Java用 WEKA 进行机器学习、数据挖掘

Java用WEKA进行机器学习、数据挖掘（第一部分：简介和回归）简介什么是数据挖掘？您会不时地问自己这个问题，因为这个主题越来越得到技术 界的关注。您可能听说过像Google和Yahoo!这样的公司都在生成有关其所 有用户的数十亿的数据点，您不禁疑惑，“它们要所有这些信息干什么？”您可能 还会惊奇地发现Walmart是最为先进的进行数据挖掘并将结果应用于业务的公 司之一。现在世界上几乎所有的公司都在使用数据挖掘，并且目前尚未使用数据 挖掘的公司在不久的将来就会发现自己处于极大的劣势。那么，您如何能让您和您的公司跟上数据挖掘的大潮呢？我们希望能够回答您所有关于数据挖掘的初级问题。我们也希望将一种免费的开 源软件 Waikato Environment for Knowledge Analysis （WEKA）介绍给您，您可 以使用该软件来挖掘数据并将您对您用户、客户和业务的认知转变为有用的信息 以提高收入。您会发现要想出色地完成挖掘数据的任务并不像您想象地那么困难。 此外，本文还会介绍数据挖掘的第一种技术：回归，意思是根据现有的数据预测 未来数据的值。它可能是挖掘数据最为简单的一种方式，您甚至以前曾经用您喜 爱的某个流行的电子数据表软件进行过这种初级的数据挖掘（虽然WEKA可以 做更为复杂的计算）。本系列后续的文章将会涉及挖掘数据的其他方法，包括群 集、最近的邻居以及分类树。（如果您还不太知道这些术语是何意思，没关系。 我们将在这个系列一一介绍。）回页首什么是数据挖掘？数据挖掘，就其核心而言，是指将大量数据转变为有实际意义的模式和规则。并 且，它还可以分为两种类型：直接的和间接的。在直接的数据挖掘中，您会尝 试预测一个特定的数据点一比如，以给定的一个房子的售价来预测邻近地区内 的其他房子的售价。在间接的数据挖掘中，您会尝试创建数据组或找到现有数据内的模式一比如， 创建“中产阶级妇女”的人群。实际上，每次的美国人口统计都是在进行数据挖 掘，政府想要收集每个国民的数据并将它转变为有用信息。现代的数据挖掘开始于20世纪90年代，那时候计算的强大以及计算和存储 的成本均到达了一种很高的程度，各公司开始可以自己进行计算和存储，而无需 再借助外界的计算帮助。此外，术语数据挖掘是全方位的，可指代诸多查看和转换数据的技术和过程。因 为本系列只触及能用数据挖掘实现的功能的一些皮毛。数据挖掘的专家往往是数 据统计方面的博士，并在此领域有10-30年的研究经验。这会为您留下一种印 象，即只有大公司才能负担得起数据挖掘。我们希望能够清除有关数据挖掘的这些误解并希望弄清楚一点：数据挖掘既不像 对一系列数据运行一个电子数据表函数那么简单，也不像有人想的那样难到靠自 己根本无法实现。这是80/20范型的一个很好的例子一甚至更进一步可以是 90/10范型。您用所谓的数据挖掘专家的10%的专业知识就能创建具有90% 效力的数据挖掘模型。而为了补上模型剩下的10%的效力并创建一个完美的模 型将需要90%额外的时间，甚至长达20年。所以除非您立志以数据挖掘为 职业方向，否则“足够好”就可以了。从另一个方面看，利用数据挖掘所达到的“足 够好”总要比您现在所采用的其他技术要好。数据挖掘的最终目标就是要创建一个模型，这个模型可改进您解读现有数据和将 来数据的方式。由于现在已经有很多数据挖掘技术，因此创建一个好的模型的最 主要的步骤是决定要使用哪种技术。而这则极大地依赖于实践和经验以及有效的 指导。这之后，需要对模型进行优化以让它更令人满意。在阅读了本系列的文章 后，您应该能够自己根据自己的数据集正确决定要使用的技术，然后采取必要的 步骤对它进行优化。您将能够为您自己的数据创建一个足够好的模型。回页首WEKA数据挖掘绝非大公司的专有，也不是多昂贵的软件。实际上，有一种软件可以实 现那些价格不菲的软件所能实现的全部功能一这个软件就是WEKA （参见参 考资料）。WEKA诞生于University of Waikato （新西兰）并在1997年首次 以其现代的格式实现。它使用了 GNU General Public License （GPL）。该软件 以Java语言编写并包含了一个GUI来与数据文件交互并生成可视结果（比 如表和曲线）。它还有一个通用API，所以您可以像嵌入其他的库一样将WEKA 嵌入到您自己的应用程序以完成诸如服务器端自动数据挖掘这样的任务。我们继续并安装WEKA。因为它基于Java，所以如果您在计算机上没有安装 JRE，那么请下载一个包含JRE的WEKA版本。图1. WEKA的开始屏KnowledgeFliEr口目rqm 皿疝时而ti口n ,工ciciK 口?WEKA4 The Umversity of Waikato* Weka GUI ChooserWikato Enyirpnmenl For KnovJledge Analysic VerEion.t.Z(c) 1333./E010The Uniiufersity pF WaikatoHamilton, New ZeljndApplicationsExplorerEperirrienter在启动WEKA时，会弹出GUI选择器，让您选择使用WEKA和数据的四种 方式。对于本文章系列中的例子，我们只选择了 Explorer选项。对于我们要在 这些系列文章中所需实现的功能，这已经足够。图 2. WEKA Explorer* WgIw Explorerpen rile!.p电ift UHL .-UL.(enprate-.Uiidi*rnifeiCliuac-HoneJ*TApreri心沽 / 口 m咀 fy Lu-ster山LiHtc f耳ntlrbbwt厂j1 MHLtafccRwlArion： Non*Imhtiimm: NomaMm副 JkmiHNffwigg: 14ain：Tift*：Uii9qu-: NddcCirrrent rel-ationInvertW：; rnWLcciiTiQ foihc TfMcfca Explorer在熟悉了如何安装和启动WEKA后，让我们来看看我们的第一个数据挖掘技术: 回归。回页首回归是最为简单易用的一种技术，但可能也是最不强大（这二者总是相伴而来， 很有趣吧）。此模型可以简单到只有一个输入变量和一个输出变量（在Excel中 称为Scatter图形，或OpenOffice.org内的XYDiagram）。当然，也可以远 比此复杂，可以包括很多输入变量。实际上，所有回归模型均符合同一个通用模 式。多个自变量综合在一起可以生成一个结果一一个因变量。然后用回归模型 根据给定的这些自变量的值预测一个未知的因变量的结果。每个人都可能使用过或看到过回归模型，甚至曾在头脑里创建过一个回归模型。 人们能立即想到的一个例子就是给房子定价。房子的价格（因变量）是很多自变 量一房子的面积、占地的大小、厨房是否有花岗石以及卫生间是否刚重装过等 的结果。所以，不管是购买过一个房子还是销售过一个房子，您都可能会创建一 个回归模型来为房子定价。这个模型建立在邻近地区内的其他有可比性的房子的 售价的基础上（模型），然后再把您自己房子的值放入此模型来产生一个预期价 格。让我们继续以这个房屋定价的回归模型为例，创建一些真实的数据。在我的邻近 地区有一些房子出售，我试图找到我自己房子的合理价格。我还需要拿此模型的 输出申报财产税。表1.回归模型的房屋值房子面积（平方英尺）占地的大小卧室花岗岩卫生间有无重装？销售价格35299191600$205,000324710061511$224,900403210150501$197,900239714156410$189,90022009600401$195,000353619994611$325,00029839365501$230,00031989669511?好的消息是（也可能是坏消息，取决于您自己的看法）上述对回归模型的简单介 绍只触及了一些皮毛，这种触及甚至都不会被真正地注意到。关于回归模型有大 学的课程可以选择，那会教授给您有关回归模型的更多信息，甚至多过您想要知 道的。但我们的简介让您充分熟悉了这个概念，已足够应付本文中WEKA试用。 如果对回归模型以及其中的数据统计的细节有更深的兴趣，您可以用自己喜爱的 搜索弓|擎搜索如下的术语：least squares、homoscedasticity、normal distribution、 White tests、Lilliefors tests、R-squared 和 p-values。回页首为WEKA构建数据集为了将数据加载到WEKA，我们必须将数据放入一个我们能够理解的格式。WEKA建议的加载数据的格式是Attribute-Relation File Format (ARFF)，您可 以在其中定义所加载数据的类型，然后再提供数据本身。在这个文件内，我们定 义了每列以及每列所含内容。对于回归模型，只能有NUMERIC或DATE列。最 后，以逗号分割的格式提供每行数据。我们为WEKA使用的ARFF文件如下 所示。请注意在数据行内，并未包含我的房子。因为我们在创建模型，我房子的 价格还不知道，所以我们还不能输入我的房子。清单1. WEKA文件格式RELATION houseATTRIBUTE houseSize NUMERICATTRIBUTE lotSize NUMERICATTRIBUTE bedrooms NUMERICATTRIBUTE granite numericattribute bathroom NUMERICATTRIBUTE sellingPrice numericDATA3529,9191,6,0,0,2050003247,10061,5,1,1,2249004032,10150,5,0,1,1979002397,14156,4,1,0,1899002200,9600,4,0,1,1950003536,19994,6,1,1,3250002983,9365,5,0,1,230000回页首将数据载入WEKA数据创建完成后，就可以开始创建我们的回归模型了。启动WEKA，然后选 择Explorero将会出现Explorer屏幕，其中Preprocess选项卡被选中。选 择Open File按钮并选择在上一节中创建的ARFF文件。在选择了文件后， WEKA Explorer应该类似于图3中所示的这个屏幕快照。图3.房屋数据加载后的WEKA在这个视图中，WEKA允许您查阅正在处理的数据。在Explorer窗口的左边， 给出了您数据的所有列（Attributes）以及所提供的数据行的数量（Instances）。 若选择一列，Explorer窗口的右侧就会显示数据集内该列数据的信息。比如， 通过选择左侧的houseSize列（它应该默认选中），屏幕右侧就会变成显示有 关该列的统计信息。它显示了数据集内此列的最大值为4,032平方英尺，最小 值为2,200平方英尺。平均大小为3,131平方英尺，标准偏差为655平方英 尺（标准偏差是一个描述差异的统计量度）。此外，还有一种可视的手段来查看 数据，单击Visualize All按钮即可。由于在这个数据集内的行数有限，因此可 视化的功能显得没有有更多数据点（比如，有数百个）时那么功能强大。好了，对数据的介绍已经够多了。让我们立即创建一个模型来获得我房子的价格。回页首用WEKA创建一个回归模型为了创建这个模型，单击Classify选项卡。第一个步骤是选择我们想要创建的 这个模型，以便WEKA知道该如何处理数据以及如何创建一个适当的模型：1. 单击Choose按钮，然后扩展functions分支。2. 选择 LinearRegression 叶。这会告诉WEKA我们想要构建一个回归模型。除此之外，还有很多其他的选择， 这说明可以创建的的模型有很多。非常多！这也从另一个方面说明本文只介绍了 这个主题的皮毛。有一点值得注意。在同一个分支还有另外一个选项，称为SimpleLinearRegression。请不要选择该选项，因为简单回归只能有一个 变量，而我们有六个变量。选择了正确的模型后，WEKA Explorer应该类似于 图4。图4. WEKA内的线性回归模型.FWroceK Cbwrf7 duUer :用汹以avXtS4 .lintafR.EgrcEMDm -SO - R t.OE-8T 诚 CPn FtsWs SO Rrcikage 呐 66Mma 础icr林WlinMfrlQFTkBrI| 5trirtiUpFLefit* fel (n-tfekfor eotiaid).如-o* *0我能用电子数据表达到同样的目的么？简单而言：不可以。深思熟虑后的答案是：可以。大多数流行的电子数据表程序 都不能轻松完成我们用WEKA实现的功能，即定义一个具有多个自变量的线性 模型。不过，您可以 十分容易地实现一个Simple Linear Regression模型(具 有一个自变量)。如果您有足够的勇气，甚至可以进行一个多变量的回归，但是 这将非常困难，绝对不如用WEKA来得简单。本文的参考资料部分有一个 Microsoft Excel 的示例视频。现在，选择了想要的模型后，我们必须告诉WEKA它创建这个模型应该使用的 数据在哪里。虽然很显然我们想要使用在ARFF文件内提供的那些数据，但实 际上有不同的选项可供选择，有些甚至远比我们将要使用的选项高级。其他的三 个选择是：Supplied test set允许提供一个不同的数据集来构建模 型；Cross-validation让WEKA基于所提供的数据的子集构建一个模型，然 后求出它们的平均值来创建最终的模型；Percentage split WEKA取所提供数 据的百分之一来构建一个最终的模型。这些不同的选择对于不同的模型非常有用， 我们在本系列后续文章中会看到这一点。对于回归，我们可以简单地选择Use training set。这会告诉WEKA为了构建我们想要的模型，可以使用我们在 ARFF文件中提供的那些数据。创建模型的最后一个步骤是选择因变量(即我们想要预测的列)。在本例中指的 就是房屋的销售价格，因为那正是我们想要的。在这些测试选项的正下方，有一 个组合框，可用它来选择这个因变量。列sellingPrice应该默认选中。如果没 有，请选择它。我们准备好创建模型后，单击Start。图5显示了输出结果。图5. WEKA内的房屋价格回归模型回页首解析这个回归模型WEKA可不马虎。它会把这个回归模型径直放在输出，如清单2所示。清单2.回归输出 sellingprice = (-26.6882* housesize) +(7.0551* lotSize) +(43166.0767 * bedrooms) +(42292.0901 * bathroom)-21661.1208清单3显示了结果，其中已经插入了我房子的价格。清单3.使用回归模型的房屋价格sellingprice = (-26.6882* 3198) +(7.0551* 9669) +(43166.0767 * 5) +(42292.0901 * 1)-21661.1208sellingPrice = 219,328不过，回过头来看看本文的开头部分，我们知道数据挖掘绝不是仅仅是为了输出 一个数值：它关乎的是识别模式和规则。它不是严格用来生成一个绝对的数值， 而是要创建一个模型来让您探测模式、预测输出并根据这些数据得出结论。让我 们更进一步来解读一下我们的模型除了房屋价格之外告诉我们的模式和结论：.花岗石无关紧要一WEKA将只使用在统计上对模型的正确性有贡献的那些列(以R-squared量度，但这超出了本文的范围)。它将会抛弃并忽视对创建好的模型没有任何帮助的那些列。所以这个回归模型告诉我们厨房里的花岗石并不会影响房子的价值。.卫生间是有关系的一因我们为卫生间使用了简单的0或1值，所以我们可以使用来自回归模型的这个系数来决定卫生间的这个值对房屋价值的影响。这个模型告诉我们它使房子的价值增加了 $42,292。.较大的房子价格反而低一WEKA告诉我们房子越大，销售价格越低?这可以从houseSize变量前面负的系数看出来。此模型告诉我们房子每多出一平方英尺都会使房价减少$26？这根本没有意义。这是在美国！当然是房子越大越好，特别是在我所在的得克萨斯州。那么我们怎么才能解释这一点呢？这是无用数据入、无用数据出的一个很好的例子。房子的大小并不是一个自变量，它还与卧室变量相关，因为房子大通常卧室也多。所以我们的模型并不完美。但是我们可以修复这个问题。还记得么：在Preprocess选项卡，可以从数据集中删 除列。对于本例，我们删除houseSize列并创建另一个模型。那么 它会如何影响房子的价格呢？这个新模型又如何更有实际意义？（修 改后的我的房子价格是：$217,894）。对统计学家的一个提示这个模型打破了一个常规线性回归模型的几个要求，因为每个列并不是完全独立 的，并且这里也没有足够的数据行来生成一个有效的模型。由于本文主要的目的 是介绍WEKA这个数据挖掘工具，因此我们极大地简化了示例数据。要想把这个简单的示例提升到一个新的级别，让我们来看一下WEKA Web站 点上作为回归示例提供给我们的一个数据文件。理论上讲，这要比我们七个房子 的简单示例要复杂得多。这个示例数据文件的作用是创建一个能基于汽车的几个 特性来推测其油耗（每加仑英里数，MPG）的回归模型（请务必记住，数据取 自1970至1982年）。这个模型包括汽车的如下属性：汽缸、排量、马力、 重量、加速度、年份、产地及制造商。此外，这个数据集有398行数据，这些 数据足以满足我们的多种统计需求，而这在我们的房价模型中是不能实现的。理 论上讲，这是一个极为复杂的回归模型，WEKA可能需要大量时间才能创建一 个具有如此多数据的模型（但我估计您已预见到了 WEKA能够很好地处理这些 数据）。要用这个数据集生成一个回归模型，我们需要严格地按照处理房子数据的步骤来 处理这些数据，所以这里我不再赘述。继续并创建这个回归模型。它将生成如清 单4所示的输出。清单4. MPG数据回归模型class （aka MPG）=-2.2744 * cylinders=6,3,5,4 +-4.4421 * cylinders=3,5,4 +6.74* cylinders=5,4 +0.012 * displacement +-0.0359 * horsepower +-0.0056 * weight +1.6184 * model=75,71,76,74,77,78,79,81,82,80 +1.8307 * model=77,78,79,81,82,80 +1.8958 * model=79,81,82,80 +1.7754 * model=81,82,80 +1.167 * model=82,80 +1.2522 * model=80 +2.1363 * origin=2,3 +37.9165在您自己生成这个模型时，您会看到WEKA只用了不到一秒的时间就处理好了 这个模型。所以，即使要处理的是具有大量数据的功能强大的回归模型，就计算 而言，也不是什么问题。这个模型看上去应该比房子数据复杂得多，但事实并非 如此。例如，这个回归模型的首行，-2.2744 *cylinders=6,3,5,4表示， 如果汽车有6个缸，就会在此列中放上一个1,如果汽车有8个缸，就会放 上一个0。让我们从这个数据集中取一个示例行（第10行）并将这些数值放 入回归模型，看看我们这个模型的输出是否与数据集中提供给我们的输出相似。清单5.示例MPG数据data = 8,390,190,3850,8.5,70,1,15class （aka MPG）=-2.2744 * 0 +-4.4421 * 0 +6.74* 0 +0.012 * 390 +-0.0359 * 190 +-0.0056 * 3850 +1.6184 * 0 +1.8307 * 0 +1.8958 * 0 +1.7754 * 0 +1.167 * 0 +1.2522 * 0 +2.1363 * 0 +37.9165Expected Value = 15 mpgRegression Model Output = 14.2 mpg因此，当我们用随机选择的测试数据对此模型进行测试时，此模型的表现非常出 色，对于一辆实际值为15 MPG的车，我们的预测值是14.2 MPG。回页首 纾击4五结束语本文通过向您介绍数据挖掘这个主题的背景以及这个领域的目标力求回答“什么 是数据挖掘”这个问题。数据挖掘就是通过创建模型和规则来将大量的不可用信 息（通常是分散的数据形式）变成有用的信息。您的目标是使用模型和规则来预 测将来的行为，从而改进您的业务，或是解释一些您用其他方法不能解释的事情。 这些模型可以帮助您确认您已经有了的某些想法，甚至可能会让您发现数据中您 以前不曾意识到的新东西。这里有个有趣的数据挖掘的例子（不知道还存在多少 类似的事例），在美国，Walmart会在周末时把啤酒移到尿布货架的未端，这是 因为Walmart的数据挖掘结果显示男士通常会在周末购买尿布，而他们同时也 喜欢在周末喝啤酒。本文还向您介绍了一种免费的开源软件程序WEKA。当然，市场上还有很多更 为复杂的数据挖掘商业软件产品，但对于刚开始进行数据挖掘的人来说，这种开 源的解决方案非常有益。请记住，您永远不可能成为数据挖掘方面的专家，除非 您打算用20年的时间来研究它。WEKA可以让您步入数据挖掘的大门，同时 也能为您遇到的初级问题提供完美的解决方案。如果您以前对数据挖掘接触不多， 那么这个非常好的解决方案将能满足您的全部所需。最后，本文探讨了第一个数据挖掘模型：回归模型（特别是线性回归多变量模型）， 另外还展示了如何在WEKA中使用它。这个回归模型很容易使用，并且可以用 于很多数据集。您会发现这个模型是我在本系列文章中所讨论的所有模型中最有 用的一个。然而，数据挖掘不仅局限于简单的回归，在不同的数据集及不同的输 出要求的情况下，您会发现其他的模型也许是更好的解决方案。最后，我再重申一下，本文及本系列的后续文章只是对数据统计和数据挖掘领域 做了最简单的介绍。花上整整一学期的时间去学习数据统计和数据挖掘的人也只 能被称为“初学者”。我们的目的就是让初学者充分领略这个可用的开源工具的妙 处并提高对数据挖掘所能提供的价值的了解和重视。