WEKA中文详细教程：274页PPT讲透ARFF格式、数据预处理与分类聚类全流程

简介这份《WEKA中文详细教程PPT》面向数据挖掘与机器学习初学者、高校课程学习者及需要快速熟悉WEKA操作的读者围绕开源工具WEKA的中文入门与系统梳理展开帮助建立从数据集导入、预处理到建模评估的完整认知。压缩包内共1个PPT文件约14.29MB以课件形式集中呈现核心内容并保留较清晰的章节层次便于课堂讲授、自学查阅和复习归档。内容覆盖WEKA简介、数据集与ARFF文件格式、数据准备、数据预处理、分类、聚类、关联规则、属性选择、数据可视化及知识流界面并详细拆解Explorer环境的八大功能区域与数据集管理方式对课程作业、实验演示和算法对比具有直接参考价值。已有168人学习适合不同基础读者按需查阅也可供研究者在算法选择与结果解释时对照参考。1. 一份 PPT 版的 WEKA 中文详细教程解决的是“菜单认识字但流程跑不动”的问题做数据挖掘课设那阵子最难受的不是算法不会是打开一个全英文界面几十个下拉框不知道先点哪个。这份 WEKA 中文详细教程就是针对这个场景的课程资源一份 274 页的 PPT从 WEKA 简介、数据集、数据准备、数据预处理一路铺到分类、聚类、关联规则、选择属性、数据可视化最后落到知识流界面。它不讲公式推导讲的是每个面板点哪里、参数填什么、输出框里那几行数字怎么读。适合三类人第一次碰 WEKA 的学生、带实验课的助教、以及想拿现成工具给一份表格跑个基线模型再谈结果的工程师。把它当操作手册翻比当教材读有用得多。2. 拆解教程的九个模块先跑通一条主线再回头补细节拿到一份 274 页的 PPT最常见的错误是从第一页顺着往下翻。翻到分类那一章第 63 页时前面的数据预处理已经忘得差不多了而聚类184 页、关联规则225 页、选择属性244 页这三块加起来占了将近一半篇幅顺着读会陷在细节里出不来。合理的做法是先看清各模块的体量和依赖关系再按自己的目标挑一条主线走。2.1 九个模块的真实工作量分布把目录页码换算成页数能直接看出作者的用力方向。分类和聚类两章合计 120 多页是整个教程的重心数据准备和预处理不到 40 页但这两块没弄明白后面所有算法都会跑出莫名其妙的结果。模块起始页大致页数依赖关系建议投入WEKA 简介29无快速浏览数据集1113简介精读格式是地基数据准备2412数据集精读数据预处理3627数据准备精读Filters 全在这里分类63121预处理重点选两三个算法吃透聚类18441预处理重点配合可视化看关联规则22519数据准备按需选择属性2449预处理按需写论文常要数据可视化25322数据集快速过知识流界面275剩余全部做批量实验时再回来看这张表最有价值的信息是“分类一章 121 页”这个数字。它意味着教程把绝大部分篇幅给了监督学习如果你的任务是聚类或者找关联规则别指望在对应章节里找到同等深度的参数讲解得自己补。反过来如果你的目标是用 WEKA 跑一次对比实验写进报告那第 63 页往后的分类章节就是主战场前面几百页都是为它服务的。教程里给的下载入口是 3.6 系列那个自带 JRE 的 Windows 安装包。这个版本号的安装包好处是装完双击就能用不用自己配 Java 环境代价是它绑定的 JRE 版本比较老如果你机器上已经装了新版本 JDK可能会遇到两个 Java 并存导致的启动异常。我一般的做法是装不带 JRE 的 zip 包然后在启动脚本里显式指定 java 路径环境干净出问题也好定位。2.2 三条学习路径对应三种完全不同的用法同一份 PPT不同人该走的路完全不一样。下面三条路径是我见过最省时间的三种切法。路径一四小时跑通全流程。数据集11 页→ 数据准备24 页→ 预处理里的缺失值和离散化两节36 页起→ 分类章节里挑一个 J48 决策树跑通63 页起→ 看结果里的混淆矩阵。这条路线的目标是建立“数据进去、模型出来”的完整直觉中间所有算法原理都可以先跳过。跑完之后你对 Explorer 界面的八个区域会有一个肌肉记忆级别的熟悉度后面再看别的算法就是换个分类器名字的事。路径二为课程实验或报告做准备。走完整的数据准备和预处理然后在分类章里挑三到四个算法做横向对比重点看教程里关于评估方法的段落——交叉验证折数怎么设、为什么准确率在小样本上不可信、ROC 面积在哪看。这条路径要多花一倍时间在预处理上因为报告里最容易被问住的问题永远是“你为什么这么处理缺失值”。路径三工程落地。直接跳到知识流界面那一章把前面学的面板操作翻译成可保存、可复用的流程文件。知识流环境的价值在于它把一次性的鼠标点击变成了一个能反复跑的图换数据集只要改输入端。这条路对 PPT 的依赖其实最低但教程里那部分截图能帮你少走很多弯路——尤其是组件之间的连线规则自己摸索挺费时间。提示不管走哪条路先把教程自带的 weather.arff 跑一遍。这个 14 实例 5 属性outlook、temperature、humidity、windy、play的小数据集是所有操作的最小验证集任何参数改动都能立刻看出效果差异比拿真实数据调试快十倍。2.3 用 Explorer 的八个区域建立心智模型教程把 Explorer 界面切成八个区域来讲这个切法很实用值得单独记一下因为后面所有操作都是在这八个格子里打转。区域 1 是顶部那排选项卡Preprocess、Classify、Cluster、Associate、Select Attributes、Visualize对应六类任务。区域 2 是打开、编辑、保存、撤销那一排按钮。区域 3 是 Filter 选择区数据预处理全部在这里完成也就是教程第 36 页之后的内容。区域 4 显示当前数据集的关系名、属性数、实例数。区域 5 是属性列表勾选后点 Remove 可以删列删错了用区域 2 的 Undo 找回来——这个 Undo 是很多人不知道的后悔药。区域 6 是选中属性的统计摘要数值属性给最小值、最大值、均值、标准差标称属性给每个类别的计数。区域 7 是直方图默认按最后一个属性也就是类标分色。区域 8 是底部状态栏右键能看内存占用和强制垃圾回收那个会动的鸟图标表示任务正在跑。这里有个细节教程讲得比较轻区域 7 的分色依据可以在直方图上方下拉框里换。当你想看某个特征在另一个类别维度上的分布时这个下拉框比重新画图快得多。另外如果最后一个属性不是类别型而是数值型直方图会变成黑白的这时候要么在下拉框里手动指定一个分类属性要么承认你的数据不适合直接做分类任务。理解这八个区域之后整个 WEKA 的操作逻辑就收敛成一句话在区域 3 选一个 Filter 改变数据形态在区域 1 切到对应任务页在区域 3 下方选一个算法点 Start去结果区读数字。剩下的全是参数细节。3. ARFF 格式吃透手写一份 WEKA 认得的表WEKA 只认 ARFF这是绕不过去的。教程从第 11 页开始讲数据集第 15 页给出完整的 weather.arff 示例这部分内容看着琐碎但它是后面所有操作的前提。实际项目里我见过太多人卡在“文件导入报错”上九成以上是 ARFF 的头信息写错了而不是数据本身有问题。3.1 头信息的三段结构relation、attribute、data一个 ARFF 文件去掉以%开头的注释行之后结构只有两段头信息和数据信息。头信息里第一行有效内容必须是关系声明relation 关系名关系名带空格要加引号。紧接着是若干个attribute声明每个属性一行格式是attribute 属性名 数据类型。数据部分从单独一行的data开始之后每一行是一条记录字段之间用逗号分隔。属性声明的顺序极其重要它决定了数据部分每一列对应哪个属性。教程里举的例子很到位humidity 是第三个被声明的属性那么数据行里第 3 个字段按人的习惯数就是 humidity 的值。另外最后一个声明的属性会被当作 class 属性在分类和回归任务里它就是默认的目标变量。这意味着你调整列顺序时必须把类标列放在最后否则分类器会拿错目标——这个坑后面还会细说。属性名必须以字母开头可以包含字母、数字和下划线。这个限制在实际使用中经常被忽略尤其是从数据库导出的字段名带数字前缀时比如1st_clickWEKA 会直接拒绝加载。解决办法是在生成 ARFF 时统一加一个字母前缀。3.2 四种数据类型与那个容易翻车的大小写规则WEKA 支持四种数据类型numeric 数值型、标称型花括号里列举类别、string 字符串型、date 日期型。教程特别提到 integer 和 real 也会被当成 numeric 处理这个兼容性设计挺贴心。真正容易踩的是大小写。教程里明确写了integer、real、numeric、date、string这些类型关键字是区分大小写的而relation、attribute、data这三个标记不区分。也就是说ATTRIBUTE能正常工作但attribute age Numeric会报错因为Numeric首字母大写不被识别。这类错误在报错信息里往往只说“problems parsing”看得人一头雾水。标称型的写法是attribute 属性名 {类别1, 类别2, 类别3}数据里该字段的值必须严格等于花括号里的某一个包括大小写和空格。如果类别名里带空格要加引号。我处理过一份数据类别标签在源文件里写的是Yes和No迁移到 ARFF 时手写成{yes, no}结果整个文件加载后类别全是缺失值——WEKA 不报错只在摘要里把缺失数显示得很高很容易漏看。3.3 从 CSV 到 ARFF两种转换方式真实场景里没人手写 ARFF数据一般躺在 CSV 或 Excel 里。这里给两条路按数据规整程度选。第一条是 WEKA 自带的转换器适合列名干净、没有奇怪字符的 CSV。命令行一行搞定# CSVLoader 负责读 CSV 并输出 ARFF 到标准输出 # -i 指定输入文件重定向到目标 .arff java -cp weka.jar weka.core.converters.CSVLoader \ data/orders.csv data/orders.arff这条命令做的事很直白CSVLoader 读入 CSV自动推断每列类型为 numeric 或 nominal然后序列化成 ARFF 写到标准输出。参数上它支持-H表示第一行不是列名、-N后面跟类型名列表强制指定各列类型比如-N 4-8表示第 4 到第 8 列按标称处理。逻辑上它只看前若干行做类型推断所以如果 CSV 里某列前一百行都是整数、第一百零一行出现N/A推断结果会是 numeric 然后在加载时报错。数据集不大时建议先扫一遍每列取值。第二条是自己写一段转换脚本适合要控制类型、要处理缺失值、要重排列顺序的场景。下面是 Python 版本import csv # 配置区按业务需要改这三处 INPUT_CSV raw/churn.csv # 源文件 OUTPUT_ARFF data/churn.arff # 输出文件 RELATION churn # 关系名 # 列定义(列名, 类型, 额外信息) # 类型为 numeric / nominal / string / date COLUMNS [ (age, numeric, None), (tenure, numeric, None), (contract, nominal, [month, year, two_year]), (has_card, nominal, [TRUE, FALSE]), (churn, nominal, [yes, no]), # 类标必须放最后 ] MISSING_TOKEN ? # WEKA 的缺失值标记不能是空字符串 def fmt(value): 把 Python 值转成 ARFF 合法文本缺失统一写成 ? v (value or ).strip() if v or v.upper() NA or v NULL: return ? return v with open(INPUT_CSV, newline, encodingutf-8-sig) as fin, \ open(OUTPUT_ARFF, w, encodingutf-8) as fout: fout.write(frelation {RELATION}\n\n) for name, dtype, spec in COLUMNS: if dtype nominal: fout.write(fattribute {name} {{{,.join(spec)}}}\n) elif dtype date: fout.write(fattribute {name} date {spec}\n) else: fout.write(fattribute {name} {dtype}\n) fout.write(\ndata\n) # csv.DictReader 按列名取值源文件列顺序变了也不影响 reader csv.DictReader(fin) for row in reader: fout.write(,.join(fmt(row.get(name)) for name, _, _ in COLUMNS) \n)这段脚本的关键点在三处。utf-8-sig编码是为了吃掉 Windows 导出的 BOM 头否则第一列列名会带个不可见字符导致取值为空。MISSING_TOKEN用?是 ARFF 的强制约定空串会让解析器把后面的字段全部错位一列这是最隐蔽的一类错误。列的写出顺序严格按COLUMNS走源 CSV 列顺序怎么变都不影响输出同时保证类标在最后一位。注意写 ARFF 时字段值里不能出现未转义的逗号、花括号和百分号。标称值里的逗号要用引号包住字符串属性里的反斜杠要转义。源数据里如果有中文全角逗号WEKA 会当成普通字符处理但屏幕上看起来和半角逗号几乎一样排查起来很费眼。3.4 缺失值、稀疏格式和那个被忽视的类标位置缺失值在 ARFF 里统一写成?教程里没展开讲但这是预处理阶段绕不开的东西。WEKA 大部分算法对缺失值有默认处理策略比如决策树在分枝时会把缺失样本按比例分到各个子节点朴素贝叶斯直接跳过缺失维度。默认策略能跑通不代表结果可信。我的习惯是在预处理阶段先用 ReplaceMissingValues 这个 Filter 把数值列的缺失补成均值、标称列补成众数把补全情况和分布变化记下来再决定要不要保留。稀疏数据大量取值为 0 或缺失可以用稀疏 ARFF 格式数据部分每一行写成{0 值, 3 值}这种形式只列非零字段的下标和值。文本挖掘类数据用这个格式能省下大量磁盘和加载时间。代价是可读性差调试阶段别用。类标位置这一点值得再说一遍因为它同时牵扯 ARFF 和界面两个环节。ARFF 里最后一个attribute默认是类标Explorer 也是按这个规则认的。如果你做完预处理后某个 Filter 在末尾追加了新列类标就不再是最后一列分类器会拿错目标去训练而界面上不会给出任何提示结果只会表现为准确率莫名其妙地接近随机。在 Preprocess 面板上方有一个 Class 下拉框用来显式指定哪一列是类标很多人从来不动它。做完任何改变列数或列序的操作之后去那个下拉框确认一眼能省掉一整晚的困惑。4. 预处理与建模Filter 链、测试选项和那些默认值教程的预处理章节从第 36 页开始分类从第 63 页开始中间这二十多页是整套流程里性价比最高的部分。原因很简单算法选错了顶多效果差一点数据形态错了会让所有算法一起失效而且失效的方式往往很安静——没有报错只有一个好看得可疑的准确率。4.1 Filter 的选择链与无监督离散化的参数Filter 在 Explorer 的 Preprocess 面板里通过 Choose 按钮选选完之后点它右侧的输入框可以改参数。读 PPT 里的截图时容易忽略一点Filter 是可以串联的每次 Apply 之后数据集就变了接着选下一个 Filter 再 Apply形成一个处理链。教程里的示例大多是单个 Filter 操作实际用起来基本都是三到五步串联。一个典型的链是这样的先用 Remove 删掉 ID 类和明显无关的列用 ReplaceMissingValues 补缺失用 Discretize 把连续值分箱用 Normalize 归一化最后用 NumericToNominal 把某些数值列转成类别。顺序不能随便调比如 Normalize 必须在 Discretize 之前或者干脆二选一先分箱再归一化是没有意义的。离散化这一步参数最值得细看。Discretize 的-B控制分箱数默认 10-M为真时使用等频分箱默认是等宽。等宽分箱在长尾分布上会把 90% 的样本塞进第一个箱子等频分箱每个箱子的样本数相近但切点位置依赖数据分布换成测试集后切点会漂。教程的示例数据量小看不出差别真实数据上这个选择对结果影响很大。Filter关键参数默认值什么时候改Discretize-B分箱数10样本少时降到 35否则每箱样本太少Discretize-M等频开关关闭等宽分布严重偏斜时打开Remove-R列索引无索引从 1 开始按 Ctrl 可多选ReplaceMissingValues无—数值补均值、标称补众数Normalize-R列范围全部数值列距离类算法必须做树模型可省表里最后一行是个容易搞混的边界归一化对 K 近邻、SVM、KMeans 这类基于距离的算法是必需项对 J48 这类决策树则没有影响因为树只看单列的切分点和量纲无关。搞清楚这一点能少做很多无用功。提示Filter 面板里 Apply 按钮旁边有个 Undo可以撤销上一次 Filter 操作并退回上一步的数据状态。这个按钮只保留一步历史所以做完一步关键变换之后记得点 Save 存一个中间版本的 ARFF别指望靠撤销来回退。4.2 分类器面板四个测试选项和一个代价矩阵切到 Classify 面板左上角 Choose 里是算法树下面是 Test options 四选一。这四个选项决定了你看到的数字是什么含义教程里讲得比较简略值得补充。Use training set 是最快的也是最有欺骗性的。它拿训练集自己评估自己任何稍微有点记忆能力的模型都能刷出 95% 以上的准确率。这个选项只适合验证代码跑没跑通不适合写进任何报告。Supplied test set 需要额外指定一个独立的 ARFF 文件注意这个文件的属性声明必须和训练集完全一致——属性数量、顺序、类型、标称值的类别列表全部要对得上。差一个类别名就会在预测时全部判错而且报错信息很模糊。Cross-validation 是默认选项Folds 默认 10。小样本时要降低折数比如 100 条样本用 10 折每折只有 10 条评估结果抖动会很大。经验做法是样本数低于 500 时用 5 折低于 100 时用 leave-one-out。Percentage split 按比例切分默认 66%也就是三分之二训练三分之一测试。这个选项的问题是切分是随机的同一份数据跑两次结果不同。旁边有个 More options 里的随机种子可以固定改完之后结果才可复现。代价矩阵在 More options 的 Cost sensitive evaluation 里设。二分类任务里把少数类的误判代价调高能让模型更偏向识别少数类而不是一味追求整体准确率。教程的示例数据类别均衡用不上这个真实业务里几乎一定会用到。4.3 聚类和关联规则的指标读法比参数更重要聚类面板的操作和分类类似但结果解读方式完全不同。SimpleKMeans 的关键参数是-N簇数和-I迭代次数。簇数没有客观标准需要在结果里看簇内平方和Within cluster sum of squared errors随簇数变化的那条曲线找拐点。教程里给了截图示例但没强调一件事KMeans 的初始中心是随机选的同一个数据集跑两次结果可能差很多。要稳定就固定-S随机种子要多跑几次取最优就设-init为多次尝试。结果里的簇分配表会告诉你每个簇有多少实例、各属性的均值。真正有用的一步是右键结果列表里的那一行选 Visualize cluster assignments能看到样本在二维平面上的分布。如果两个簇在图上完全重叠说明你选的属性组合区分不了它们该回去做属性选择而不是继续调簇数。关联规则这边Apriori 的参数坑最深。-N是产出规则数量上限默认 10-C是最小度量阈值默认 0.9-M是最小支持度默认 0.1。关键在于-T它指定用哪个度量来筛选规则默认值是 1对应 lift 提升度而不是大多数人以为的 confidence 置信度。这意味着如果你只调-C这个“看起来是置信度”的参数实际在筛的是提升度结果会和预期完全对不上。要按置信度筛必须显式把-T设成 0。4.4 命令行与知识流把一次点击变成可重复执行在界面上点顺手之后把所有操作搬到命令行是效率提升最明显的一步。WEKA 的每个算法类都有 main 方法可以直接用 java 调用。# 用 J48 在训练集上建模并在测试集上评估-i 输出决策树本身 java -cp weka.jar weka.classifiers.trees.J48 \ -t data/churn_train.arff \ -T data/churn_test.arff \ -C 0.25 \ -M 2 \ -i # KMeans 聚类-N 簇数 -I 迭代上限 -S 固定随机种子保证可复现 java -cp weka.jar weka.clusterers.SimpleKMeans \ -t data/churn_train.arff \ -N 4 -I 100 -S 42 # Apriori 关联规则注意 -T 0 表示按置信度筛选-C 0.8 是阈值 java -cp weka.jar weka.associations.Apriori \ -t data/basket.arff \ -N 30 -T 0 -C 0.8 -M 0.05J48 的两个参数解释一下-C是剪枝的置信度阈值默认 0.25调小会让树长得更谨慎、剪得更狠-M是叶子节点的最小实例数默认 2样本少的时候调到 5 到 10 能明显抑制过拟合。-i让输出包含决策树文本不加的话只有统计指标。这三条命令的实际价值不只是省鼠标更重要的是可以被 shell 脚本批量调用。把数据集列表和算法列表写成两个数组双层循环套一下一晚上能跑完几十组实验结果输出到不同文件里再统一比对。用界面点的话这个工作量是不可接受的手工活。知识流界面走的是另一条路它把流程画成图。组件从左边拖到画布上数据源接 FilterFilter 接分类器分类器接评估器用连线连起来点开始就按图跑。好处是流程本身可以存成文件、可以给同事看、换了数据源只要改一个组件的路径。对于要反复跑同一个流程的场景这比命令行脚本更直观对于要穷举参数组合的场景命令行更省事。两种方式都值得掌握看任务决定。5. 用这套教程时踩过的坑五条排查记录教程按功能模块组织章节之间是并列的真实使用中遇到的问题却往往横跨三四个模块。下面五条是我照着这份 PPT 走流程时实际撞上的按现象、原因、解决三段记下来方便对照排查。5.1 数据与环境层面的三条现象用 Remove 删掉第 1 列和第 3 到 5 列之后剩下的数据里少了一列本来该保留的属性。原因把属性索引和数据列下标搞混了。WEKA 界面和 Filter 参数里的属性索引从 1 开始而 ARFF 文件的数据行里字段下标从 0 开始教程提到标称值位置时用的是 0 起算的说法两套编号在同一份文档里并存很容易照着一个用另一个。解决在 Preprocess 面板里直接勾选属性再点 Remove不手填索引非要用参数就写成一个显式的映射表贴在脚本里宁可多写几行也别心算。现象加载一个几十兆的训练集时弹出内存溢出错误程序直接退出。原因WEKA 默认的 JVM 堆内存上限比较小读 ARFF 时整个数据集常驻内存数据量一大就爆。教程里的示例都是几百行的小文件不会触发这个问题。解决启动时加参数-Xmx2g按机器内存调整或者在启动脚本里把 JAVA_OPTS 写死。另一个方向是先在预处理阶段做列裁剪和采样把数据量降下来再进 WEKA。现象用训练集训练出来的模型在测试集上预测结果几乎全是同一个类别准确率和随机猜差不多。原因训练集和测试集的标称属性类别列表不一致。前置转换脚本对训练集和测试集分别做了类别统计某个类别在训练集里没出现于是attribute的花括号里少了一个值测试集里出现该值的样本在加载时被设成缺失。解决嵌在转换脚本里把类别列表做成全局常量而不是从数据里推断或者先用训练集的 ARFF 头信息覆盖测试集的头信息只替换数据部分。5.2 算法与评估层面的两条现象用 Apriori 跑关联规则把-C从 0.9 调到 0.5 期望得到更多规则结果规则数量几乎没变。原因-C是“最小度量阈值”具体筛哪个度量由-T决定而-T的默认值是 1也就是按 lift 提升度筛不是置信度。改-C确实在改阈值但改的是提升度的阈值而提升度和支持度的联合约束下大多数候选项早就被支持度过滤掉了所以看不出变化。解决明确写出-T 0表示按置信度筛再调-C同时把-M最小支持度一起降下来两个约束要匹配着设。现象十折交叉验证报告的准确率有 92%换了一个月后的新数据上去跑掉到 60% 多。原因类别的分布随时间漂移而交叉验证的每一折都是从同一份历史数据里随机切的各折之间高度相关给出的估计是历史分布下的内部一致性不是泛化能力。教程里讲交叉验证时用的示例数据没有时间维度不会暴露这个问题。解决有时间的业务数据一律按时间切分早期数据训练、近期数据测试同时看混淆矩阵里每个类的精确率和召回率别只看总准确率类别不平衡时总准确率会严重高估效果。6. 把 PPT 变成可复现实验属性选择和结果导出的两个技巧教程里选择属性那一章只有九页是全书最薄的一章但在实际项目里它的作用被严重低估。属性选择做完之后模型训练时间能降一个数量级可解释性也会明显变好尤其是要给业务方解释哪些特征真正起作用时。界面上操作很直观切到 Select Attributes 面板Evaluator 里选 CfsSubsetEvalSearch 里选 GreedyStepwise点 Start 就能看到被选中的属性编号。问题在于这个过程无法批量执行。要跑批处理用 Java API 直调是最稳的方式import weka.attributeSelection.*; import weka.core.Instances; import weka.core.converters.ConverterUtils.DataSource; public class SelectDemo { public static void main(String[] args) throws Exception { Instances data DataSource.read(data/churn_train.arff); data.setClassIndex(data.numAttributes() - 1); // 手动指定类标别依赖默认 AttributeSelection sel new AttributeSelection(); CfsSubsetEval eval new CfsSubsetEval(); // 特征子集相关性评估 GreedyStepwise search new GreedyStepwise(); // 贪心前向搜索 search.setSearchBackwards(false); // false 为前向true 为后向 sel.setEvaluator(eval); sel.setSearch(search); sel.SelectAttributes(data); // 输出选中的属性索引从 0 开始和 ARFF 数据列一致 System.out.println(sel.selectedAttributes().length 个属性被选中); for (int idx : sel.selectedAttributes()) { System.out.println(idx \t data.attribute(idx).name()); } } }这段代码有三个地方值得注意。setClassIndex必须显式调用否则 CfsSubsetEval 会因为没有监督信号而报错这个报错信息完全不提类标的事只说评估器无法工作。setSearchBackwards(false)决定搜索方向前向从空集开始逐个加特征后向从全集开始逐个删特征数少的时候前向更快特征数多的时候后向偶尔能找到更优解。selectedAttributes()返回的是从 0 开始的索引如果要把结果喂给 Remove 这种从 1 开始编号的 Filter记得统一加一我在这上面栽过一次删错了列还不自知直到模型效果突然变好才觉得不对。第二个技巧是结果导出。Classify 面板右边有个 Result list每次运行都会追加一条。右键某一条可以 Save model 保存训练好的模型也可以 Save result buffer 把全部输出存成文本。批量实验时我会把每次的分类器配置、评估指标、混淆矩阵全部导成文本再写个小脚本解析成表格——这比截图可靠得多也方便后来人复现。从那以后我每次跑出一版“效果不错”的模型都强制走一遍先看 Result list 里那条记录的完整配置串确认参数确实是我以为的那些再把模型文件和当时的数据集版本号一起归档。WEKA 的默认参数太多了隔两周回来看光凭记忆是说不清当时到底改了什么。希望帮到你。本文还有配套的精品资源点击获取