利用WEKA平臺提升數(shù)據(jù)挖掘課程教學(xué)效果

譚征++王立宏

摘要：目前，數(shù)據(jù)挖掘原理與算法這門課在教學(xué)中主要以講授經(jīng)典的算法和理論為主，枯燥的算法分析和理論介紹很難引起學(xué)生的興趣，而吸引學(xué)生并讓他們體驗到實踐效果對完成教學(xué)目標(biāo)尤為重要。本文討論了以挖掘軟件WEKA為平臺進(jìn)行教學(xué)的思路。

關(guān)鍵詞：WEKA平臺；數(shù)據(jù)挖掘課程；教學(xué)效果

中圖分類號：G642.41 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-9324（2014）52-0158-02

一、引言

數(shù)據(jù)挖掘是將隱含的，尚不為人所知的，同時又是潛在有用的信息從數(shù)據(jù)中提取出來，建立計算機程序，自動在數(shù)據(jù)庫中搜索，已發(fā)現(xiàn)規(guī)律或者模式[1]。很多高校，包括世界上的一些著名高校都開設(shè)了數(shù)據(jù)挖掘課程。課程基礎(chǔ)理論部分，一般包括數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則、分類、聚類、時間序列挖掘、web挖掘等內(nèi)容，通過該課程的學(xué)習(xí)使學(xué)生學(xué)會分析研究挖掘中數(shù)據(jù)預(yù)處理、常用算法、結(jié)果的可視化等，并培養(yǎng)學(xué)生的數(shù)據(jù)抽象能力，提高學(xué)生的專業(yè)素質(zhì)，為學(xué)生畢業(yè)后從事有關(guān)的工作打下一個良好的基礎(chǔ)[2]。數(shù)據(jù)挖掘是多學(xué)科交叉而產(chǎn)生的一門新技術(shù)，涉及的知識面很多，現(xiàn)在教材上主要介紹的都是一些經(jīng)典的算法和理論，比較枯燥，很難引起學(xué)生的興趣。數(shù)據(jù)挖掘從一開始就是應(yīng)用性的科學(xué)，它有很強的實驗性，因此，在數(shù)據(jù)挖掘?qū)嶒炛羞x擇合適的數(shù)據(jù)挖掘軟件非常重要[3]。商用的數(shù)據(jù)挖掘軟件很多，懷卡托大學(xué)的Weka小組榮獲了數(shù)據(jù)挖掘和知識探索領(lǐng)域的最高服務(wù)獎，Weka系統(tǒng)得到了廣泛的認(rèn)可，被譽為數(shù)據(jù)挖掘和機器學(xué)習(xí)歷史上的里程碑。因此，我們將Weka引入到數(shù)據(jù)挖掘的課堂教學(xué)實踐中。首先，是任課教師在講授經(jīng)典算法的同時，通過Weka的可視化界面展示經(jīng)典算法和實例的運行效果；也可以應(yīng)用WEKA的多種算法對某一實例進(jìn)行對比演示，在課程作業(yè)環(huán)節(jié)，為學(xué)生布置了一些現(xiàn)實應(yīng)用，并要求他們借助WEKA自己解決[4]。這樣，學(xué)生通過Weka平臺可以看到經(jīng)典算法實現(xiàn)的效果，也可以自己動手完成作業(yè)，有能力的同學(xué)還可以通過Weka軟件實現(xiàn)自己的算法，或者是對現(xiàn)有算法的改進(jìn)實現(xiàn)。讓枯燥變得有趣，讓抽象變成實現(xiàn)，引導(dǎo)學(xué)生了解數(shù)據(jù)挖掘課程的作用，培養(yǎng)他們利用所學(xué)知識解決實際問題的動手能力和發(fā)現(xiàn)問題、解決問題、評估問題的研究能力[4]。

二、Weka簡介

Weka是由新西蘭懷卡托大學(xué)開發(fā)的，是懷卡托智能分析系統(tǒng)的縮寫。Weka用Java寫成，并且限制在GUN通用公證書的條件下發(fā)布。它可運行于幾乎所有的操作平臺，包括Linux，Windows，Macintosh操作系統(tǒng)。Weka工作平臺能處理所有標(biāo)準(zhǔn)數(shù)據(jù)挖掘問題的方法：回歸、分類、聚類、關(guān)聯(lián)規(guī)則挖掘及屬性選擇。WEKA要求的數(shù)據(jù)形式必須是ARFF格式，CSV格式，C4.5格式。WEKA存儲數(shù)據(jù)的格式是ARFF文件，這是一種ASCII文本文件，表格里的行稱作一個實例Instance，一個列稱作一個屬性Attribute。這樣的表格呈現(xiàn)了屬性之間的一種關(guān)系。

Weka的使用方式之一是將一種學(xué)習(xí)方法應(yīng)用于一個數(shù)據(jù)集，然后分析其輸出，從而更多地了解這些數(shù)據(jù)。另一種方式，則是使用已學(xué)到的模型對新實例做出預(yù)測。第三種方式是應(yīng)用幾種不同的學(xué)習(xí)器，根據(jù)他們的性能表現(xiàn)選擇其中的一種來做預(yù)測。Weka中最有價值的部分是真實學(xué)習(xí)方案的實現(xiàn)。其次，當(dāng)屬數(shù)據(jù)預(yù)處理工具也就是過濾器。當(dāng)用戶運行Weka后，必須從如下四種不同的用戶界面中做出選擇：探索者、知識流、實驗者和命令界面。使用Weka最簡單的方法，是通過稱作探索者（explorer）的圖形界面，通過這個用戶界面，所有weka功能都可以由菜單選擇及表單填寫的方式完成。知識流界面（Knowledge Flow），使用戶能知道自己如何處理流動中的數(shù)據(jù)。知識流允許用戶在屏幕上任意拖動代表學(xué)習(xí)算法和數(shù)據(jù)源的方框，并將他們結(jié)合在一起設(shè)置。實驗者界面是專門設(shè)計來幫助用戶在實際應(yīng)用中將不同的學(xué)習(xí)技術(shù)進(jìn)行比較，因為它能使具有不同參數(shù)設(shè)定的分類器和過濾器在運行一組數(shù)據(jù)時更加容易，收集性能統(tǒng)計數(shù)據(jù)及實現(xiàn)顯著性測試時更加簡便。Weka可由以下網(wǎng)址獲?。篽ttp：//www.cs.waikato.ac.nz/ml/WEKA。用戶既可以下載一個與具體操作系統(tǒng)相匹配的安裝文件，也可以下載一個可執(zhí)行的Java包文件，然后在已安裝了Java的機器上以通常的方式運行。

三、課堂教學(xué)實例

分類的目的是學(xué)會一個分類函數(shù)或分類模型（分類器）。該模型能把數(shù)據(jù)庫中的數(shù)據(jù)映射到給定類別中的某一個。教材中有一個天氣的數(shù)據(jù)集，通過Weka平臺演示決策樹的生成過程，通過直觀教學(xué)，使學(xué)生掌握決策樹算法的本質(zhì)思想，激發(fā)他們掌握算法的興趣。

1.準(zhǔn)備數(shù)據(jù)。數(shù)據(jù)通常存于電子數(shù)據(jù)表格或數(shù)據(jù)庫中。Weka存儲數(shù)據(jù)的原始方式是ARFF格式，ARFF文件由一組實例組成，每個實例的屬性由逗號分開。用戶需將文件載入文字處理軟件中，用@relation標(biāo)簽給該數(shù)據(jù)集取個名字，用@attribute標(biāo)簽加入屬性信息，再另起一行鍵入@data，最后將文件以純文本方式存儲。我們采用的是Weka自帶的weather.arff數(shù)據(jù)文件。

2.將數(shù)據(jù)載入探索者。啟動Weka，從底部的四個圖形用戶界面中（SimpleCLI、Explorer、Experimenter、knowledgeflow）選擇探索者，面板頂部的六個標(biāo)簽代表著探索者的基本功能，進(jìn)入預(yù)處理階段（preprocess），單擊Open file按鈕，選擇weather.arff，該數(shù)據(jù)集有14個實例和5個屬性（temperature，humidity，outlook，windy，play），play被選為類屬性，選擇一個屬性值，面板右下方的柱狀圖表明了相對于該屬性每個值，play的兩種值（yes，no）個字出現(xiàn)的比率，用戶可以任選其他屬性并畫出對應(yīng)的柱狀圖。在這個過程中，以可視的形式給學(xué)生展示了數(shù)據(jù)預(yù)處理、數(shù)據(jù)格式等和算法相關(guān)的知識[4]。endprint

3.建立決策樹。采用的決策樹分類算法為C4.5，實際上這個算法的Weka實現(xiàn)稱為J4.8，因此，選擇classify標(biāo)簽，單擊choose按鈕，在層級菜單中tree的里面找到J4.8，單擊start，分類器開始工作，然后顯示結(jié)果。結(jié)果的開頭給出了數(shù)據(jù)集概要及評估方法（默認(rèn)10折交叉），先根據(jù)屬性陰晴進(jìn)行分割，然后根據(jù)濕度和刮風(fēng)在第二層次上進(jìn)行分割。如果有被錯誤分割的實例也會被列出。

4.運用模型。WEKA對結(jié)果的一些特殊指標(biāo)提供了圖形化演示和文件導(dǎo)出的靈活功能。右鍵單擊彈出的菜單中的幾個選項，允許用戶以不同的方式可視化所得各種方法的結(jié)果。探索者界面頂部有一個Visualize標(biāo)簽可以顯示數(shù)據(jù)集。右鍵單擊歷史列表中的項目，用戶可以看到樹的結(jié)構(gòu)。

四、用Weka做作業(yè)

數(shù)據(jù)挖掘算法在現(xiàn)實生活中得到了廣泛的應(yīng)用，比如文本分類、醫(yī)學(xué)圖像處理、客戶信息管理等。可以將這些領(lǐng)域中的現(xiàn)實問題提出作為課程作業(yè)布置給學(xué)生，要求他們利用典型的數(shù)據(jù)挖掘算法來解決。但是，學(xué)生需要花費大量的時間去實現(xiàn)這些算法，算法實現(xiàn)后，還要考慮結(jié)果的可視化，再加上有些算法的實現(xiàn)確實有很大的難度，學(xué)生在多次嘗試失敗后容易放棄，更談不上完成作業(yè)了。WEKA，作為全世界公認(rèn)的最好的數(shù)據(jù)分析平臺，不僅提供了大量經(jīng)典機器學(xué)習(xí)算法的實現(xiàn)，而且提供了方便的數(shù)據(jù)輸入、結(jié)果輸出和可視化功能，使得學(xué)生集中完成作業(yè)，并通過各種算法的對比找出最合適的一個，甚至部分學(xué)生還可以對算法做出一定的改進(jìn)。留給學(xué)生的題目有以下幾個。

1.分析客戶關(guān)系管理。將關(guān)聯(lián)規(guī)則挖掘應(yīng)用于客戶關(guān)系管理的最終目的是努力將潛在客戶轉(zhuǎn)變?yōu)楝F(xiàn)實客戶，將滿意客戶轉(zhuǎn)變?yōu)橹艺\的終生客戶，提高客戶滿意程度，降低市場銷售及宣傳成本，增加利潤率。住房管理數(shù)據(jù)倉庫中的大量數(shù)據(jù)背后蘊含著豐富的有待開采的信息資源，利用關(guān)聯(lián)規(guī)則挖掘的Apriori算法，充分挖掘出這些隱藏的信息，并基于各種參數(shù)對挖掘結(jié)果進(jìn)行評價，為企業(yè)決策提供支持[2]。

2.中文文本分類。根據(jù)我校教學(xué)督評中心提供的學(xué)生對教師的中文評教文本，利用分類的方法找出其評價的傾向性，要求完成特征選擇、分類。引導(dǎo)學(xué)生閱讀相關(guān)論文，實現(xiàn)一些網(wǎng)絡(luò)文本的分類。

3.醫(yī)學(xué)圖像處理。根據(jù)醫(yī)院提供的醫(yī)學(xué)圖像，利用密度聚類算法，在對圖像進(jìn)行預(yù)處理的基礎(chǔ)上，識別其中的細(xì)胞圖像。

五、結(jié)束語

數(shù)據(jù)挖掘中的很多算法比較抽象難懂，設(shè)計的理論知識較多。很多學(xué)校開設(shè)了這門課程，如果實驗環(huán)節(jié)單純依靠學(xué)生自己編程實現(xiàn)算法，有一定難度。學(xué)生也會因為畏難情緒而失去對這門課學(xué)習(xí)的興趣。本文提出的利用Weka平臺作為演示經(jīng)典算法和學(xué)生完成作業(yè)的途徑，收到了比較好的效果。但是，Weka平臺也存在著一些局限性，可以通過其他數(shù)據(jù)挖掘軟件進(jìn)行補充。

參考文獻(xiàn)：

[1]Data Mining Practical Machine Learning Tools and Techniques（Second Edition）[M].北京：機械工業(yè)出版社，2007.12，241-285

[2]譚征，孫紅霞，王立宏.基于實例的本科“數(shù)據(jù)挖掘”課程教學(xué)探索[J].計算機教育，2013，（9）.

[3]趙陽.Weka系統(tǒng)及其在數(shù)據(jù)挖掘教學(xué)中的應(yīng)用[J].科技信息，2008，（30）.

[4]高明霞，方娟，毛國君.開源工具在機器學(xué)習(xí)教學(xué)中的應(yīng)用[J].計算機教育，2009，（2）.

[5]李德有，李凌霞，郭瑞波.基于Weka平臺的機器學(xué)習(xí)方法探究[J].電腦知識與技術(shù)，2012，（8）endprint