Weka中数据挖掘与机器学习系列之基本概念（三）

<div class="blogpost-body" id="cnblogs_post_body">
<h1> </h1>
<h1 id="数据挖掘和机器学习"> 数据挖掘和机器学习</h1>
　　数据挖掘和机器学习这两项技术的关系非常密切。机器学习方法构成数据挖掘的核心，绝大多数数据挖掘技术都来自机器学习领域，数据挖掘又向机器学习提出新的要求和任务。
　　数据挖掘就是在数据中寻找模式的过程。这个寻找过程必须是自动的或半自动的，并且数据总量应该是具有相当大的规模，从中发现的模式必须有意义并能产生一定的效益。通常，数据挖掘需要分析数据库中的数据来解决问题，如客户忠实度分析、市场购物篮分析等。
　　机器学习分为两种主要类型。第一种称为有监督学习，或称为预测学习，其目标是在给定一系列输入输出实例构成的数据集的条件下，学习输入x到输出y的映射关系。这里的数据集被称为训练集，实例的个数称为训练样本数。第二种机器学习类型称为无监督学习，或称为描述学习，在给定一系列仅由输入实例构成的数据集的条件下，其目标是发现数据中的有趣模式。无监督学习有时候也称为知识发现，这类问题并没有明确定义，因为我们不知道需要寻找什么样的模式，也没有明显的误差度量可供使用。而对于给定的x，有监督学习可以对所观察的值和预测的值进行比较。
 
 
 
 
 
<h1 id="数据和数据集">数据和数据集</h1>
　　根据应用的不同，数据挖掘对象可以是各种各样的数据，这些数据可以以各种形式存储，如数据库、数据仓库、数据文件、流数据、多媒体、网页，等等。即可集中存储在数据存储库中，也可以分布在世界各地的网络服务器上。
　　通常将数据集视为待处理的数据对象的集合。由于历史原因，数据对象有多个别名，如记录、点、行、向量、案例、样本、观测等。数据对象也是对象，因此，可以用刻画对象基本特征属性来进行描述。属性也有多个别名，如变量、特征、字段、维、列，等等。
　　数据集可以类似于一个二维电子表格或数据库表。在最简单的情形下，每个训练输入Xi也是一个N维的数值向量，表示特定事物的一些特征，如人的身高、体重。这些特征也可以称为属性，有时Xi也可以是复杂结构的对象，如图像、电子邮件、时间序列、语句等。
　　属性可以分为四种类型:标称、序数、区间和比率，其中，标称属性的值仅仅是不同的名称，即，标称值提供区分对象的足够信息，如性别、衣服颜色、天气等；序数属性的值可以提供给确定对象的顺序的足够信息，如成绩等级、职称、学生等；区间属性的值之间的差是有意义的，即存在测量单位，如温度、日历日期等；比率属性的值之间的差和比值都是有意义的，如绝对温度、年龄、长度、成绩分数等。
　　标称属性和序数属性统称为分类的或定性的属性，它们的取值为集合，即使使用数值来表示，也不具备的大部分性质，因此，应该像对待符号一样对待；区间属性和比率属性统称为定量的或数值的属性，定量属性采用数值来表示，具备数的大部分性质，可以使用整数值或连续值来表示。
　　大部分数据集都以数据库表和数据文件的形式存在，Weka支持读取数据库表和多种格式的数据文件，其中，使用最多的是一种称为ARFF格式的文件。
 
 
 
 
<h1 id="arff格式">ARFF格式</h1>
　　ARFF是一种Weka专用的文件格式，即Attribute-Relation File Format(属性-关系文件格式）。该文件是ASCII文本文件，描述共享一组属性结构的实例列表，由独立且无序的实例组成，是Weka表示数据集的标准方法，ARFF不涉及实例之间的关系。
　　在Weka安装目录下的data子目录中，可以找