可以先创建一个详尽的树反向修剪比正向修剪效果好。
confidenceFactor
：用于修剪的信心因数（较小的值导致更多的修改）
subtreeRaising
：修建一个内部节点并将它的子树提升一个层次，叫做子树提升，可以选择开启和关闭（子树提升增加算法复杂度，关闭可以缩短运行时间）
不建议参数修改，默认值也不错。
需要修建的真正原因是决策树过度拟合训练数据集
diabetes数据集
默认false修剪，改为True不修建
J48基于从上到下的策略，递归的分治策略，基于信息论决策树只出现了三个属性，只要最后能够完全分，也就是每个节点只有一个分类。修建决策树，简单方法，如果节点包含的实例非常少，就停止分裂在KEKA中修改参数minNumObj：每个叶节点最少包含多少实例可以先创建一个详尽的树反向修剪比正向修剪效果好。confidenceFactor：用于修剪的信心因数（较小的值导致更多的修改）subtreeRaising：修建一个内部节点并将它的子树提升一个层次，叫做子
现有某高校评教数据(pjsj.xls)，共计842门课程，属性包括：课程名称、评价人数、总平均分以及10个评价指标Index1-Index10。以此为研究数据，利用数据挖掘的技术实现评价指标的筛选，即从10个指标中剔除对教学评价无用的指标。具体实现的内容应至少包括以下几个方面但不限于：
（1）数据描述：利用盒图对每个指标数据进行描述性分析，画出10个指标的盒图：标注孤立点（如有）、最小值、Q1、中位数、Q3、最大值；
（2）数据预处理：将每个连续型指标数据离散化为三个区间，级别从高到低分别为Excellent（用“E”表示）、Good（用“G”表示）、Fair（用“F”表示）；将总平均分离散为“A”、“B”、“C”三个等次，作为每门课程的类标签；
（3）模型构建与评估：利用
决策树
算法对上述数据进行分类，构建
决策树
并进行性能评估：包括Recall（召回率）、Precision（精度）、F1和Accuracy（准确率）；
（4）结果讨论：对研究结果（剔除的指标，即未出现
决策树
中的指标）进行讨论分析；
（5）总结与展望：对全文研究过程进行总结并指出存在的不足或努力方向。
基于jpcap的网络嗅探器。
对于Java开发者来说，java.net包里面提供的类和接口提供是TCP UDP两种网络协议的支持，也就是说基于JDK的网络编程都是在运输层之上的。如果要深入到网络层，就需要libpcap库的支持（在window系统中是winpcap）。由于libpcap是由C/C++实现的，所以需要一个中间件jpcap来实现转换，我们就可以直接在Java环境中调用jpcap提供的API实现上述需求。
基于jpcap的网络嗅探器具备入侵检测功能。数据集采用KKD CUP，机器学习框架采用
weka
，二分类模型采用
决策树
+KNN
基于jpcap的网络嗅探器具备入侵检测功能。数据集采用KKD CUP，机器学习框架采用
weka
，二分类模型采用
决策树
+KNN
基于jpcap的网络嗅探器具备入侵检测功能。数据集采用KKD CUP，机器学习框架采用
weka
，二分类模型采用
决策树
+KNN
基于jpcap的网络嗅探器具备入侵检测功能。数据集采用KKD C
用
WEKA
进行数据挖掘，第 2 部分
weka
算法参数整理
文章目录1 算法原理1.1 计算类别信息熵1.2 计算每个属性的信息熵1.3 计算信息增益1.4 计算属性分裂信息度量1.5 计算信息增益率2
weka
上的实现2.1
WEKA
数据集2.2 在
WEKA
内进行分类
1 算法原理
首先，C4.5是
决策树
算法的一种。
决策树
算法作为一种分类算法，...
1、
weka
来源
WEKA
的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），同时
weka
也是新西兰的一种鸟名，而
WEKA
的主要开发者来自新西兰。
WEKA
作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。
2、...
1. 算法概述
C4.5，是机器学习算法中的另一个分类
决策树
算法，它是
决策树
(
决策树
也就是做决策的节点间的组织方式像一棵树，其实是一个倒树)核心算法，是相对于ID3算法的改进，主要改进点有：
1. 用信息增益率来选择属性。C4.5克服了ID3用信息增益选择属性时偏向选择取值多的属性的不足。
2. 在树构造过程中进行剪枝。
3. 对非离散数据也能处理。
J48 C4.5
决策树
算法源码学习
TODO: J48 的分类效率分析。
题记： 之前虽然对 J48 用得比较多，是由于它能方便的区别特征的好坏。 工作了，希望自己能更深入， 如是开始了这个算法学习系列。 希望和大家共同进步。
个人对看算法源代码也没有很好的流程，计划先采用 按类Class 做架构
weka
是一个java的机器学习库，官网
这篇文章是搭建阅读
weka
源码环境的过程。想直接看源码分析的可以跳过。
工具：Eclipse Java EE IDE for Web Developers.Version: Mars.2 Release (4.5.2)
在Eclipse中新建一个maven项目，如图，接下来有好几个下一步，这个比较随意，可以自己看着填，也可以上网搜索其他参考。
import java.util.ArrayList;
import
weka
.classifiers.Classifier;
import
weka
.classifiers.Evaluation;
import
weka
.core.Attribute;
import
weka
.core.Instance;
import
weka
.co...
weka
是基于JAVA环境下开源的机器学习（machine learning）以及数据挖掘（data mining）软件。今天我们首次使用
weka
操作一下
决策树
算法中模拟打球和天气关系。!
首先可以通过explore（探索）打开这个软件
然后我们通过左上角的open file打开我们
weka
路径下的data文件，选择如图，将文件打开
我们可以在外面使用其他文本编辑器看到我们训练的数据集如下：
将这个数据集打开以后，我们可以通过右下角visualize all（全部可视化）可以直观地观察到各种相应情况下出去
这篇文章中我会通过几个例子向大家介绍一些
weka
中经典的数据挖掘算法和评估算法的手段。
J4.8
决策树
算法
在预处理标签页 点击 open file ，选择
Weka
安装目录下 data 文件夹中的 weather.numberic.arff 。（在这个目录中有很多经典的样本）
进入分类器标签，点击 Choose 按钮，开始选择分类器算法。在弹出的树状目录中找到 trees 节点...
