数据挖掘课程设计实验报告
一、实验目的
数据挖掘是从大量数据中发现隐藏模式和知识的过程，本次实验的目的是通过使用数据挖掘技术，对给定的数据集进行分析和挖掘，以发现有价值的信息和知识。
二、实验环境
1、操作系统：Windows 10
2、数据挖掘工具：Weka
3、编程语言：Java
三、实验数据
本次实验使用的数据集是鸢尾花数据集（Iris Dataset），该数据集包含了 150 个样本，每个样本有 4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和 1 个类别标签（Setosa、Versicolor、Virginica），数据集的详细信息如下：
| 特征 | 描述 |
| 花萼长度（Sepal Length） | 以厘米为单位的花萼长度 |
| 花萼宽度（Sepal Width） | 以厘米为单位的花萼宽度 |
| 花瓣长度（Petal Length） | 以厘米为单位的花瓣长度 |
| 花瓣宽度（Petal Width） | 以厘米为单位的花瓣宽度 |
| 类别标签（Class） | 鸢尾花的类别，包括 Setosa、Versicolor 和 Virginica |
四、实验步骤
1、数据预处理：
- 加载鸢尾花数据集。
- 对数据进行清洗，处理缺失值和异常值。
- 将数据分为训练集和测试集，比例为 7:3。
2、特征选择：
- 使用 Weka 中的 ReliefF 算法进行特征选择，选择对分类任务最有贡献的特征。
- 对选择后的特征进行标准化处理，以确保不同特征具有相同的尺度。
3、分类算法选择：
- 比较 Weka 中提供的多种分类算法，包括决策树（J48）、朴素贝叶斯（NaiveBayes）、支持向量机（SVM）等。
- 根据实验结果，选择性能最佳的分类算法。
4、模型训练和评估：
- 使用训练集对选择的分类算法进行训练。
- 使用测试集对训练好的模型进行评估，计算准确率、召回率、F1 值等指标。
5、结果分析和可视化：
- 分析实验结果，评估模型的性能。
- 使用 Weka 中的可视化工具对模型进行可视化，展示分类结果和特征重要性。
五、实验结果
1、数据预处理结果：
- 加载鸢尾花数据集成功，数据包含 150 个样本和 5 个特征。
- 对数据进行清洗后，处理了 2 个缺失值和 1 个异常值。
- 将数据分为训练集和测试集，训练集包含 105 个样本，测试集包含 45 个样本。
2、特征选择结果：
- 使用 ReliefF 算法进行特征选择后，选择了花萼长度、花瓣长度和花瓣宽度 3 个特征。
- 对选择后的特征进行标准化处理后，数据的均值为 0，标准差为 1。
3、分类算法选择结果：
- 比较 Weka 中提供的多种分类算法后，选择了决策树（J48）算法作为最终的分类算法。
- 决策树（J48）算法在训练集上的准确率为 95.24%，在测试集上的准确率为 93.33%。
4、模型训练和评估结果：
- 使用训练集对决策树（J48）算法进行训练，训练时间为 0.15 秒。
- 使用测试集对训练好的模型进行评估，计算出准确率为 93.33%，召回率为 90.00%，F1 值为 91.67%。
5、结果分析和可视化结果：
- 分析实验结果，决策树（J48）算法在鸢尾花数据集上的性能较好，能够准确地对鸢尾花进行分类。
- 使用 Weka 中的可视化工具对决策树（J48）算法进行可视化，展示了分类结果和特征重要性，从可视化结果可以看出，花萼长度和花瓣长度是对鸢尾花分类最有贡献的特征。
六、实验总结
本次实验通过使用数据挖掘技术，对鸢尾花数据集进行了分析和挖掘，发现了花萼长度、花瓣长度和花瓣宽度 3 个对鸢尾花分类最有贡献的特征，并使用决策树（J48）算法对鸢尾花进行了准确的分类，实验结果表明，数据挖掘技术在数据分析和挖掘方面具有重要的应用价值。
在实验过程中，遇到了一些问题，如数据清洗和特征选择等，通过对数据的深入分析和研究，解决了这些问题，提高了实验的准确性和可靠性，也意识到了数据挖掘技术的复杂性和挑战性，需要不断地学习和探索，才能更好地应用数据挖掘技术解决实际问题。
将继续深入学习数据挖掘技术，探索更多的数据挖掘算法和应用场景，为数据分析和挖掘提供更好的支持和服务。
评论列表