weka_ 群集執行個體演練

weka_ 群集執行個體演練 1、資料準備： 下載連結  http://download.csdn.net/detail/xuxurui007/6753847
2、聚類原理      群集中的“類”（cluster）和前面分類的“類”（class）是不同的，對cluster更加準確的翻譯應該是“簇”。聚類的任務是把所有的執行個體分配到若干的簇，使得同一個簇的執行個體聚集在一個簇中心的周圍，它們之間距離的比較近；而不同簇執行個體之間的距離比較遠。對於由數值型屬性刻畫的執行個體來說，這個距離通常指歐氏距離。      現在我們對前面的“bank data”作群集，使用最常見的K均值（K-means）演算法。下面我們簡單描述一下K均值聚類的步驟：     1）K均值演算法首先隨機的指定K個簇中心；           2）將每個執行個體分配到距它最近的簇中心，得到K個簇；           3）分別計算各簇中所有執行個體的均值，把它們作為各簇新的簇中心。           4）重複1)和2)，直到K個簇中心的位置都固定，簇的分配也固定。      上述K均值演算法只能處理數值型的屬性，遇到分類型的屬性時要把它變為若干個取值0和1的屬性。WEKA將自動實施這個分類型到數值型的變換，而且WEKA會自動對數值型的資料作標準化。這樣得到的資料檔案為“bank.arff”，含600條執行個體。
3、實現步驟      （1）用“Explorer”開啟剛才得到的“bank.arff”（600條執行個體資料）。



     （2）切換到“Cluster”，  點擊“Choose”按鈕選擇“SimpleKMeans”，這是WEKA中實現K均值的演算法。
          （3）點擊旁邊的文字框， 修改“numClusters”為6，說明我們希望把這600條執行個體聚成6類，即K=6； 下面的 “seed”參數 是要設定一個 隨機種子  ，依此產生一個 隨機數  ， 用來得到K均值演算法中第一次給出的K個簇中心的位置。 我們不妨暫時讓它就為10，點擊OK。
     （4）選中“Cluster Mode”的“Use training set”（使用訓練集），選擇“Store clusters for visualization”（儲存聚類可視化），點擊“Start”按鈕。

     （5）觀察右邊“Clusterer output”給出的聚類結果。也可以在左下角“Result list”中這次產生的結果上點右鍵，“View in separate window”在新視窗中瀏覽結果。  


3、結果分析 （1）首先我們注意到結果中有這麼一行（誤差平方和）：  Within cluster sum of squared errors: 1604.7416693522332 這是評價聚類好壞的標準，數值越小說明 同一簇 執行個體之間的距離越小。

     實際上如果把“seed”參數改一下，得到的這個數值就可能會不一樣， 例如 將“seed”取200，就得到  ：  Within cluster sum of squared errors: 1555.6241507629218  

（也許實際得到的值不一樣）應該取後面這個，當然再嘗試幾個seed，這個數值可能會更小 （該數值越小，說明同一簇執行個體直接的距離越小，聚類的結果也就越好。多次實驗，找到該值趨於最小的值（執行個體容量越大，越難找），即得到了本次實驗最好的方案結果）  。
     （2） 接下來“Cluster centroids:”之後列出了各個簇中心的位置。對於數值型的屬性，簇中心就是它的均值（Mean）；分類型的就是它的眾數（Mode）， 也就是說這個屬性上取值為眾數值的執行個體最多。對於數值型的屬性，還給出了它在各個簇裡的標準差（Std Devs）。
     （3） 最後的“  Clustered Instances ”是 各個簇中執行個體的數目及百分比。
     （4）為了觀察可視化的聚類結果，我們在左下方“Result list”列出的結果上右擊，點“  Visualize cluster assignments ”。  
     彈出的視窗給出了  各執行個體的散佈圖 。最上方的兩個框是選擇橫座標和縱座標，第二行的“color”是散佈圖著色的依據，預設是根據不同的簇“Cluster”給執行個體標上不同的顏色。 可以在這裡點“Save”把聚類結果儲存成ARFF檔案。   
  
     在這個新的ARFF檔案中，“instance_number”屬性工作表示某執行個體的編號，“Cluster”屬性工作表示聚類演算法給出的該執行個體所在的簇。