尧图网站建设 
简介这份WEKA中文详细教程PPT面向数据挖掘与机器学习初学者、高校学生及需要快速上手WEKA的科研人员系统讲解这款由新西兰怀卡托大学开发的开源数据挖掘工具。内容涵盖WEKA简介与荣誉背景、软件特点、四大界面探索环境、命令行环境、知识流环境、算法试验环境并重点拆解Explorer环境的8个功能区域包括数据预处理、分类、聚类、关联分析、属性选择与可视化等任务面板同时讲解ARFF数据集格式、实例与属性的关系及数据管理方法。资源包内含1个PPT文件大小约14.29MB以幻灯片形式组织便于课堂讲授与自学翻阅。目前已有163人学习浏览适合希望掌握数据导入、预处理、算法选择与结果解释完整流程的读者也可作为课程配套讲义使用。1. WEKA中文详细教程PPT从零上手数据挖掘的完整路径很多人第一次接触数据挖掘是被课程作业或者项目需求推着走的。老师丢过来一个数据集说用WEKA跑一下分类结果打开软件一看满屏英文按钮Explorer、Experimenter、KnowledgeFlow三个入口不知道点哪个。网上搜教程要么是英文文档要么是零散的截图凑不出一套完整流程。WEKA中文详细教程PPT这个方向本质上解决的就是这个问题把WEKA从安装到出结果的每一步讲清楚让人能跟着做出来。它适合三类人正在学数据挖掘课程的学生、需要用WEKA快速验证想法的工程师、以及要给别人讲WEKA的培训者。核心链路其实不复杂——准备ARFF格式数据、选算法、调参数、看评估指标、导出结果。但每一步都有细节能把人卡住比如ARFF文件的头信息写错一个字段类型后面全跑不通。接下来的内容按这条链路展开把每个环节的操作和参数讲透。2. 数据准备ARFF格式到底怎么写才不出错2.1 ARFF文件的结构与字段类型WEKA只认ARFF格式的数据这是它最基础也最容易翻车的地方。ARFF全称Attribute-Relation File Format结构分两部分头部声明和数据集。头部用relation定义关系名用attribute定义每个字段的名称和类型data之后才是真正的数据行。字段类型常见的有numeric数值型、nominal分类型、string字符串型、date日期型。很多人从Excel直接导出CSV然后改后缀结果WEKA报错原因就是没写头部声明。一个标准的ARFF文件长这样relation weather attribute outlook {sunny, overcast, rainy} attribute temperature numeric attribute humidity numeric 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 rainy,68,80,FALSE,yes sunny,72,95,TRUE,no这段代码定义了一个天气数据集outlook和windy是分类型字段temperature和humidity是数值型最后一列play是类别标签。注意分类型字段的花括号里必须把全部可能取值列出来不能漏。如果实际数据里出现了花括号里没有的值WEKA会直接报错。提示attribute的名称不能包含空格和特殊字符如果需要用下划线或驼峰命名代替。2.2 从CSV转ARFF的两种可靠方法实际项目里数据通常来自Excel或数据库导出成CSV后再转ARFF是最常见的做法。方法一是在WEKA GUI里操作打开Explorer点Open file选择CSV文件WEKA会自动弹出转换对话框让你逐列确认字段类型。这个方法直观但慢字段多了点到手酸。方法二是用Python脚本批量转换适合字段多、需要反复生成的情况。import pandas as pd # 读取CSV文件 df pd.read_csv(data.csv) # 指定分类型字段根据实际情况修改 nominal_cols [outlook, windy, play] with open(data.arff, w, encodingutf-8) as f: f.write(relation mydata\n\n) for col in df.columns: if col in nominal_cols: # 分类型字段列出所有唯一值 values ,.join([str(v) for v in df[col].unique()]) f.write(fattribute {col} {{{values}}}\n) else: # 数值型字段 f.write(fattribute {col} numeric\n) f.write(\ndata\n) for _, row in df.iterrows(): f.write(,.join([str(v) for v in row.values]) \n)这段脚本的核心逻辑是先写relation然后遍历DataFrame的每一列判断是分类型还是数值型分别写入对应的attribute声明最后逐行写入数据。参数方面nominal_cols需要根据实际数据手动指定不能自动判断因为数值型的ID列如果被当成分类型会产生大量无意义的取值。另外要注意CSV里的缺失值WEKA用问号?表示缺失如果CSV里是空字符串或NaN需要在写入时替换成?。转换完成后在WEKA里打开ARFF文件如果能看到字段统计信息和直方图说明格式没问题。如果报错优先检查三个地方分类型字段的取值是否完整、数值型字段里是否有非数字字符、数据行是否比attribute少或多。2.3 数据预处理过滤器的选择与参数数据准备好之后直接跑算法往往效果不好需要先做预处理。WEKA的Filter面板提供了大量预处理工具常用的有这几个过滤器名称作用关键参数Remove删除指定列或行attributeIndices指定列索引ReplaceMissingValues用均值/众数填充缺失值无Normalize归一化到[0,1]区间scaleToUnityStandardize标准化为均值0方差1无Discretize连续值离散化bins分箱数操作步骤是在Explorer的Preprocess面板点Choose选择过滤器点过滤器名字弹出参数对话框设置好后点Apply。注意每次Apply之后数据就变了如果效果不好想回退只能重新Open file。我一般会先复制一份原始ARFF文件预处理操作在副本上做。Discretize这个过滤器值得单独说因为很多算法比如朴素贝叶斯对连续值处理不好离散化之后效果会明显提升。bins参数控制分箱数量太少会丢失信息太多等于没离散。经验值是5到10之间具体看数据分布。可以用Histogram可视化先看看某个字段的分布再决定分几个箱。3. 分类与回归选算法、调参数、看结果3.1 常用分类算法的适用场景WEKA内置了几十种分类算法新手最容易犯的错是随便选一个就跑不看数据特点。下面这张表是我自己总结的选型参考算法适用场景优点缺点J48决策树数据量中等、需要解释规则结果可读、无需归一化容易过拟合RandomForest数据量大、追求准确率准确率高、抗过拟合模型大、慢NaiveBayes文本分类、特征独立快、小样本也能跑特征相关时效果差SMOSVM高维数据、小样本泛化好参数敏感、慢IBkKNN数据分布均匀简单、无需训练预测慢、对噪声敏感选算法的原则是先跑J48看基线如果准确率不够再换RandomForest如果数据维度高且样本少就试SMO。NaiveBayes适合做快速验证但不适合作为最终方案。IBk在数据量超过几千条之后预测会非常慢慎用。在WEKA里切换算法很简单Classify面板点Choose展开trees、bayes、functions等分类目录选中算法即可。每个算法都有可调参数点算法名字就能看到。J48的confidenceFactor置信度阈值默认0.25调小会让树更简单调大则更复杂。RandomForest的numTrees默认100增加到200或500通常能提升一点准确率但训练时间线性增长。3.2 交叉验证与评估指标解读WEKA默认用10折交叉验证10-fold cross-validation这是最常用的评估方式。原理是把数据分成10份轮流用9份训练、1份测试最后取平均。比留出法hold-out更稳定尤其适合小数据集。如果数据量很大超过10万条可以改成5折或留出法来节省时间。评估结果里几个关键指标Correctly Classified Instances正确分类的比例就是准确率Kappa statistic排除随机因素后的一致性一般大于0.8算很好Mean absolute error平均绝对误差越小越好Confusion Matrix混淆矩阵看每一类的误判情况混淆矩阵特别重要因为准确率会被类别不平衡掩盖。比如100个样本里90个是A类、10个是B类全猜A也能有90%准确率但B类一个都没识别出来。看混淆矩阵就能发现这个问题。如果发现某一类召回率特别低可以考虑用SMOTE过滤器做过采样或者调整算法的类别权重。注意交叉验证的折数不是越多越好。10折是经验最优值折数太多会导致每折训练集接近全量评估结果偏乐观折数太少则方差大。3.3 用Experimenter做多算法对比如果要在论文或报告里对比多个算法一个个在Explorer里跑太慢。WEKA的Experimenter就是干这个的。操作流程切换到Experimenter点New新建实验在Datasets里添加ARFF文件在Algorithms里添加要对比的算法设置运行次数和折数点Run开始跑跑完点Analyse分析结果。Analyse界面会生成一张对比表包含每个算法在每个数据集上的准确率、标准差等。还可以做配对t检验看两个算法的差异是否显著。这个功能在写论文时非常实用不用自己算统计量。参数方面Runs建议设10次因为交叉验证本身有随机性跑多次取平均更可靠。如果时间紧Runs设3到5次也能用。Experimenter的结果可以导出成CSV方便后续用Python或Excel画图。导出按钮在Analyse界面右下角选CSV格式即可。4. 避坑与排查WEKA使用中最容易翻车的5个地方4.1 内存不足导致大数据集跑不动现象加载几万条数据的ARFF文件时WEKA卡死或报OutOfMemoryError。原因WEKA默认JVM内存上限只有几百MB大数据集加上算法中间结果很容易撑爆。解决找到WEKA安装目录下的RunWeka.ini文件修改maxheap参数。比如改成maxheap2048m给JVM分配2GB内存。如果还是不够说明数据量确实太大了考虑采样或者换用Spark MLlib。4.2 分类型字段取值不一致导致加载失败现象ARFF文件在别的工具里能打开WEKA报“nominal value not declared”。原因attribute声明的取值列表和data里的实际值不完全匹配常见于大小写不一致、多了空格、或者数据里出现了声明中没有的值。解决用文本编辑器打开ARFF搜索attribute行逐个核对取值列表。建议在Python转换脚本里加一步strip()去除首尾空格并且用set()去重后再写入声明。4.3 交叉验证结果波动大现象同样的数据和算法每次跑出来的准确率差好几个百分点。原因数据量太小少于200条或者类别分布极不均匀导致每折的测试集差异大。解决增加Runs次数取平均或者改用留一法Leave-One-Out。如果数据确实太少考虑收集更多数据或者用Bootstrap采样生成多个训练集。4.4 算法参数默认值不适合当前数据现象J48跑出来一棵巨大的树或者RandomForest准确率还不如J48。原因默认参数是针对通用场景设的没有针对具体数据优化。解决J48调小confidenceFactor比如0.1让树更简单或者开pruning。RandomForest增加numTrees到200以上同时设maxDepth限制树深。SMO需要调C和gamma建议用GridSearch做参数搜索WEKA的GridSearch面板可以自动跑。4.5 中文乱码问题现象ARFF文件里的中文属性名或类别值在WEKA里显示为乱码。原因文件编码不是UTF-8或者WEKA的JVM默认编码和文件编码不一致。解决确保ARFF文件保存为UTF-8无BOM格式。如果还是乱码在RunWeka.ini里加一行fileEncodingUTF-8。另外属性名尽量用英文中文只在类别值里出现能减少很多麻烦。5. 把WEKA结果做成PPT从数据到汇报的最后一公里跑完实验只是第一步真正要交付的是能讲清楚的PPT。WEKA本身没有导出PPT的功能但它的可视化面板和结果文本可以配合外部工具完成。我一般按这个流程走先在Explorer里把关键结果截图包括Preprocess的字段统计图、Classify的混淆矩阵、Visualize的散点图然后把Experimenter的对比表导出成CSV用Excel或Python画成柱状图最后在PPT里按“数据介绍→预处理→算法对比→结论”的结构组织。有一个技巧值得说WEKA的Visualize面板可以选两个字段做散点图按类别着色这个图放在PPT里比表格直观得多。操作是点Visualize标签在X轴和Y轴下拉框选字段点Colour选择类别字段然后调整点的大小和透明度。如果类别重叠严重可以只选两个类别对比或者用Jitter滑块让点稍微散开。另一个容易忽略的点是PPT里的数据来源标注。WEKA跑出来的结果要写清楚用了什么数据集、多少条样本、几折交叉验证、算法参数是什么。这些信息在Explorer的结果文本里都有直接复制到PPT的备注页或者附录里。我见过太多人只放一个准确率数字别人问起来源就说不清楚血泪经验。如果要做成可复用的教程PPT建议把WEKA的操作步骤录屏关键帧截图配上文字说明。参数设置的部分用表格列出默认值和推荐值方便观众对照。最后留一页放常见报错和解决方法这个比讲算法原理更受欢迎。我自己做WEKA相关汇报时养成了一个习惯每跑完一组实验立刻把结果文本和截图存到一个以日期命名的文件夹里PPT制作时直接取用不用回头重跑。这个习惯帮我省了很多后悔药。希望帮到你。本文还有配套的精品资源点击获取 WEKA中文详细教程PPT：从数据准备到结果汇报的完整实战指南
简介这份WEKA中文详细教程PPT面向数据挖掘与机器学习初学者、高校学生及需要快速上手WEKA的科研人员系统讲解这款由新西兰怀卡托大学开发的开源数据挖掘工具。内容涵盖WEKA简介与荣誉背景、软件特点、四大界面探索环境、命令行环境、知识流环境、算法试验环境并重点拆解Explorer环境的8个功能区域包括数据预处理、分类、聚类、关联分析、属性选择与可视化等任务面板同时讲解ARFF数据集格式、实例与属性的关系及数据管理方法。资源包内含1个PPT文件大小约14.29MB以幻灯片形式组织便于课堂讲授与自学翻阅。目前已有163人学习浏览适合希望掌握数据导入、预处理、算法选择与结果解释完整流程的读者也可作为课程配套讲义使用。1. WEKA中文详细教程PPT从零上手数据挖掘的完整路径很多人第一次接触数据挖掘是被课程作业或者项目需求推着走的。老师丢过来一个数据集说用WEKA跑一下分类结果打开软件一看满屏英文按钮Explorer、Experimenter、KnowledgeFlow三个入口不知道点哪个。网上搜教程要么是英文文档要么是零散的截图凑不出一套完整流程。WEKA中文详细教程PPT这个方向本质上解决的就是这个问题把WEKA从安装到出结果的每一步讲清楚让人能跟着做出来。它适合三类人正在学数据挖掘课程的学生、需要用WEKA快速验证想法的工程师、以及要给别人讲WEKA的培训者。核心链路其实不复杂——准备ARFF格式数据、选算法、调参数、看评估指标、导出结果。但每一步都有细节能把人卡住比如ARFF文件的头信息写错一个字段类型后面全跑不通。接下来的内容按这条链路展开把每个环节的操作和参数讲透。2. 数据准备ARFF格式到底怎么写才不出错2.1 ARFF文件的结构与字段类型WEKA只认ARFF格式的数据这是它最基础也最容易翻车的地方。ARFF全称Attribute-Relation File Format结构分两部分头部声明和数据集。头部用relation定义关系名用attribute定义每个字段的名称和类型data之后才是真正的数据行。字段类型常见的有numeric数值型、nominal分类型、string字符串型、date日期型。很多人从Excel直接导出CSV然后改后缀结果WEKA报错原因就是没写头部声明。一个标准的ARFF文件长这样relation weather attribute outlook {sunny, overcast, rainy} attribute temperature numeric attribute humidity numeric 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 rainy,68,80,FALSE,yes sunny,72,95,TRUE,no这段代码定义了一个天气数据集outlook和windy是分类型字段temperature和humidity是数值型最后一列play是类别标签。注意分类型字段的花括号里必须把全部可能取值列出来不能漏。如果实际数据里出现了花括号里没有的值WEKA会直接报错。提示attribute的名称不能包含空格和特殊字符如果需要用下划线或驼峰命名代替。2.2 从CSV转ARFF的两种可靠方法实际项目里数据通常来自Excel或数据库导出成CSV后再转ARFF是最常见的做法。方法一是在WEKA GUI里操作打开Explorer点Open file选择CSV文件WEKA会自动弹出转换对话框让你逐列确认字段类型。这个方法直观但慢字段多了点到手酸。方法二是用Python脚本批量转换适合字段多、需要反复生成的情况。import pandas as pd # 读取CSV文件 df pd.read_csv(data.csv) # 指定分类型字段根据实际情况修改 nominal_cols [outlook, windy, play] with open(data.arff, w, encodingutf-8) as f: f.write(relation mydata\n\n) for col in df.columns: if col in nominal_cols: # 分类型字段列出所有唯一值 values ,.join([str(v) for v in df[col].unique()]) f.write(fattribute {col} {{{values}}}\n) else: # 数值型字段 f.write(fattribute {col} numeric\n) f.write(\ndata\n) for _, row in df.iterrows(): f.write(,.join([str(v) for v in row.values]) \n)这段脚本的核心逻辑是先写relation然后遍历DataFrame的每一列判断是分类型还是数值型分别写入对应的attribute声明最后逐行写入数据。参数方面nominal_cols需要根据实际数据手动指定不能自动判断因为数值型的ID列如果被当成分类型会产生大量无意义的取值。另外要注意CSV里的缺失值WEKA用问号?表示缺失如果CSV里是空字符串或NaN需要在写入时替换成?。转换完成后在WEKA里打开ARFF文件如果能看到字段统计信息和直方图说明格式没问题。如果报错优先检查三个地方分类型字段的取值是否完整、数值型字段里是否有非数字字符、数据行是否比attribute少或多。2.3 数据预处理过滤器的选择与参数数据准备好之后直接跑算法往往效果不好需要先做预处理。WEKA的Filter面板提供了大量预处理工具常用的有这几个过滤器名称作用关键参数Remove删除指定列或行attributeIndices指定列索引ReplaceMissingValues用均值/众数填充缺失值无Normalize归一化到[0,1]区间scaleToUnityStandardize标准化为均值0方差1无Discretize连续值离散化bins分箱数操作步骤是在Explorer的Preprocess面板点Choose选择过滤器点过滤器名字弹出参数对话框设置好后点Apply。注意每次Apply之后数据就变了如果效果不好想回退只能重新Open file。我一般会先复制一份原始ARFF文件预处理操作在副本上做。Discretize这个过滤器值得单独说因为很多算法比如朴素贝叶斯对连续值处理不好离散化之后效果会明显提升。bins参数控制分箱数量太少会丢失信息太多等于没离散。经验值是5到10之间具体看数据分布。可以用Histogram可视化先看看某个字段的分布再决定分几个箱。3. 分类与回归选算法、调参数、看结果3.1 常用分类算法的适用场景WEKA内置了几十种分类算法新手最容易犯的错是随便选一个就跑不看数据特点。下面这张表是我自己总结的选型参考算法适用场景优点缺点J48决策树数据量中等、需要解释规则结果可读、无需归一化容易过拟合RandomForest数据量大、追求准确率准确率高、抗过拟合模型大、慢NaiveBayes文本分类、特征独立快、小样本也能跑特征相关时效果差SMOSVM高维数据、小样本泛化好参数敏感、慢IBkKNN数据分布均匀简单、无需训练预测慢、对噪声敏感选算法的原则是先跑J48看基线如果准确率不够再换RandomForest如果数据维度高且样本少就试SMO。NaiveBayes适合做快速验证但不适合作为最终方案。IBk在数据量超过几千条之后预测会非常慢慎用。在WEKA里切换算法很简单Classify面板点Choose展开trees、bayes、functions等分类目录选中算法即可。每个算法都有可调参数点算法名字就能看到。J48的confidenceFactor置信度阈值默认0.25调小会让树更简单调大则更复杂。RandomForest的numTrees默认100增加到200或500通常能提升一点准确率但训练时间线性增长。3.2 交叉验证与评估指标解读WEKA默认用10折交叉验证10-fold cross-validation这是最常用的评估方式。原理是把数据分成10份轮流用9份训练、1份测试最后取平均。比留出法hold-out更稳定尤其适合小数据集。如果数据量很大超过10万条可以改成5折或留出法来节省时间。评估结果里几个关键指标Correctly Classified Instances正确分类的比例就是准确率Kappa statistic排除随机因素后的一致性一般大于0.8算很好Mean absolute error平均绝对误差越小越好Confusion Matrix混淆矩阵看每一类的误判情况混淆矩阵特别重要因为准确率会被类别不平衡掩盖。比如100个样本里90个是A类、10个是B类全猜A也能有90%准确率但B类一个都没识别出来。看混淆矩阵就能发现这个问题。如果发现某一类召回率特别低可以考虑用SMOTE过滤器做过采样或者调整算法的类别权重。注意交叉验证的折数不是越多越好。10折是经验最优值折数太多会导致每折训练集接近全量评估结果偏乐观折数太少则方差大。3.3 用Experimenter做多算法对比如果要在论文或报告里对比多个算法一个个在Explorer里跑太慢。WEKA的Experimenter就是干这个的。操作流程切换到Experimenter点New新建实验在Datasets里添加ARFF文件在Algorithms里添加要对比的算法设置运行次数和折数点Run开始跑跑完点Analyse分析结果。Analyse界面会生成一张对比表包含每个算法在每个数据集上的准确率、标准差等。还可以做配对t检验看两个算法的差异是否显著。这个功能在写论文时非常实用不用自己算统计量。参数方面Runs建议设10次因为交叉验证本身有随机性跑多次取平均更可靠。如果时间紧Runs设3到5次也能用。Experimenter的结果可以导出成CSV方便后续用Python或Excel画图。导出按钮在Analyse界面右下角选CSV格式即可。4. 避坑与排查WEKA使用中最容易翻车的5个地方4.1 内存不足导致大数据集跑不动现象加载几万条数据的ARFF文件时WEKA卡死或报OutOfMemoryError。原因WEKA默认JVM内存上限只有几百MB大数据集加上算法中间结果很容易撑爆。解决找到WEKA安装目录下的RunWeka.ini文件修改maxheap参数。比如改成maxheap2048m给JVM分配2GB内存。如果还是不够说明数据量确实太大了考虑采样或者换用Spark MLlib。4.2 分类型字段取值不一致导致加载失败现象ARFF文件在别的工具里能打开WEKA报“nominal value not declared”。原因attribute声明的取值列表和data里的实际值不完全匹配常见于大小写不一致、多了空格、或者数据里出现了声明中没有的值。解决用文本编辑器打开ARFF搜索attribute行逐个核对取值列表。建议在Python转换脚本里加一步strip()去除首尾空格并且用set()去重后再写入声明。4.3 交叉验证结果波动大现象同样的数据和算法每次跑出来的准确率差好几个百分点。原因数据量太小少于200条或者类别分布极不均匀导致每折的测试集差异大。解决增加Runs次数取平均或者改用留一法Leave-One-Out。如果数据确实太少考虑收集更多数据或者用Bootstrap采样生成多个训练集。4.4 算法参数默认值不适合当前数据现象J48跑出来一棵巨大的树或者RandomForest准确率还不如J48。原因默认参数是针对通用场景设的没有针对具体数据优化。解决J48调小confidenceFactor比如0.1让树更简单或者开pruning。RandomForest增加numTrees到200以上同时设maxDepth限制树深。SMO需要调C和gamma建议用GridSearch做参数搜索WEKA的GridSearch面板可以自动跑。4.5 中文乱码问题现象ARFF文件里的中文属性名或类别值在WEKA里显示为乱码。原因文件编码不是UTF-8或者WEKA的JVM默认编码和文件编码不一致。解决确保ARFF文件保存为UTF-8无BOM格式。如果还是乱码在RunWeka.ini里加一行fileEncodingUTF-8。另外属性名尽量用英文中文只在类别值里出现能减少很多麻烦。5. 把WEKA结果做成PPT从数据到汇报的最后一公里跑完实验只是第一步真正要交付的是能讲清楚的PPT。WEKA本身没有导出PPT的功能但它的可视化面板和结果文本可以配合外部工具完成。我一般按这个流程走先在Explorer里把关键结果截图包括Preprocess的字段统计图、Classify的混淆矩阵、Visualize的散点图然后把Experimenter的对比表导出成CSV用Excel或Python画成柱状图最后在PPT里按“数据介绍→预处理→算法对比→结论”的结构组织。有一个技巧值得说WEKA的Visualize面板可以选两个字段做散点图按类别着色这个图放在PPT里比表格直观得多。操作是点Visualize标签在X轴和Y轴下拉框选字段点Colour选择类别字段然后调整点的大小和透明度。如果类别重叠严重可以只选两个类别对比或者用Jitter滑块让点稍微散开。另一个容易忽略的点是PPT里的数据来源标注。WEKA跑出来的结果要写清楚用了什么数据集、多少条样本、几折交叉验证、算法参数是什么。这些信息在Explorer的结果文本里都有直接复制到PPT的备注页或者附录里。我见过太多人只放一个准确率数字别人问起来源就说不清楚血泪经验。如果要做成可复用的教程PPT建议把WEKA的操作步骤录屏关键帧截图配上文字说明。参数设置的部分用表格列出默认值和推荐值方便观众对照。最后留一页放常见报错和解决方法这个比讲算法原理更受欢迎。我自己做WEKA相关汇报时养成了一个习惯每跑完一组实验立刻把结果文本和截图存到一个以日期命名的文件夹里PPT制作时直接取用不用回头重跑。这个习惯帮我省了很多后悔药。希望帮到你。本文还有配套的精品资源点击获取