weka算法参数整理.pdf

1. 关联算法 1.1.Aprior算法 1.1.1. Apriori算法weka参数界面 概要 实现Apriori关联规则挖掘算法，挖掘出给定参数条件下的关联规则。此迭代的减少最小支持度直到发现设定最 置信度下的规则数目。 1.1.2. Apriori算法参数配置说明 英文名称 中文翻译 默认值 取值范围 参数说明 car 分类关联分析 False False 返回常规的关联分析规则 True 返回指定分类属性的关联规则 classIndex 分类属性索引 -1 {-1,[1,N]}int -1代表最后一列，设置的数字代表相应的列作为分类属性；Car为True时生效。 delta delta 0.05 (0,1) 每次迭代upperBoundMinSupport 减少的数值，直到最小支持度或设定规则数目。 lowerBoundMinSupport 最小支持度下限 0.1 (0,upperBoundMinSupport) 迭代过程中最小支持度的下限。 metricType 度量类型 confidence Confidence(置信度) 规则项集数目占规则前件数目比例；car为True，metricType 只能用confidence。 P(A,B)/P(A)P(B)；规则前件和规则后件同时发生的概率除以分布单独发生的概率 Lift(提升度) 1 之积；Lift=1 时表示A和B独立，数值越大前后件关联性越强。 Leverage(杠杆率) P(A,B)-P(A)P(B)；Leverage=0时A和B独立，数值越大A和B 的关联性越强。 P(A)P(!B)/P(A,!B) （!B表示B没有发生） Conviction也是用来衡量A和B 的 Conviction(确信度) 独立性。从它和lift 的关系（对B取反，代入Lift公式后求倒数）可以看出，这 个值越大,A、B越关联。 minMetric 最小度量值 0.9 根据metricType取值不同 Confidence(0,1);lift1;leverage0;conviction(0,1) numRules 规则数目 1 [1,+∞]int 关联算法产生规则的数目 outputItemSets 输出项集 False False 不输出频繁项集 True 输出频繁项集 removeAllMissingCols 移除空列 False False 不移除所有值都缺失的列 True 移除所有值都缺失的列 significanceLevel 显著性水平 -1？ (0,1) χ检验