weka的算法介紹

1)數據輸入和輸出
WOW()：查看Weka函數的參數。
Weka_control()：設置Weka函數的參數。
read.arff()：讀WekaAttribute-RelationFileFormat(ARFF)格式的數據。
write.arff：將數據寫入WekaAttribute-RelationFileFormat(ARFF)格式的文件。
2)數據預處理
Normalize()：無監督的標準化連續性數據。
Discretize()：用MDL(MinimumDescriptionLength)方法，有監督的離散化連續性數值數據。
3)分類和迴歸
IBk()：k最近鄰分類
LBR()：naiveBayes法分類
J48()：C4.5決策樹算法（決策樹在分析各個屬性時，是完全獨立的）。
LMT()：組合樹結構和Logistic迴歸模型，每個葉子節點是一個Logistic迴歸模型，準確性比單獨的決策樹和Logistic迴歸方法要好。
M5P()：M5模型數算法，組合了樹結構和線性迴歸模型，每個葉子節點是一個線性迴歸模型，因而可用於連續數據的迴歸。
DecisionStump()：單層決策樹算法，常被作爲boosting的基本學習器。
SMO()：支持向量機分類
AdaBoostM1()：AdaboostM1方法。-W參數指定弱學習器的算法。
Bagging()：通過從原始數據取樣(用替換方法)，創建多個模型。
LogitBoost()：弱學習器採用了對數迴歸方法,學習到的是實數值
MultiBoostAB()：AdaBoost方法的改進，可看作AdaBoost和“wagging”的組合。
Stacking()：用於不同的基本分類器集成的算法。
LinearRegression()：建立合適的線性迴歸模型。
Logistic()：建立logistic迴歸模型。
JRip()：一種規則學習方法。
M5Rules()：用M5方法產生迴歸問題的決策規則。
OneR()：簡單的1-R分類法。
PART()：產生PART決策規則。
4)聚類
Cobweb()：這是種基於模型方法，它假設每個聚類的模型並發現適合相應模型的數據。不適合對大數據庫進行聚類處理。
FarthestFirst()：快速的近似的k均值聚類算法
SimpleKMeans()：k均值聚類算法
XMeans()：改進的k均值法，能自動決定類別數
DBScan()：基於密度的聚類方法，它根據對象周圍的密度不斷增長聚類。它能從含有噪聲的空間數據庫中發現任意形狀的聚類。此方法將一個聚類定義爲一組“密度連接”的點集。
5）關聯規則
Apriori()：Apriori是關聯規則領域裏最具影響力的基礎算法，是一種廣度優先算法，通過多次掃描數據庫來獲取支持度大於最小支持度的頻繁項集。它的理論基礎是頻繁項集的兩個單調性原則：頻繁項集的任一子集一定是頻繁的；非頻繁項集的任一超集一定是非頻繁的。在海量數據的情況下，Apriori算法的時間和空間成本非常高。
Tertius()：Tertius算法。
6）預測和評估：
predict()：根據分類或聚類結果預測新數據的類別
table()：比較兩個因子對象
evaluate_Weka_classifier()：評估模型的執行，如：TPRate，FPRate，Precision，Recall，F-Measure。