•分类器：weka里面将分类器分为7大类，包括bayes、functions、lazy、trees等。

functions中包含线性规划、SVM等。

lazy中有常用的IBk(k近邻算法)。

trees中有常用的决策树算法，比如weka中用J48实现C4.5算法

•测试选项常用的有四个：用作训练集、用作测试集、交叉检验(默认为10重交叉检验)、按比例分割(将数据集按一定比例分割为训练集和测试集)。此外还有一些关于分类器输出的选项，比如评价指标、选择将分类器代码以java语言输出等。

•结果列表中展示当前所有的分类结果，右击列表中的某一条结果会出现一些选项，比如visualize tree(可以图形化决策树)、visualize classifier errors(将分类结果以散点图表示，正确分类实例表示为小叉号，错误分类实例表示为空心小方块)，还有一些其他选项

分类--C4.5分类及预测

•打开探索者界面，点击预处理选项卡后，导入标称型天气数据集(weather.arff)，进入分类标签页后，选择J48分类器，test options 选择作为训练集后，将生成决策树，相关输出会在classifier output中输出。

•再次选择test options，选择作为测试集策略，然后在more options中找到output predictions 选择Plain Text，将输出测试情况。

使用WEKA进行分类分类•分类界面主要分为四部分：分类器选择、测试选项、结果列表、分类器输出。•分类器：weka里面将分类器分为7大类，包括bayes、functions、lazy、trees等。functions中包含线性规划、SVM等。lazy中有常用的IBk(k近邻算法)。trees中有常用的决策树算法，比如weka中用J48实现C4.5算法•测试选项常用的有四个：用作训练集、用作测试集、交... kdd99 数据集之前介绍过，没有看的可以参考：KDD CUP99数据集预处理（Python实现） 这里拿 kdd99 数据集练练手，主要目的是熟悉一下 weka 的 使用 。 1、数据集准备 使用 WEKA 作 数据挖掘 ，面临的第一个问题往往是我们的数据不是 ARFF 格式的。幸好， WEKA 还提供了对 CSV 文件的支持，而这种格式是被很多其他软件所支持的。 虽然 weka 也支持 csv 格式，但是建议还是转为 ARFF 格式最好。 1.1 简单打开一个 csv 文件（加载数据） （1）加载数据方式 训练数据经过 机器学习 算法（ML Algorithm）可以得到 分类 器，再将测试数据放入 分类 器，则可得到评估结果。 训练集 和 测试集 应来源于同一个数据集，但为两个不相交的集合。比如：将一个数据集的1/3作为 测试集 ，2/3作为 训练集 。 接下来通过一个简单的实验进一步理解训练与测试数据： 1、打开Explorer界面，选择数据集segment-challenge.arff。 Output help information. -synopsis or -info Output synopsis for classifier (use in conjunction  with -h) Sets training file. Sets test file. If missing