# 4.6 结果列表
在训练了若干分类器之后,结果列表中也就包含了若干个条目。左键点击这些条目可以在生成的结果之间进行切换浏览。右键点击某个条目则会弹出一个菜单,包括如下的选 项:
1\. View in main window. 在主窗口中显示输出该结果(就象左击该条目一样)。
2\. View in separate window. 打开一个独立的新窗口来显示结果。
3\. Save result buffer. 弹出一个对话框,使得输出结果的文本可以保存成一个文本 文件。
4\. Load model. 从一个二进制文件中载入以前训练得到的模型对象。
5\. Save model. 把模型对象保存到一个二进制文件中。对象是以 Java`序列化` 的形式保存的。
6\. Re-evaluate model on current test set. 通过 Supplied test set 选项下的 Set 按钮指定一个数据集,已建立的分类模型将在这个数据集上测试它的表现。
7\. Visualize classifier errors. 弹出一个可视化窗口,把分类结果做成一个散点图。 其中正确分类的结果用叉表示,分错的结果用方框表示。
8\. Visualize tree or Visualize graph. 如果可能的话,把分类模型的结构用图形来 表示(例如决策树(decision tree)和贝叶斯网络(Bayesian network)模型)。 图形可视化选项只有在贝叶斯网络模型建好之后才会出现。在浏览决策树图形时, 可以在空白处右击鼠标弹出一个菜单,也可以拖动鼠标来拖动决策树,还可以在 节点上单击鼠标查看它对应的训练实例。Ctrl键+左键点击会缩小图形,Shift键+ 拖曳会得到一个方框并放大其中的图形。这个图形可视化工具本身应该能够解释 它的作用。
9\. Visualize margin curve. 创建一个散点图来显示预测边际值。这个边际值的定 义为:预测为真实值的概率与预测为真实值之外其它某类的最高概率之差。例如, 提升式(boosting)算法可以通过增加训练数据上的边际值来使得它在测试数据上 表现得更好。
10\. Visualize threshold curve. 生成一个散点图,以演示预测时改变各类之间的阀 值后取得的平衡。例如说,默认的阀值是0.5,那么一个实例要预测成为`positive`, 它是`positive`的预测概率必须大于0.5。这个曲线可以用来在 ROC 曲线分析中 演示准确度/反馈率之间的平衡(正确的 positive 率对错误的 positive 率),也 可用于其它类型的曲线。
11\. Visualize cost curve. 生成一个散点图,如 [1] 中所描述的那样,给出期望价 值(expected cost)的一个显式表达。
在特定的情况下某些选项不适用时,它们会变成灰色。
- 1 启动 WEKA
- 2 WEKA Explorer
- 2.1 标签页
- 2.2 状态栏
- 2.3 Log 按钮
- 2.4 WEKA 状态图标
- 3 预处理
- 3.1 载入数据
- 3.2 当前关系
- 3.3 处理属性
- 3.4 使用筛选器
- 4 分类
- 4.1 选择分类器
- 4.2 测试选项
- 4.3 Class 属性
- 4.4 训练分类器
- 4.5 分类器输出文本
- 4.6 结果列表
- 5 聚类
- 5.1 选择聚类器(Clusterer)
- 5.2 聚类模式
- 5.3 忽略属性
- 5.4 学习聚类
- 6 关联规则
- 6.1 设定
- 6.2 学习关联规则
- 7 属性选择
- 7.1 搜索与评估
- 7.2 选项
- 7.3 执行选择
- 8 可视化
- 8.1 散点图矩阵
- 8.2 选择单独的二维散点图
- 8.3 选择实例
- 参考文献