在WEKA中，待預測的目標（輸出）被稱作Class屬性，這應該是來自分類任務的“類”。一般的，若Class屬性是分類型時我們的任務才叫分類，Class屬性是數值型時我們的任務叫回歸。
這裏介紹用C4.5決策樹算法對數據建立起分類模型，C4.5算法可以處理數值型的屬性。
首先選擇數據源，然後切換到“Classify”選項卡，點擊“Choose”按鈕後可以看到很多分類或者回歸的算法分門別類在一個樹型框裏。 樹型框下方有一個“Filter...”按鈕，點擊可以根據數據集的特性過濾掉不合適的算法。選擇“trees”下的“J48”，這就是需要的C4.5算法。
參數介紹：
binarySplits 是否使用二進制分裂名詞性屬性；默認False
confidenceFactor 用於修剪的置信因子（小於該值導致修剪）；默認0.25
debug 設置爲true，則分類器可能在控制檯輸出另外的信息；默認False
minNumObj 每個葉的最小實例數量；默認2
numFolds 決定用於reduced-error（減少-誤差）修剪的數據量；一折用於修剪，另外的用於建樹；默認3
reducedErrorPruning 是否使用減少-誤差修剪，而不是C4.5修剪；默認：False
saveInstanceData 是否爲了展示保存訓練數據；默認：False
seed 減少-誤差修剪時，用於隨機化數據的種子；默認：1
subtreeRaising 修剪樹的時候是否考慮子樹上升操作；默認：True
unpruned 修剪是否需要；默認：False
useLaplace 是否葉節點基於拉普拉斯平滑；默認：False
修剪的方式：存在C.4.5修剪，和減少-誤差修剪；reducedErrorPruning控制，默認是C.4.5修剪；
是否修剪：unpruned控制，默認是修剪；
如果沒有專門設置檢驗數據集，爲了保證生成的模型的準確性而不至於出現過擬合（overfitting）的現象，有必要採用交叉驗證（一般選擇10-fold cross validation）來選擇和評估模型。
右鍵點擊“Results list”中項，彈出菜單中選擇“Visualize tree”，新窗口裏可以看到圖形模式的決策樹。建議把這個新窗口最大化，然後點右鍵，選“Fit
to screen”，可以把這個樹看清楚些。
解釋一下“Confusion Matrix”的含義：
=== Confusion Matrix ===
a b <-- classified as
741 24 | a = YES
10 582 | b = NO
這個矩陣是說，原本“pep”是“YES”的實例，有741個被正確的預測爲 “YES”，有24個錯誤的預測成了“NO”；原本“pep”是“NO”的實例，有10個被錯誤的預測爲“YES”，有582個正確的預測成了“NO”。 741+24+10+582 = 1375是實例總數，而(741+582)/1375 = 0.96218正好是正確分類的實例所佔比例。
我們要用生成的模型對那些待預測的數據集進行預測了，注意待預測數據集和訓練用數據集各個屬性的設 置必須是一致的。WEKA中並沒有直接提供把模型應用到帶預測數據集上的方法，我們要採取間接的辦法。
在“Test Opion”中選擇“Supplied test set”，並且“Set”成要驗證的文件，“Start”一次。
右鍵點擊“Result list”中剛產生的那一項，選擇“Visualize classifier errors”。點“Save”按鈕，將結果保存。這個ARFF文件中就有我們需要的預測結果。在“Explorer”的“Preprocess”選項卡中打開這個新文件，可以看到多了兩個屬性 “Instance_number”和“predictedpep”。“Instance_number”是指一個實例在原文件中的位置，“predictedpep”就是模型預測的結果。點“Edit”按鈕或者在“ArffViewer”模塊中打開可以查
看這個數據集的內容。
