4/4WEKA實(shí)驗(yàn)報(bào)告數(shù)據(jù)集實(shí)驗(yàn)采用Wisconsin醫(yī)學(xué)院的WilliamH.Wolberg博士提供的乳腺癌的數(shù)據(jù)樣本。所有數(shù)據(jù)來自真實(shí)臨床案例，每個(gè)案例有10個(gè)屬性。其中前九個(gè)屬性是檢測(cè)指標(biāo)，每個(gè)屬性值用1到10的整數(shù)表示，1表示檢測(cè)指標(biāo)最正常，10表示最不正常。第十個(gè)屬性是分類屬性，指示該腫瘤是否為惡性。數(shù)據(jù)集中的腫瘤性質(zhì)是通過活檢得出的結(jié)果。腫塊厚度Clump_Thicknessinteger[1,10]細(xì)胞大小的均勻性Cell_Size_Uniformityinteger[1,10]細(xì)胞形狀的均勻性Cell_Shape_Uniformityinteger[1,10]邊緣粘性Marginal_Adhesioninteger[1,10]單上皮細(xì)胞的大小Single_Epi_Cell_Sizeinteger[1,10]裸核Bare_Nucleiinteger[1,10]乏味染色體Bland_Chromatininteger[1,10]正常核Normal_Nucleoliinteger[1,10]有絲分裂Mitosesinteger[1,10] 腫瘤性質(zhì)Class{benign,malignant}該數(shù)據(jù)集共有669個(gè)實(shí)例。本次實(shí)驗(yàn)對(duì)以上數(shù)據(jù)集進(jìn)行了分類、聚類、關(guān)聯(lián)規(guī)則三部分操作，以熟悉weka軟件的操作使用，并嘗試挖掘數(shù)據(jù)中的實(shí)際價(jià)值。分類中，嘗試用前九個(gè)屬性值來預(yù)測(cè)腫瘤的性質(zhì)（良性、惡性）；聚類中，尋找各個(gè)簇病人（尤其是惡性腫瘤病人）的顯著特征，可用來輔助制定針對(duì)性治療計(jì)劃；關(guān)聯(lián)規(guī)則的探索，尋找不同屬性值之間的相關(guān)性。分類數(shù)據(jù)預(yù)處理將wisconsin-breast-cancer數(shù)據(jù)集分割為兩個(gè)，分別作為trainset（469個(gè)）和testset（200個(gè)）。實(shí)驗(yàn)過程用j48分類樹對(duì)trainset進(jìn)行分類運(yùn)算，結(jié)果如下：結(jié)果表明，模型分類的準(zhǔn)確率達(dá)到了96%。ConfusionMatrix表明有13例良性腫瘤被錯(cuò)位的歸類為惡性（4.5%）；有6例惡性腫瘤被錯(cuò)誤的歸類為良性（3.1%）。將以上模型應(yīng)用于testset以檢驗(yàn)預(yù)測(cè)準(zhǔn)確率，運(yùn)行結(jié)果如下：結(jié)果表明，預(yù)測(cè)準(zhǔn)確率達(dá)到了99%。ConfusionMatrix表示有2例良性腫瘤被錯(cuò)誤的歸類為惡性（1.3%）；而惡性腫瘤均被正確分類。結(jié)果分析首先，通過檢驗(yàn)，j48方法通過訓(xùn)練集生成的決策樹對(duì)腫瘤性質(zhì)的預(yù)測(cè)準(zhǔn)確率可以穩(wěn)定在較高水平，因此可以將此模型用于臨床診斷。這對(duì)于因醫(yī)療條件不佳而不能進(jìn)行活檢或病灶位置不易進(jìn)行活檢的病人來說具有較高的實(shí)用價(jià)值。其次，從分類樹可以看出，腫瘤性質(zhì)與“細(xì)胞大小均勻性”“裸核”屬性的關(guān)聯(lián)度較高；而“細(xì)胞形狀均勻性”“邊緣粘性”“單上皮細(xì)胞大小”“乏味染色體”“有絲分裂”對(duì)腫瘤良、惡性的診斷幾乎沒有參考意義。這表明在日常診斷中，若受醫(yī)療條件和治療時(shí)機(jī)的制約，可以適當(dāng)減少檢測(cè)指標(biāo)，根據(jù)預(yù)測(cè)結(jié)果盡早采取治療措施。最后，通過對(duì)ConfusionMatrix的分析可知，該模型存在兩類錯(cuò)誤:將良性誤診為惡性、將惡性誤診為良性。這兩類錯(cuò)誤都是應(yīng)該極力避免的，第一類錯(cuò)誤可能導(dǎo)致病人情緒低落、不配合治療，最終導(dǎo)致病情惡化；第二類錯(cuò)誤可能導(dǎo)致治療方案的錯(cuò)誤，過于激進(jìn)的治療可能適得其反。很難評(píng)判這兩類錯(cuò)誤哪種更為嚴(yán)重，但模型的結(jié)果表明，犯第二類錯(cuò)誤的概率較低，特別在測(cè)試集中，準(zhǔn)確率達(dá)到了100%。聚類數(shù)據(jù)預(yù)處理由于聚類中對(duì)于離散屬性將顯示其眾數(shù)，不利于了解數(shù)值結(jié)構(gòu)，所以將Class屬性類型由Nominal轉(zhuǎn)換為Numeric。用0表示benign，即良性；1表示malignant，即惡性。這樣各個(gè)簇中的數(shù)值越接近1，表明該簇中惡性腫瘤比例越高。實(shí)驗(yàn)過程用SimplekMeans算法，設(shè)置參數(shù)numClusters=5，seed=50進(jìn)行聚類運(yùn)算，得到結(jié)果如下：結(jié)果分析上述聚類結(jié)果共有五個(gè)簇，而且恰巧Class屬性的均值均為整數(shù)，這表明每一個(gè)簇中的各實(shí)例的腫瘤性質(zhì)相同。#0：這一簇中各屬性偏離正常值的成都相對(duì)較高，但腫瘤性質(zhì)為良性。這種情況僅有17個(gè)實(shí)例，表明該情況出現(xiàn)的概率很低。#1：除“腫塊厚度”這一屬性外，其他指標(biāo)都很正常，腫瘤性質(zhì)為良性。這種情況有253個(gè)實(shí)例，甚至超過了“典型良性”簇中的實(shí)例數(shù)，這表明“腫塊厚度”這一屬性要較大程度偏離正常值才可能對(duì)應(yīng)惡性腫瘤。#2：我們可以稱這一簇為“典型良性”，其各屬性偏離正常程度都很低。#3：除“腫塊厚度”“裸核”外，其他屬性值都不是很高，但腫瘤性質(zhì)為惡性。這種情況占比約為所有惡性腫瘤患者一半。#4：這一簇可稱為“典型惡性”，幾乎每一個(gè)屬性都很不正常，然而只有約一半的惡性腫瘤患者屬于這種情況。根據(jù)聚類分析結(jié)果，可以幫助醫(yī)生針對(duì)可能的幾種發(fā)病情況，制定不同的治療計(jì)劃。另外，對(duì)各個(gè)簇所占比例的研究可以幫助醫(yī)藥工作者更好地了解乳腺癌癥狀的分布。關(guān)聯(lián)規(guī)則數(shù)據(jù)預(yù)處理為使用Apriori算法，將前九個(gè)屬性數(shù)據(jù)類型改為離散型。使用filter中的NumericToNominal方法將integer[1,10]離散化為{1,2,3,4,5,6,7,8,9,10}。實(shí)驗(yàn)過程首先選用置信度作為衡量參數(shù)，設(shè)置接受的最小參數(shù)值為0.8，結(jié)果如下：再選用提升度作為衡量參數(shù)，設(shè)置接受的最小參數(shù)值為1.5，結(jié)果如下：結(jié)果分析不難發(fā)現(xiàn)，以上這些關(guān)聯(lián)規(guī)則有一些是沒有價(jià)值的，這說明在數(shù)據(jù)預(yù)處理階段以及關(guān)聯(lián)規(guī)則算