SimpleKMeans聚类结果分析 重要的输出信息 “ Within cluster sum of squared errors ”评价聚类好坏的标准—SSE，即误差的平方和。SSE值越小说明聚类结果越好。 “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）。 “Clustered Instances”是各个簇中实例的数目及百分比。

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。

weka中文教程

WEKA中文教程WEKA中文教程WEKA中文教程WEKA中文教程WEKA中文教程WEKA中文教程

关于weka软件的介绍，各个功能介绍，重点是Explorer界面的详细介绍