Weka使用之聚类分析

转自：http://anna-zr.iteye.com/blog/578938
http://blog.sina.com.cn/s/blog_591e979d0100kds1.html

上次我介绍了分类器的使用方法，这次我来介绍一下聚类算法。聚类算法在数据挖掘里面被称之为无监督学习（unsupervised learning），这是与分类算法（supervised learning）相对的。在它们两者之间还一种叫做半监督学习（semi-supervised learning）这个我会在后面的文章中重点介绍。所谓无监督学习就是在预先不知道样本类别的情况下，由聚类算法来判别样本的类别的一种学习方法。

聚类算法的一般过程分为：

1.       读入需预测样本

2.       初始化聚类算法（并设置参数）

3.       使用聚类算法对样本进行聚类

4.       打印聚类结果

我们来看下面的一个实例：

package com.csdn;



import java.io.File;



import weka.clusterers.SimpleKMeans;

import weka.core.DistanceFunction;

import weka.core.EuclideanDistance;

import weka.core.Instances;

import weka.core.converters.ArffLoader;



public class SimpleCluster {



   

    public static void main(String[] args) {

       // TODO Auto-generated method stub

       Instances ins = null;

       Instances tempIns = null;

      

       SimpleKMeans KM = null;

       DistanceFunction disFun = null;

       try{

          

           File file= new File("C:\\Program Files\\Weka-3-6\\data\\contact-lenses.arff");

           ArffLoader loader = new ArffLoader();

           loader.setFile(file);

           ins = loader.getDataSet();

          

          

           KM = new SimpleKMeans();       

           //设置聚类要得到的类别数量

           KM.setNumClusters(2);

          

          

           KM.buildClusterer(ins);

          

          

           tempIns = KM.getClusterCentroids();

           System.out.println("CentroIds: " + tempIns);

          

          

       }catch(Exception e){

           e.printStackTrace();

       }

    }

}

我们可以看到读入样本的过程是与上一节的一样的方法。在构建聚类器时也是通过现有的类来实现的。现在weka的聚类算法有11种之多，我所了解的也就是一两种算法而已。SimpleKMean是最简单的KMeans算法，因为聚类算法的核心是通过距离来得到类别（类间相异，类内相似），所以需要有一个计算距离的公式常见的就是欧几里得距离了。在3.5版本中weka没有考虑其它距离公式的情况，将SimpleKMean计算距离的方法默认为欧几里得距离。在3.6中就weka提供了setDistanceFunction(DistanceFunction df)的接口可以方便我们设置自己的距离计算方法。

有一点要注意，在上面的聚类过程中，我们将样本的类别属性也放在里面了，这样做是不符合常识的，因为样本类别属性包含了大量的类别信息，可以诱导聚类算法得到很好的效果。但是这与我们的初衷是相背离的，所以在聚类之前我们要记住删除掉类别属性。

在第四步打印聚类结果是一个很简单的信息，里面包括了聚类的几个中心点。在我们写程序时，可以使用ClusterEvaluation类来打印更多的信息。