数据挖掘期末实验报告，数据挖掘期末实验报告

数据挖掘期末实验报告

一、实验目的

本次实验旨在通过数据挖掘技术，对给定的数据集进行分析和处理，以提取有价值的信息和知识，具体目标包括：

1、熟悉数据挖掘的基本概念和流程。

2、掌握数据预处理的方法和技巧。

3、学会使用数据挖掘算法进行分类、聚类和关联规则挖掘。

4、能够对挖掘结果进行评估和解释。

二、实验环境

1、操作系统：Windows 10

2、数据库管理系统：MySQL

3、数据挖掘工具：Weka

4、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），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），数据集的详细信息如下表所示：

四、实验步骤

1、数据预处理

- 数据导入：将鸢尾花数据集导入到 MySQL 数据库中。

- 数据清洗：检查数据中是否存在缺失值和异常值，并进行相应的处理。

- 数据转换：将数据中的类别标签进行编码，以便于后续的分析和处理。

- 数据标准化：对数据进行标准化处理，以消除不同特征之间的量纲差异。

2、数据挖掘算法选择

- 分类算法：使用决策树算法（J48）和朴素贝叶斯算法（NaiveBayes）对鸢尾花数据集进行分类。

- 聚类算法：使用 K-Means 聚类算法对鸢尾花数据集进行聚类。

- 关联规则挖掘算法：使用 Apriori 算法对鸢尾花数据集进行关联规则挖掘。

3、实验结果分析

- 分类算法结果分析：使用决策树算法和朴素贝叶斯算法对鸢尾花数据集进行分类，并计算分类准确率、召回率和 F1 值等评估指标。

- 聚类算法结果分析：使用 K-Means 聚类算法对鸢尾花数据集进行聚类，并计算聚类准确率、轮廓系数和 Calinski-Harabasz 指数等评估指标。

- 关联规则挖掘算法结果分析：使用 Apriori 算法对鸢尾花数据集进行关联规则挖掘，并计算置信度、支持度和提升度等评估指标。

4、实验结果可视化

- 使用 Weka 自带的可视化工具对分类算法和聚类算法的结果进行可视化展示。

- 使用 Excel 对关联规则挖掘算法的结果进行可视化展示。

五、实验结果

1、数据预处理结果

- 数据导入成功，共导入 150 个样本。

- 数据清洗后，发现数据中不存在缺失值和异常值。

- 数据转换后，类别标签被编码为 0、1、2。

- 数据标准化后，数据的均值为 0，标准差为 1。

2、分类算法结果

- 决策树算法的分类准确率为 96.67%，召回率为 96.67%，F1 值为 96.67%。

- 朴素贝叶斯算法的分类准确率为 93.33%，召回率为 93.33%，F1 值为 93.33%。

3、聚类算法结果

- K-Means 聚类算法的聚类准确率为 96.67%，轮廓系数为 0.78，Calinski-Harabasz 指数为 33.42。

4、关联规则挖掘算法结果

- Apriori 算法挖掘出的关联规则如下：

- {花萼长度 < 5.0} => {花萼宽度 < 3.0}，置信度为 80.00%，支持度为 20.00%，提升度为 2.50。

- {花萼长度 < 5.0} => {花瓣长度 < 3.0}，置信度为 73.33%，支持度为 16.67%，提升度为 2.13。

- {花萼长度 < 5.0} => {花瓣宽度 < 1.5}，置信度为 66.67%，支持度为 13.33%，提升度为 1.80。

六、实验总结

通过本次实验，我们对数据挖掘技术有了更深入的了解和认识，我们使用了决策树算法、朴素贝叶斯算法、K-Means 聚类算法和 Apriori 算法对鸢尾花数据集进行了分析和处理，并取得了较好的实验结果。

在实验过程中，我们遇到了一些问题和挑战，例如数据预处理、算法选择和结果评估等，通过不断地尝试和改进，我们最终解决了这些问题，并得到了满意的实验结果。

本次实验是一次非常有意义的实践活动，它不仅提高了我们的动手能力和解决问题的能力，也为我们今后的学习和工作打下了坚实的基础。

标签： #数据挖掘 #期末 #实验 #报告