红括号里面,左边是bad的数目,右边是good数目。
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0.536 0.185 0.712 0.536 0.612 0.683 YES
0.815 0.464 0.673 0.815 0.737 0.683 NO
Weighted Avg. 0.687 0.336 0.691 0.687 0.68 0.683
上面的
第一行 TP Rate 是判断是good(or Yes),结果也是good的概率。
第二行 TP Rate 是判断是Bad(or NO)结果也是bad的概率。
第一行 TP Rate 是判断是真正元比率。
第一行 FP Rate 是判断是假正元比率。
第一行 Precision 是判断是精确率。
第一行 Recall 是判断是查全率。
第一行 F-Measure又称为F-Score,是IR(信息检索)领域的常用的一个评价标准,
计算公式为: F-Measure = 2 * (精确率 * 查全率) / (精确率 + 查全率)
ROC是一个判断预测准确性的图形,图形面积接近1就是100%判断正确。其他参数参考weka的书 。
相关推荐
在weka 中,详细解读经典关联算法的Apriori的源代码
### 通过关联规则算法Apriori解读Weka源代码 #### 概述 本文主要探讨了数据挖掘领域中一种非常重要的算法——关联规则算法Apriori,并重点分析了该算法在Weka系统中的具体实现方式。Weka是一个开源的数据挖掘平台...
在阐述了关联规则算法Apriori要义的基础上,解读了其在Weka系统中的具体实现。详细分析了 weka源代码中实现Apriori算法的基础核心类包和算法实现类包中的关键类以及这些类内部的关键函数及变 量,为探索通过weka源...
至于【www.java1234.com】weka+中文指南.pdf,这是一份中文操作指南,内容可能涵盖Weka的基本使用方法,包括如何导入数据,选择和运行算法,以及解读和评估结果。这份指南对于初学者尤其有价值,因为它能帮助用户...
7. **解读结果**:最后,分析聚类结果,理解数据的内在结构。例如,对于BMW数据集,可能会发现不同价格段、性能配置的汽车形成了明显的簇;对于浏览数据,可能揭示了用户的消费习惯或兴趣群体。 这个实例代码可能是...
它涵盖了导入库、创建和加载数据集、选择和应用算法,以及处理结果的步骤。 6. **编写自己的分类器(Writing your own Classifier (post 3.5).pdf)** 创建自定义分类器是扩展Weka功能的一个关键部分。这个PDF可能...
Weka各个功能的java代码的详细解读,读者可根据这些源码分析实现自己的二次开发。
专家根据教育经验对挖掘结果进行解读,对不满足要求的模式进行修正,直到挖掘出的模式能够被教育管理者和教师接受。 在实际应用中,Weka通过其便捷的操作界面和强大的算法库,使得教育工作者无需深入编程知识,便...
**标题解析:** "weka-3-4-12.rar_SVM in JAVA_weka_weka平台实现" 这个标题表明我们关注的是一个关于在...以上是对给定文件信息的详细解读和相关知识点的阐述,希望对你理解SVM在Java和Weka平台上的实现有所帮助。
### 基于Weka的数据聚类...实验结果的具体解读还需结合实际应用场景进行深入分析。 通过本次实验,不仅加深了对K均值算法的理解,还学会了如何使用Weka进行数据聚类分析,为进一步的数据挖掘工作打下了坚实的基础。
7. **报告撰写**:设计报告应详述研究目标、数据来源、方法选择、实施步骤、结果解读和业务启示,为决策者提供依据。 通过对这些知识点的深入理解和应用,我们可以从银行客户信息中提取有价值的关联规则,从而助力...
最终,在结果解释阶段,学习者将学会如何解读模型的输出,并将其转化为有意义的结论。 此外,《WEKA中文教程》还可能包含更高级的内容,例如如何使用WEKA编写自定义插件。这些插件可以为WEKA增加新功能或实现特定的...
使用 WEKA,您可以创建一个模型,该模型可改进您解读现有数据和将来数据的方式。 在使用 WEKA 之前,需要了解什么是数据挖掘,以及数据挖掘的类型和应用。然后,您可以开始使用 WEKA 构建数据集、将数据载入 WEKA、...
以下是对文献提及的各个知识点的详细解读: 1. 数据挖掘技术: 数据挖掘(Data Mining)是数据库知识发现(Knowledge Discovery in Databases,简称KDD)的重要组成部分,它从大量的、不完全的、有噪声的、模糊的、...
- **结果解读**:观察分类器输出,包括决策树、分类准确率和混淆矩阵;可视化决策树及分类错误。 **教程2:最近邻学习与决策树** - **glass数据集介绍**:了解glass数据集及其多个变体的特点。 - **分类器准确性...
- 结果解释:将模型预测和关联规则应用于实际问题,解读结果并提出决策建议。 通过以上步骤,项目实现了从海量医疗数据中提取有价值信息,为医疗保健决策提供有力支持。这种数据驱动的方法有助于推动医疗行业的...
6. **实战项目**:引导读者完成一个完整的数据挖掘项目,从数据获取到结果解读。 **六、行业应用** 在金融、医疗、电商、社交媒体等多个行业中,Weka都有广泛的应用。例如,通过分类算法预测客户流失,使用关联规则...
《蛋白质数据集与ARFF文件在WEKA中的应用》 在信息技术领域,数据挖掘是一项重要的工作,它涉及从大量数据中发现有价值...然而,具体的数据内容和挖掘结果还需要根据实际的ARFF文件内容和研究目的进行深入分析和解读。
因此,选择合适的K值需要结合实际问题和对聚类结果的解读。 总的来说,k-means聚类算法虽然简单且高效,但选择合适的K值是关键。通过对平方误差准则函数E的分析和实验,可以为K值的选择提供依据。同时,使用工具如...