 轻松生成。 “IrisDriver.java”提供了一个简单的接口来导入模型和测试集“iris-test.arff”。 应用程序将分类结果写入名为“output_file.txt”的文件。 “Iris.java”使用模型并对“iris-test.arff”提供的新实例进行分类。 您还可以找到两个 JUnit 文件：“IrisTest.java”和“IrisTest2.java”。 最后，如果您可以使用 J48 之外的其他技术使用

心律失常-心电图分析-pds：通过离散小波变换和机器学习进行特征提取的心律失常分类

使用Weka进行K-近邻算法和K-均值算法的使用-附件资源

WEKA入门用的银行数据集bank-data.arff

Java使用Weka的整个流程，内有示例。配置：MyEclipse2013+Weka3.6+libsvm3.18+Jdk1.7+Win8.1

weka中文教程