第2章 探索者界面


探索者(Explorer)界面是Weka的主要圖形用戶界面，其全部功能都可通過菜單選擇或表單填寫進(jìn)行訪問。本章介紹探索者的圖形用戶界面、預(yù)處理、分類、聚類、關(guān)聯(lián)、選擇屬性和可視化等內(nèi)容，內(nèi)容非常豐富，學(xué)習(xí)這些知識可以全面了解Weka的功能，快速上手實(shí)際的挖掘任務(wù)。
2.1 圖形用戶界面
啟動Weka GUI 選擇器窗口之后，單擊Explorer按鈕，即可啟動探索者界面。這時(shí)，由于沒有加載數(shù)據(jù)集，除Preprocess標(biāo)簽頁外，其他標(biāo)簽頁都變灰而不可用�？梢允褂肙pen file、Open URL、Open DB或者Generate按鈕加載或產(chǎn)生數(shù)據(jù)集，加載數(shù)據(jù)集之后，其他標(biāo)簽頁才可以使用。
這里以打開文件為例進(jìn)行說明。單擊Open file按鈕，通過彈出的“打開”對話框，選擇打開data子目錄下的iris.arff文件，加載數(shù)據(jù)集后的探索者界面如圖2.1所示。
圖2.1 探索者界面
下面按照先整體后局部的順序介紹圖形用戶界面。
2.1.1 標(biāo)簽頁簡介
圖2.1所示界面的頂部有六個不同的標(biāo)簽頁，分別對應(yīng)Weka所支持的多種數(shù)據(jù)挖掘方式。
這六個標(biāo)簽頁的介紹如下。
(1) Preprocess(預(yù)處理)：選擇數(shù)據(jù)集，并以不同方式對其進(jìn)行修改。
(2) Classify(分類)：訓(xùn)練用于分類或回歸的學(xué)習(xí)方案，并對其進(jìn)行評估。
(3) Cluster(聚類)：學(xué)習(xí)數(shù)據(jù)集聚類方案。
(4) Associate(關(guān)聯(lián))：學(xué)習(xí)數(shù)據(jù)關(guān)聯(lián)規(guī)則，并對其進(jìn)行評估。
(5) Select attributes(選擇屬性)：選擇數(shù)據(jù)集中預(yù)測效果最好的部分屬性。
(6) Visualize(可視化)：查看不同的二維數(shù)據(jù)散點(diǎn)圖，并與其進(jìn)行互動。
每個標(biāo)簽頁都可完成不同工作，單擊相應(yīng)的標(biāo)簽即可實(shí)現(xiàn)標(biāo)簽頁的切換。
界面底部包括Status(狀態(tài))欄、Log(日志)按鈕和一只Weka鳥，這些都一直保持可見，不論用戶切換到哪一個標(biāo)簽頁。
2.1.2 狀態(tài)欄
狀態(tài)欄位于界面最下部，可以讓用戶了解到現(xiàn)在進(jìn)行到哪一步。例如，如果Weka探索者正在忙于加載數(shù)據(jù)文件，狀態(tài)欄中會顯示相應(yīng)的狀態(tài)信息。
除了顯示狀態(tài)之外，還可以右擊鼠標(biāo)來顯示內(nèi)存信息，以及運(yùn)行垃圾回收器以清理內(nèi)存。在狀態(tài)欄的任意位置右擊，彈出的快捷菜單中只包括兩個菜單項(xiàng)：Memory information(內(nèi)存信息)和Run garbage collector(運(yùn)行垃圾回收器)。第一個菜單項(xiàng)用于顯示W(wǎng)eka當(dāng)前可用的內(nèi)存空間；第二個菜單項(xiàng)用于啟動Java垃圾回收器，搜尋不再使用的內(nèi)存并釋放，以回收部分內(nèi)存空間，提供給新的任務(wù)使用。需要指出的是，垃圾回收器是一個不間斷運(yùn)行的后臺任務(wù)，如果不強(qiáng)制進(jìn)行垃圾回收，Java虛擬機(jī)也會在適當(dāng)時(shí)候自動啟動垃圾回收器。
Log按鈕位于狀態(tài)欄的右面，單擊該按鈕會打開可以滾動的日志窗口，顯示在此次運(yùn)行期間內(nèi)Weka 進(jìn)行的全部活動以及每項(xiàng)活動的時(shí)間戳。不管是使用GUI、命令行還是Simple CLI，日志都會包含分類、聚類、屬性選擇等操作的完整的設(shè)置字符串，用戶可以進(jìn)行復(fù)制和粘貼操作。順便提醒讀者，通過學(xué)習(xí)日志里記錄的命令，可以深層次地了解Weka的內(nèi)部運(yùn)行機(jī)制。
在Log按鈕的右邊，可以看到被稱為Weka狀態(tài)圖標(biāo)的鳥。如果沒有處理過程在運(yùn)行，小鳥會坐下來打個盹。“?”符號旁邊的數(shù)字顯示目前有多少個正在進(jìn)行處理的進(jìn)程，當(dāng)系統(tǒng)空閑時(shí)，該數(shù)字為零，數(shù)字會隨著正在進(jìn)行處理進(jìn)程數(shù)的增加而增加。當(dāng)啟動處理進(jìn)程時(shí)，小鳥會站起來不停走動。如果小鳥長時(shí)間站著不動，說明Weka出現(xiàn)運(yùn)行錯誤，此時(shí)用戶需要關(guān)閉并重新啟動探索者界面。
2.1.3 圖像輸出
Weka中顯示的大部分圖形，包括本章的探索者界面和后面章節(jié)的知識流界面、實(shí)驗(yàn)者界面顯示的圖形，以及通過Weka GUI選擇器菜單帶出的GraphVisualizer(圖可視化工具)或TreeVisualizer(樹可視化工具)顯示的圖形，都可以保存為圖像文件以備將來使用。保存方法是，在按住Alt鍵和Shift鍵的同時(shí)，在要保存的圖形上單擊，啟動保存文件對話框。Weka支持的圖像文件格式有BMP、JPEG、PNG和Postscript的EPS，用戶可以選擇圖像文件格式，還可以修改輸出圖像文件的尺寸。
2.1.4 手把手教你用
1. 啟動Weka
雙擊桌面上的Weka 3.7快捷方式，啟動Weka GUI選擇器窗口，如圖2.2所示。
單擊Explorer按鈕啟動探索者界面，如圖2.3所示�，F(xiàn)在，除Preprocess標(biāo)簽頁可用外，其余標(biāo)簽頁都不可用。
圖2.2 Weka GUI選擇器窗口
圖2.3 探索者界面
2. 了解標(biāo)簽頁
單擊圖2.3所示界面中的Open file按鈕，彈出“打開”對話框，導(dǎo)航至Weka安裝目錄下的data子目錄，選擇iris.arff文件，如圖2.4所示。單擊“打開”按鈕，打開該文件。
圖2.4 “打開”對話框
打開文件(或稱為加載數(shù)據(jù))后的探索者界面如圖2.5所示�？梢钥吹�，加載數(shù)據(jù)后，六個標(biāo)簽頁都變?yōu)榭捎脿顟B(tài)。
圖2.5 打開文件后的探索者界面
讀者可以自行切換標(biāo)簽頁，初步了解各標(biāo)簽頁的功能，為后續(xù)學(xué)習(xí)打下基礎(chǔ)。
3. 了解狀態(tài)欄
不論切換到哪個標(biāo)簽頁，都可在探索者界面下部的狀態(tài)欄中查看狀態(tài)信息。在狀態(tài)欄任意位置右擊，在彈出的快捷菜單中選擇Memory information菜單項(xiàng)，狀態(tài)欄顯示用斜杠分割的內(nèi)存信息，格式為：空閑內(nèi)存/全部內(nèi)存/最大內(nèi)存，單位是字節(jié)，如圖2.6所示。
圖2.6 內(nèi)存信息
如果在快捷菜單中選擇Run garbage collector菜單項(xiàng)，狀態(tài)欄中會顯示OK信息，表示已經(jīng)啟動了垃圾回收器，如圖2.7所示。
圖2.7 運(yùn)行垃圾回收器
單擊狀態(tài)欄右邊的Log按鈕，可以查看當(dāng)前日志，如圖2.8所示。
圖2.8 日志窗口
4. 保存圖像文件
單擊圖2.5所示界面右邊的Visualize All(全部可視化)按鈕，打開如圖2.9所示的全部可視化窗口。
圖2.9 全部可視化窗口
同時(shí)按住Alt鍵和Shift鍵，并在圖2.9所示的五幅圖標(biāo)中任選一圖標(biāo)，在圖標(biāo)的任意位置單擊，啟動Save as對話框。設(shè)置“文件名”為test，選擇“文件類型”為jpg(或其他格式)，單擊“保存”按鈕，就可將其保存為圖像文件，如圖2.10所示。
圖2.10 Save as對話框
在圖2.10的右邊，還可以定制圖像文件的長、寬尺寸，單位為像素。選中Use custom dimensions(使用自定義尺寸)復(fù)選框，就可以設(shè)置圖像尺寸。如果選中Keep aspect ratio(保持寬高比)復(fù)選框，則在修改圖像長(或?qū)?的同時(shí)，會按比例自動縮放寬(或長)。
2.2 預(yù) 處 理
Preprocess標(biāo)簽頁可用于從文件、URL或數(shù)據(jù)庫中加載數(shù)據(jù)集，并且根據(jù)應(yīng)用要求或領(lǐng)域知識過濾掉不需要進(jìn)行處理或不符合要求的數(shù)據(jù)。
2.2.1 加載數(shù)據(jù)
Preprocess標(biāo)簽頁中頂部的前四個按鈕可以讓用戶將數(shù)據(jù)加載到Weka系統(tǒng)。Open file按鈕用于啟動“打開”對話框，用戶可以瀏覽本地文件系統(tǒng)，打開本地?cái)?shù)據(jù)文件。Open URL按鈕要求用戶提供一個URL地址，Weka使用HTTP協(xié)議從網(wǎng)絡(luò)位置下載數(shù)據(jù)文件。Open DB按鈕用于從數(shù)據(jù)庫中讀取數(shù)據(jù)，支持所有能夠用JDBC驅(qū)動程序讀取的數(shù)據(jù)庫，使用SQL語句或存儲過程讀取數(shù)據(jù)表。注意，必須根據(jù)自己的計(jì)算機(jī)環(huán)境配置，相應(yīng)修改weka\experiment\DatabaseUtils.props配置文件后才能訪問數(shù)據(jù)庫，具體參見1.4節(jié)內(nèi)容。Generate按鈕用于讓用戶使用不同的DataGenerators(數(shù)據(jù)生成器)生成人工數(shù)據(jù)，適用于分類功能的人工數(shù)據(jù)可以由決策列表RDG1、徑向基函數(shù)網(wǎng)絡(luò)RandomRBF、貝葉斯網(wǎng)絡(luò)BayesNet、LED24等算法產(chǎn)生，人工回歸數(shù)據(jù)也可以根據(jù)數(shù)學(xué)表達(dá)式生成，用于聚類的人工數(shù)據(jù)可以使用現(xiàn)成的生成算法產(chǎn)生。
使用Open file按鈕，可以讀取多種數(shù)據(jù)格式的文件，包括Weka ARFF格式、C4.5數(shù)據(jù)格式、CSV格式、JSON實(shí)例文件格式、LibSVM數(shù)據(jù)文件格式、Matlab ASCII文件格式、svm輕量級數(shù)據(jù)文件格式、XRFF格式，以及序列化實(shí)例的格式。其中，ARFF格式的后綴為.arff，C4.5數(shù)據(jù)格式的后綴為.data或.names，CSV格式的后綴為.csv，JSON實(shí)例文件格式的后綴為.json，LibSVM數(shù)據(jù)文件格式的后綴為.libsvm，Matlab ASCII文件格式的后綴為.m，svm輕量級數(shù)據(jù)文件格式的后綴為.dat，XRFF格式的后綴為.xrff，序列化實(shí)例對象文件的后綴為.bsi。有的格式后綴還會加上.gz，這代表對應(yīng)文件的壓縮形式。
另外，使用Save(保存)按鈕，可以將已加載的數(shù)據(jù)保存為Weka支持的文件格式。該功能特別適合在不同文件格式之間進(jìn)行轉(zhuǎn)換，以及學(xué)習(xí)Weka文件格式的細(xì)節(jié)。
由于存在多種數(shù)據(jù)格式，為了從不同種類的數(shù)據(jù)源中導(dǎo)入數(shù)據(jù)，Weka提供實(shí)用工具類進(jìn)行轉(zhuǎn)換，這種工具稱為轉(zhuǎn)換器(converters)，位于weka.core.converters包中。按照功能的不同，轉(zhuǎn)換器分為加載器和保存器，前者的Java類名以Loader結(jié)束，后者以Saver結(jié)束。
加載數(shù)據(jù)后，Preprocess標(biāo)簽頁會在Current relation(當(dāng)前關(guān)系)選項(xiàng)組中顯示當(dāng)前數(shù)據(jù)集的一些總結(jié)信息。Relation(關(guān)系)欄顯示關(guān)系名稱，該名稱由加載的文件給定；Attributes(屬性)欄顯示數(shù)據(jù)集中的屬性(或特征)個數(shù)；Instances(實(shí)例)欄顯示數(shù)據(jù)集中的實(shí)例(或數(shù)據(jù)點(diǎn)/記錄)個數(shù)；Sum of weights(權(quán)重和)欄顯示全部實(shí)例的權(quán)重之和。例如，當(dāng)加載iris數(shù)據(jù)集后，Current relation選項(xiàng)組中顯示關(guān)系名稱為iris，屬性個數(shù)為5，實(shí)例個數(shù)為150，權(quán)重和為150，如圖2.11所示。
圖2.11 Current relation選項(xiàng)組
Weka根據(jù)文件后綴調(diào)用不同的轉(zhuǎn)換器來加載數(shù)據(jù)集。如果Weka無法加載數(shù)據(jù)，就會嘗試以ARFF格式解釋數(shù)據(jù)，如果再次失敗，就會彈出如圖2.12所示的提示對話框，提示W(wǎng)eka無法自行決定使用哪一個文件加載器，需要用戶自己來選擇。
單擊圖2.12中的“確定”按鈕后，會彈出如圖2.13所示的通用對象編輯器對話框，讓用戶選擇能打開數(shù)據(jù)文件的對應(yīng)轉(zhuǎn)換器。默認(rèn)轉(zhuǎn)換器為CSVLoader，該轉(zhuǎn)換器專門用于加載后綴為.csv的文件。如果用戶已經(jīng)確定數(shù)據(jù)文件格式是CSV格式，那么可以輸入日期格式、字段分割符等信息。如果對對話框里的各選項(xiàng)不了解，可以單擊More按鈕查看使用說明。
圖2.12 加載數(shù)據(jù)失敗
如果用戶已經(jīng)知道數(shù)據(jù)文件格式不是CSV格式，可以單擊通用對象編輯器對話框上部的Choose按鈕選擇其他的轉(zhuǎn)換器，如圖2.14所示。
圖2.13 通用對象編輯器對話框
圖2.14 選擇轉(zhuǎn)換器
圖2.14所示對話框中，第一個選項(xiàng)是ArffLoader，選擇該選項(xiàng)并成功的可能性很小，因?yàn)槟�認(rèn)就是使用它來加載數(shù)據(jù)集，沒有成功才會彈出加載數(shù)據(jù)失敗的提示對話框。第二個選項(xiàng)是C45Loader，C4.5格式的數(shù)據(jù)集由兩個文件共同構(gòu)成，一個文件(.names)提供字段名，另一個文件(.data)提供實(shí)際數(shù)據(jù)。第三個選項(xiàng)是默認(rèn)的CSVLoader，這是一種以逗號分隔各屬性的文件格式，前文已經(jīng)介紹了這種數(shù)據(jù)轉(zhuǎn)換器。第四個選項(xiàng)DatabaseLoader是從數(shù)據(jù)庫，而不是文件中讀取數(shù)據(jù)集。然而，使用第1章介紹的SQLViewer工具來訪問數(shù)據(jù)庫，是更為人性化且方便的方案。SerializedInstancesLoader選項(xiàng)用于重新加載以前作為Java序列化對象保存的數(shù)據(jù)集。任何Java對象都可以采用這種格式予以保存并重新加載。由于序列化對象本身就是Java格式，使用它可能比加載ARFF文件的速度更快，這是因?yàn)榧虞dARFF文件時(shí)必須對其進(jìn)行分析和檢查，從而花費(fèi)更多的時(shí)間。如果需要多次加載大數(shù)據(jù)集，則很值得以這種數(shù)據(jù)格式進(jìn)行保存。
值得一提的是TextDirectoryLoader加載器，它的功能是導(dǎo)入一個目錄，目錄中包含若干以文本挖掘?yàn)槟康牡募兾谋疚募�。�?dǎo)入目錄應(yīng)該有特定的結(jié)構(gòu)——一組子目錄，每個子目錄包含一個或多個擴(kuò)展名為.txt的文本文件，每個文本文件都會成為數(shù)據(jù)集中的一個實(shí)例，其中，一個字符串型屬性保存該文件的內(nèi)容，一個標(biāo)稱型的類別屬性保存文件所在的子目錄名稱。該數(shù)據(jù)集可以通過使用StringToWordVector過濾器進(jìn)一步加工為詞典，為后面的文本挖掘做準(zhǔn)備。