本文目录导读：
数据挖掘课程设计实验报告
姓名：[你的姓名]
学号：[你的学号]
专业：[你的专业]
指导教师：[指导教师姓名]
报告日期：[报告日期]
数据挖掘是从大量数据中提取隐藏的、有价值的知识和信息的过程，它可以帮助企业和组织更好地理解他们的客户、市场和业务，从而做出更明智的决策，本实验报告旨在介绍数据挖掘课程设计的实验过程和结果，以及对数据挖掘技术的应用和理解。
实验目的
1、掌握数据挖掘的基本概念和技术。
2、学会使用数据挖掘工具进行数据分析和挖掘。
3、能够运用数据挖掘技术解决实际问题。
实验环境
1、操作系统：Windows 10
2、数据挖掘工具：Weka 3.8.3
3、编程语言：Java
实验数据
本实验使用的数据集是鸢尾花数据集（Iris Dataset），它包含了 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），数据集可以从 UCI 机器学习库（https://archive.ics.uci.edu/ml/datasets/Iris）下载。
1、数据预处理
- 数据清洗：删除包含缺失值的样本。
- 数据标准化：将数据标准化到 0-1 之间，以消除不同特征之间的量纲差异。
- 数据划分：将数据集划分为训练集、验证集和测试集，比例为 6:2:2。
2、特征选择
- 过滤式特征选择：使用方差阈值法（VarianceThreshold）选择方差大于阈值的特征。
- 包裹式特征选择：使用随机森林（RandomForest）算法进行特征选择，选择重要性得分高于阈值的特征。
3、模型构建
- 决策树（DecisionTree）：使用 Weka 中的 J48 算法构建决策树模型。
- 支持向量机（SupportVectorMachine）：使用 Weka 中的 SMO 算法构建支持向量机模型。
- 朴素贝叶斯（NaiveBayes）：使用 Weka 中的 NaiveBayes 算法构建朴素贝叶斯模型。
4、模型评估
- 准确率（Accuracy）：正确分类的样本数占总样本数的比例。
- 召回率（Recall）：被正确分类的正样本数占实际正样本数的比例。
- F1 值：综合考虑准确率和召回率的指标，F1 值越高，模型性能越好。
- 混淆矩阵：用于展示模型在各个类别上的预测情况。
实验步骤
1、数据预处理
- 导入数据集：使用 Weka 中的 Explorer 工具导入鸢尾花数据集。
- 数据清洗：使用 Weka 中的 AttributeSelection 工具删除包含缺失值的样本。
- 数据标准化：使用 Weka 中的 Standardize 工具将数据标准化到 0-1 之间。
- 数据划分：使用 Weka 中的 CrossValidation 工具将数据集划分为训练集、验证集和测试集，比例为 6:2:2。
2、特征选择
- 过滤式特征选择：使用 Weka 中的 AttributeSelection 工具，选择方差大于阈值的特征。
- 包裹式特征选择：使用 Weka 中的 FilteredClassifier 工具，选择重要性得分高于阈值的特征。
3、模型构建
- 决策树：使用 Weka 中的 J48 算法构建决策树模型。
- 支持向量机：使用 Weka 中的 SMO 算法构建支持向量机模型。
- 朴素贝叶斯：使用 Weka 中的 NaiveBayes 算法构建朴素贝叶斯模型。
4、模型评估
- 准确率：使用 Weka 中的 EvaluateModel 工具计算模型的准确率。
- 召回率：使用 Weka 中的 EvaluateModel 工具计算模型的召回率。
- F1 值：使用 Weka 中的 EvaluateModel 工具计算模型的 F1 值。
- 混淆矩阵：使用 Weka 中的 ConfusionMatrix 工具展示模型在各个类别上的预测情况。
实验结果与分析
1、数据预处理结果
- 数据清洗：删除了 1 个包含缺失值的样本，剩余 149 个样本。
- 数据标准化：将数据标准化到 0-1 之间，消除了不同特征之间的量纲差异。
- 数据划分：将数据集划分为训练集、验证集和测试集，比例为 6:2:2。
2、特征选择结果
- 过滤式特征选择：选择了 4 个方差大于阈值的特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。
- 包裹式特征选择：选择了 3 个重要性得分高于阈值的特征，分别是花萼长度、花瓣长度和花瓣宽度。
3、模型构建结果
- 决策树：决策树模型的准确率为 96.64%，召回率为 96.64%，F1 值为 96.64%。
- 支持向量机：支持向量机模型的准确率为 95.30%，召回率为 95.30%，F1 值为 95.30%。
- 朴素贝叶斯：朴素贝叶斯模型的准确率为 92.62%，召回率为 92.62%，F1 值为 92.62%。
4、模型评估结果
- 准确率：决策树模型的准确率最高，为 96.64%。
- 召回率：决策树模型的召回率最高，为 96.64%。
- F1 值：决策树模型的 F1 值最高，为 96.64%。
- 混淆矩阵：决策树模型在各个类别上的预测情况都比较准确，只有 1 个样本被误判为其他类别。
通过本次数据挖掘课程设计实验，我们掌握了数据挖掘的基本概念和技术，学会了使用数据挖掘工具进行数据分析和挖掘，并且能够运用数据挖掘技术解决实际问题，在实验过程中，我们对鸢尾花数据集进行了预处理、特征选择和模型构建，并对模型进行了评估，实验结果表明，决策树模型的性能最好，准确率、召回率和 F1 值都最高。
参考文献
[1] Witten, I. H., Frank, E., Hall, M. A., & Pal, C. (2011). Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). Morgan Kaufmann.
[2] 胡广书. 数字信号处理——理论、算法与实现（第 4 版）[M]. 清华大学出版社, 2013.
[3] 贾俊平, 何晓群, 金勇进. 统计学（第 7 版）[M]. 中国人民大学出版社, 2016.
评论列表