1.5 示例数据集

Weka自带25个ARFF文件作为测试用示例数据集，文件位于安装目录的data子目录下，如图1.27所示。

限于篇幅，这里仅对其中的部分数据集进行说明。

1.5.1 天气问题

天气问题的数据集很小，里面的数据纯属虚构，只是为了用来说明机器学习的方法。该数据集存放在Weka安装目录的data子目录下，有两个文件weather.numeric.arff和weather.nominal.arff，前者有两个属性使用具体的连续型数值，后者全部都使用标称型属性。天气数据集列举了在何种天气条件下可以进行体育运动，数据集中的样本由五个属性值来表示，通过测量不同天气的四个指标得到样本。天气问题的四个指标是：天气趋势（outlook）、温度（temperature）、湿度（humidity）和刮风（windy）。最后一个属性表示样本的类别，即在四个天气指标的前提下得到是否可运动（play）的结论。

天气问题仅有14个样本，表1.3是天气问题的简单形式，四个属性和一个目标属性都采用标称符号来表示，而不采用具体数值。其中，天气趋势的属性值分别为sunny（晴）、overcast（多云）和rainy（雨）；温度的属性值分别为hot（热）、mild（温暖）和cool（凉爽）；湿度的属性值分别为high（高）和normal（正常）；刮风的属性值分别为true（真）和false（假）；是否可运动的属性值分别为yes（是）和no（否）。

机器学习的一个目标就是要找出数据的内在关系，本例中，就是要得到在什么天气情况下可运动的规则。然后，根据这个规则，对给定的新的天气情况，例如：

    outlook = sunny and humidity = high then play = ?

给出是否可运动的判断。

表1.4是天气问题的稍微复杂一点的形式。其中，温度和湿度两个属性的数据类型是连续的数值型。因为并不是全部属性都是数值型，因此称为混合属性问题。如果全部属性都是数值型，则称为数值属性问题。

显然，如果包含了数值型属性，学习方案可能需要对此类属性建立不等式，因此，得到包含数值测试的规则比较复杂。

1.5.2 鸢尾花

鸢尾花是鸢尾属植物，是一种草本开花植物的统称。鸢尾花只有三枚花瓣，其余外围的那三瓣乃是保护花蕾的花萼，只是由于这三枚瓣状花萼长得酷似花瓣，以致常常以假乱真，令人难于辨认。其英文名iris为“彩虹”之意，暗指鸢尾花色彩绚丽如同彩虹。iris是非常著名的用于模式识别的数据集，该数据集于1936年由R. A. Fisher创建，Fisher的论文也成为经典，直到今天还经常被引用。鸢尾花原始数据集位于网站http://archive.ics.uci.edu/ml/datasets/Iris。网站由美国加州大学欧文分校（University of California at Irvine，UCI）维护，UCI数据集经常用作比较数据挖掘算法的基准。

鸢尾花数据集包括三个类别，即Iris setosa（山鸢尾）、Iris versicolor（变色鸢尾）和Iris virginica（维吉尼亚鸢尾），每个类别各有50个实例。数据集定义了五个属性：sepal length（花萼长）、sepal width（花萼宽）、petal length（花瓣长）、petal width（花瓣宽）、class（类别）。最后一个属性一般作为类别属性，其余属性都是数值，单位为cm（厘米）。

表1.5摘录自鸢尾花数据集。该数据集就是要根据鸢尾花的花萼和花瓣数据，找出不同类别花的特点分布情况，揭示出其中隐藏的规律性。

1.5.3 CPU

CPU数据集的属性和类别属性都是数值型，训练目标是学习CPU的几个相关属性与其处理能力的关联，总共有209条不同的CPU配置。Weka提供两个数据文件，即cpu.arff和cpu.with.vendor.arff，区别在于前者不带CPU厂商（vendor）信息，后者的第一个属性就是厂商。

CPU数据集如表1.6所示。其中，MYCT属性代表周期时间（单位为ns），MMIN和MMAX属性分别是主存的最小值和最大值（单位为KB），CACH属性是高速缓存Cache（单位为KB），CHMIN和CHMAX属性分别是通道数（Channels）的最小值和最大值，class属性是体现CPU性能的类别属性。

处理上述连续数值型预测值的传统方式是线性回归，将预测结果写为每个属性值的线性之和，为每个属性加上适当的权重。例如：

    class = -56.075 + 0.0491 ＊ MYCT + 0.0152 ＊ MMIN + 0.0056 ＊ MMAX +
        0.6298 ＊ CACH + 1.4599 ＊ CHMAX

1.5.4 玻璃数据集

玻璃数据集的全称为玻璃识别数据库（Glass Identification Database），创建者为美国法医科学服务（U.S. Forensic Science Service）的B. German，其中包含七种类型的玻璃数据。玻璃通过其折射率和所包含的化学元素进行描述，目的是基于这些特征对不同类型的玻璃进行分类。该数据集已被UCI收集，成为在网络上免费提供的UCI数据集。Weka以glass.arff文件提供该数据集。

数据集中的实例有214个，全部属性都是连续数值，属性加上类别属性一共10个，没有缺失值。

下面列出各属性信息。

（1）RI：折射率（refractive index）。

（2）Na：钠（sodium）（测量单位：氧化物的相对重量%，与属性（3）～（9）相同）。

（3）Mg：镁（magnesium）。

（4）Al：铝（aluminum）。

（5）Si：硅（silicon）。

（6）K：钾（potassium）。

（7）Ca：钙（calcium）。

（8）Ba：钡（barium）。

（9）Fe：铁（iron）。

（10）玻璃类型：（类别属性）。

● 1:building_windows_float_processed（浮动处理过的建筑玻璃）。

● 2:building_windows_non_float_processed（未浮动处理的建筑玻璃）。

● 3:vehicle_windows_float_processed（浮动处理过的车用玻璃）。

● 4:vehicle_windows_non_float_processed（未浮动处理的车用玻璃），本数据库未包含。

● 5:containers（容器）。

● 6:tableware（餐具）。

● 7:headlamps（前大灯）。

1.5.5 美国国会投票记录

现在考虑一个现实世界的数据集vote.arff，该数据集收集了1984年美国国会议员投票信息，原始数据可以在UCI机器学习库找到，Weka自带该数据集以供研究。数据集中包括435个实例，每个实例是一个国会议员的信息，其中有267名民主党及168名共和党。全部属性都是二元属性，总共有16个属性，外加他们的党派作为类别属性。

属性信息如下。

（1）Class Name（类别名称）:2（democrat民主党，republican共和党）。

（2）handicapped-infants（残疾婴幼儿）:2（y，n）。

（3）water-project-cost-sharing（水项目的费用分摊）:2（y，n）。

（4）adoption-of-the-budget-resolution（采纳预算决议）:2（y，n）。

（5）physician-fee-freeze（冻结医疗费）:2（y，n）。

（6）el-salvador-aid（EL-萨尔瓦多援助）:2（y，n）。

（7）religious-groups-in-schools（学校的宗教群体）:2（y，n）。

（8）anti-satellite-test-ban（反卫星试验禁令）:2（y，n）。

（9）aid-to-nicaraguan-contras（援助尼加拉瓜反政府）:2（y，n）。

（10）mx-missile（洲际弹道导弹）:2（y，n）。

（11）immigration（移民）:2（y，n）。

（12）synfuels-corporation-cutback（削减合成燃料公司）:2（y，n）。

（13）education-spending（教育支出）:2（y，n）。

（14）superfund-right-to-sue（超级基金的诉讼权利）:2（y，n）。

（15）crime（犯罪）:2（y，n）。

（16）duty-free-exports（出口免税）:2（y，n）。

（17）export-administration-act-south-africa（南非出口管理法案）:2（y，n）。

注意： 该数据集中带有一些缺失值，使用“?”来表示。

1.5.6 乳腺癌数据集

本乳腺癌数据集不是从UCI获得，而是从南斯拉夫卢布尔雅那大学医疗中心乳腺癌肿瘤研究所获得，提供者为M. Zwitter和M. Soklic。

数据集中一共有286个实例，9个属性外加1个类别属性。属性信息如下。

（1）Class（是否复发，类别属性）:no-recurrence-events（无复发），recurrence-events（复发）。

（2）age（年龄）:10-19，20-29，30-39，40-49，50-59，60-69，70-79，80-89，90-99。

（3）menopause（绝经）:lt40（小于40岁），ge40（大于等于40岁），premeno（未绝经）。

（4）tumor-size（肿瘤大小）:0-4，5-9，10-14，15-19，20-24，25-29，30-34，35-39，40-44，45-49，50-54，55-59。

（5）inv-nodes（受侵淋巴结数）:0-2，3-5，6-8，9-11，12-14，15-17，18-20，21-23，24-26，27-29，30-32，33-35，36-39。

（6）node-caps（有无结节帽）:yes（有），no（无）。

（7）deg-malig（肿瘤恶性程度）:1，2，3。

（8）breast（肿块位置）:left（左），right（右）。

（9）breast-quad（肿块所在象限）:left-up（左上），left-low（左下），right-up（右上），right-low（右下），central（中部）。

（10）irradiat（是否放疗）:yes（是），no（否）。

数据集中，node-caps和breast-quad属性有缺失值，node-caps属性有8个缺失值，breast-quad属性有1个缺失值，缺失值都用“?”表示。

类别属性的分布为：201个实例无复发，85个实例复发。