WEKA数据挖掘平台及其二次开发

在开源数据挖掘平台WEKA上进行了挖掘测试和分析,并分析了其存在的主要问题。为了克服WEKA系统在聚类方面的薄弱性,在WEKA的开源环境下进行二次开发,扩充了聚类算法。介绍了将k-中心点轮换算法嵌入到WEKA平台的过程,充分利用了开源WEKA中的类和可视化功能,并对嵌入的算法和原有聚类算法进行了对比分析。该算法改进了传统的k-中心点算法,避免陷入局部最优,而且它对初始点不太敏感,可以获取更好的聚类效果。

基于WEKA的客户流失预测研究

针对电信企业客户流失问题,提出一种基于Weka平台知识自动获取的客户流失预测模型。针对决策树算法偏向于选择取值较多的属性作为测试属性的缺点,结合OIR算法选择相关属性子集进行分类,降低相关度较小属性与重复属性对分类的影响。通过在Weka平台上使用6个UCI数据集和移动公司客户数据的实验结果表明,优化后的决策树算法克服了决策树算法的取值偏置问题,从而获得比J48算法更高分类准确率。

Weka平台上解决聚类的改进差分进化算法

针对K均值算法的缺陷,提出一种用于解决聚类问题的差分进化算法对聚类的准则函数进行优化,为了能够进一步增强算法的全局搜索能力,引入一种基于种群适应度方差的自适应策略来动态调整变异概率CR和规模因子F等参数,充分利用在Weka工具中的类和接口,并将新提出的算法嵌入到平台中。在Weka平台上将该算法与K均值算法在3个UCI数据集上进行比较。仿真实验结果表明,该算法能够有效克服K均值算法的缺陷,能够获得较高的聚类质量。

基于Weka平台的C4.5算法在影像分类中的应用

遥感图像分类是从复杂的地物类型中提取有效类别信息的过程。在研究区地物类型较为复杂的情况下,借助计算机对遥感数据进行类别预测可以提高分类效率和准确率。本文基于Weka平台,利用决策树C4.5算法构造分类模型,进而对未知类别数据进行预测。实验分析表明,基于Weka平台利用决策树C4.5算法对遥感图像分类是可行且有效的,且分类精度较高。

基于Weka和协同机器学习技术的数据挖掘方法研究

为了提高数据挖掘准确度,提出了一种基于Weka和协同机器学习技术的数据挖掘方法。将Weka平台中具有相同训练结果的算法分至同组,且给每个算法得到的结果赋予权重因子。然后,采用蛙跳算法对权重因子进行训练,将训练得到的权重因子按照不同的组进行求和。最后将最大的一组所对应结果作为样本的训练输出,以实现不同机器学习算法协同。结果表明,相比于单个机器学习算法的数据挖掘,采用协同机器学习的数据挖掘准确度更高,稳定性更强。

基于Weka平台的FCM算法的研究与实现

针对开源数据挖掘平台Weka在聚类方面只集成了少数聚类算法的缺点,对其进行二次开发,扩充其聚类算法。介绍FCM算法的基本思想和算法描述,将FCM算法嵌入到Weka平台,充分利用Weka的类和可视化功能。选取一种实例密度加权的方法对该算法进行改进,调整聚类中心位置,并将改进后的算法与原算法进行实验比较分析。实验结果表明,改进后的算法明显减少了迭代次数,并获得更好的聚类效果。

吉尔吉斯斯坦国对中国文化的感知研究——基于WEKA平台对小样本问卷调查的分析

[目的/意义]文化交流推动着不同文明之间互鉴与发展。探究中华文化在吉尔吉斯斯坦国的认知与接受现状并提出相应对策,有助于提升我国传统文化对外的影响效力,促进我国和吉尔吉斯斯坦国基于文化的相识、相交、相通。[方法/过程]利用WEKA数据挖掘与分析平台,结合问卷调查法、案例分析法,从认知意愿、传播媒介、传播内容和传播效果四个维度明晰吉尔吉斯斯坦国对中国文化符号的认知情况,基于此提出提升文化感知效能之路径。[结果/结论]吉尔吉斯斯坦国民众显示出对中国文化强烈的兴趣,对中国传统文化与经典文化元素了解更多,但依然存在认知渠道单一、感知内容浅显老旧、文化亲切感不足、朋友圈狭窄等问题。基于此,应从融合新媒体、更新文化内容、挖掘本土题材、丰富传播主体等方面多维发力,突出文化对话的系统性、现代感与参与感,以增强受众的文化认同。

基于WEKA数据挖掘平台的医学数据分类及肾病早期预测

目的:随着医院信息化建设的发展,如何从海量医院临床信息挖掘出隐藏的关联数据,为患者提供早期辅助诊断,是目前智能医疗诊断领域热门的研究方向。方法:在WEKA数据挖掘平台的基础上,对慢性肾脏疾病数据进行挖掘分析,并比较不同挖掘算法的分类准确性。结果:对比实验结果表明,较于其他分类器,Random Forest分类器对慢性肾脏疾病数据集具有较好的分类准确性。结论:基于WEKA数据挖掘平台的医学数据最适合肾脏疾病诊断和预测的算法,为后期医疗行业的大数据分析及挖掘提供新思路。

一种基于驾驶员制动行为的车辆主动避撞模型研究

为减少碰撞类事故的发生,提高驾驶安全性,构建一种基于驾驶员制动行为的主动避撞模型(DBB)。通过动感型模拟驾驶仪完成跟车状态下各驾驶参数的采集,基于WEKA平台对数据进行分析,建立驾驶人制动行为BP神经网络模型。应用软件仿真及模拟驾驶仪对DBB模型的试验分析结果表明:DBB模型具有良好的预测能力,能与驾驶员制动行为较好地匹配。

基于数据挖掘算法的底板破坏深度预测

针对以往使用单一因素预测底板破坏深度误差较大的问题,基于开源数据挖掘工具Weka平台,以底板破坏因素为样本应用贝叶斯分类器、支持向量机、神经网络、决策树和随机森林模型实现对底板破坏深度数据的整理挖掘分析,从多因素角度出发完成对底板破坏深度的综合预测。平台应用结果表明,工作面斜长、埋深为破坏深度的主要影响因素;神经网络模型的节点错误率最低,决策树模型最高;神经网络和随机森林模型在详细的精度方面准确率达95%;总体分析对比神经网络预测效果最优,能够较好实现对煤矿底板破坏深度的预测。

一种基于改进人工蜂群的K-means聚类算法

针对K-means算法对初始的聚类中心选择敏感,全局搜索能力较差,聚类精度低以及稳定性不高,算法的鲁棒性较差等缺点,提出了一种基于改进的人工蜂群算法来对K-means聚类算法进行优化。算法构造了新的适应度函数,改进了食物源的位置更新公式来提高迭代效率。利用改进的人工蜂群算法良好的全局寻优能力,搜索速度快等优点,再加上K-means收敛速度快的优点,二者结合来提高算法的鲁棒性。将改进后的算法嵌入到WEKA这一数据挖掘平台中,充分利用了开源WEKA中的类和可视化功能,与WEKA中已有的聚类算法对比分析,可以获得更好的聚类结果。

基于高校微信平台数据的用户行为分析与预测——以华南农业大学珠江学院微信公众号为例

目前高校微信平台日渐增长,各大高校纷纷创立各自的微信公众号。现在高校微信公众平台已成为高校信息推送的重要媒体,高校微信公众平台每次发送推文的浏览量,以及转发量是衡量高校微信平台影响力的重要因素,本文通过对微信公众号和weka数据挖掘平台进行研究,通过对高校微信平台用户的使用意愿进行深入详细分析和挖掘,提出一种基于weka平台的高校微信平台用户行为分析与预测模型。通过分析决策树为高校微信平台的发展提供参考。

Apriori算法在棉花病虫害分析中的应用

为了快速准确地掌握棉花虫害发生趋势,提高虫情测报的时效性和准确性,采用Apriori算法数据挖掘关联规则,对棉花上的3种害虫棉铃虫、棉叶螨、棉蚜的发生趋势进行综合分析。通过Apriori算法寻找出了气候因素与棉花三大害虫的发生发展有密切的关系,尤其气温变化直接影响到棉花害虫的发生种类、发生期及发生量。关联规则数据挖掘技术,在处理大量农业信息数据中起着非常重要的作用,Apriori算法在棉花病虫测报工作中将是一项新的技术,具有非常广泛的应用前景。

基于机器学习的Android恶意软件检测实验

针对传统Android恶意软件检测技术准确率不足的问题,该文设计并用实验验证了一种基于机器学习的Android恶意软件检测方法。首先提取Android应用的一些关键静态特征,生成对应的特征向量,然后采用机器学习算法构建并训练模型,最后对待测Android应用软件进行分类检测。实验结果表明,在使用相同数据集的情况下,支持向量机(SVM)算法取得了96.4%的检测率,略高于逻辑回归、朴素贝叶斯、决策树算法。通过实验,不仅使学生对Android应用软件有了更清晰的认识,还提升了学生用机器学习方法分析和解决实际问题的能力。

大数据视角下高校网络教学平台应用的实践与反思

以扬州大学为例,运用Excel、WEKA等工具,分析网络教学平台应用的相关数据。研究发现,平台的知晓度虽高,但应用广度和深度较低,教师对基于平台的网络教学的有效反馈较少。针对现状,提出了进一步推广高校网络教学平台应用的思路。