WEKA平台应用

机器学习主要分为有监督学习(supervisedlearning)和无监督学习(unsupervised learning)。

监督学习，就是人们常说的分类，通过已有的训练样本去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。

例如：在人对事物的认识中，我们从孩子开始就被大人们教授这个是树木，那是花，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是树木，哪些是花。监督学习里典型的例子就是KNN、SVM。

无监督学习与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。

例如：我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。

机器学习平台比较

机器学习平台提供了从头到尾完成一个机器学习项目的功能，包括数据分析，数据准备，建模和算法评估及选择。常用的机器学习平台有：（1）WEKA：一款免费开源的机器学习和数据挖掘可视化工具软件，其操作简便，运行速度快，尤其适合小规模的机器学习建模，适合于科研探索和机器学习入门人员等；（2）RapidMiner：在机器学习领域应是一个全面综合的软件工具，在算法和可视化效果方面都很突出，特别适用于不同数据的多方面分析和研究，适用于数据和业务分析人员；（3）Knime：接近RapidMiner，但界面比较复杂，比较适合开发人员，尤其是具备Eclipse开发经验的人员。

（详细见https://blog.csdn.net/rain_88/article/details/52973238）

WEKA简单应用

Weka输入数据的格式：

@relation weather
@attribute outlook {sunny, overcast,rainy}
@attribute temperaturereal
@attribute humidity real
@attribute windy {TRUE, FALSE}
@attribute play {yes, no}
@data
sunny,85,85,FALSE,no
sunny,80,90,TRUE,no
overcast,83,86,FALSE,yes
rainy,70,96,FALSE,yes

选择分类算法：从算法库里边选择J48算法。

结果显示：根据天气情况，判断外出游玩这个状态进行判断。例如：当天气是多云的时候，可以外出游玩，当天气是雨天并且有风的时候，不可以外出游玩。