weka - WEKA 实例预测和混淆矩阵结果之间的区别？-6ren

weka - WEKA 实例预测和混淆矩阵结果之间的区别？

转载作者：行者123 更新时间：2023-12-03 18:27:02

我对数据挖掘并不陌生，所以我完全被 WEKA 结果难住了。希望得到一些帮助。提前致谢!

我有一个具有二进制分类(S，H)的数字向量数据集。我训练了一个 NaiveBayes 模型(尽管方法真的无关紧要)以留出一个交叉验证。结果如下:

    === Predictions on test data ===
 inst#     actual  predicted error distribution
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        2:S   +   0,*1
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *1,0
     1        1:H        1:H       *0.997,0.003
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1 
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1 
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        1:H   +   *1,0
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        2:S       0,*1
     1        2:S        1:H   +   *1,0

=== Stratified cross-validation ===
=== Summary ===

Total Number of Instances               66

=== Confusion Matrix ===

  a  b   <-- classified as
 14  1 |  a = H
  2 49 |  b = S

如您所见，输出和混淆矩阵中都存在三个错误。
然后我使用具有相同属性和相同两个类的独立数据集重新评估模型。结果如下:

=== Re-evaluation on test set ===

User supplied test set
Relation:     FCBC_New.TagProt
Instances:     unknown (yet). Reading incrementally
Attributes:   355

=== Predictions on user test set ===

 inst#     actual  predicted error distribution
     1        1:S        2:H   +   0,*1
     2        1:S        1:S       *1,0
     3        1:S        2:H   +   0,*1
     4        2:H        1:S   +   *1,0
     5        2:H        2:H       0,*1
     6        1:S        2:H   +   0,*1
     7        1:S        2:H   +   0,*1
     8        2:H        2:H       0,*1
     9        1:S        1:S       *1,0
    10        1:S        2:H   +   0,*1
    11        1:S        2:H   +   0,*1
    12        2:H        1:S   +   *1,0
    13        2:H        2:H       0,*1
    14        1:S        2:H   +   0,*1
    15        1:S        2:H   +   0,*1
    16        1:S        2:H   +   0,*1
    17        2:H        2:H       0,*1
    18        2:H        2:H       0,*1
    19        1:S        2:H   +   0,*1
    20        1:S        2:H   +   0,*1
    21        1:S        2:H   +   0,*1
    22        1:S        1:S       *1,0
    23        1:S        2:H   +   0,*1
    24        1:S        2:H   +   0,*1
    25        2:H        1:S   +   *1,0
    26        1:S        2:H   +   0,*1
    27        1:S        1:S       *1,0
    28        1:S        2:H   +   0,*1
    29        1:S        2:H   +   0,*1
    30        1:S        2:H   +   0,*1
    31        1:S        2:H   +   0,*1
    32        1:S        2:H   +   0,*1
    33        1:S        2:H   +   0,*1
    34        1:S        1:S       *1,0
    35        2:H        1:S   +   *1,0
    36        1:S        2:H   +   0,*1
    37        1:S        1:S       *1,0
    38        1:S        1:S       *1,0
    39        2:H        1:S   +   *1,0
    40        1:S        2:H   +   0,*1
    41        1:S        2:H   +   0,*1
    42        1:S        2:H   +   0,*1
    43        1:S        2:H   +   0,*1
    44        1:S        2:H   +   0,*1
    45        1:S        2:H   +   0,*1
    46        1:S        2:H   +   0,*1
    47        2:H        1:S   +   *1,0
    48        1:S        2:H   +   0,*1
    49        2:H        1:S   +   *1,0
    50        2:H        1:S   +   *1,0
    51        1:S        2:H   +   0,*1
    52        1:S        2:H   +   0,*1
    53        2:H        1:S   +   *1,0
    54        1:S        2:H   +   0,*1
    55        1:S        2:H   +   0,*1
    56        1:S        2:H   +   0,*1

=== Summary ===

Correctly Classified Instances          44               78.5714 %
Incorrectly Classified Instances        12               21.4286 %
Kappa statistic                          0.4545
Mean absolute error                      0.2143
Root mean squared error                  0.4629
Coverage of cases (0.95 level)          78.5714 %
Total Number of Instances               56

=== Detailed Accuracy By Class ===

                 TP Rate  FP Rate  Precision  Recall   F-Measure  MCC      ROC Area  PRC Area  Class
                 0.643    0.167    0.563      0.643    0.600      0.456    0.828     0.566     H
                 0.833    0.357    0.875      0.833    0.854      0.456    0.804     0.891     S
Weighted Avg.    0.786    0.310    0.797      0.786    0.790      0.456    0.810     0.810

=== Confusion Matrix ===

  a  b   <-- classified as
  9  5 |  a = H
  7 35 |  b = S

这就是我的问题所在。输出清楚地表明有很多错误。事实上，有44个。另一方面，混淆矩阵和结果摘要表明有12个错误。现在，如果将预测类别颠倒过来，混淆矩阵就会为真。所以现在，我查看分数的分布，我看到在交叉验证结果中，逗号前的值代表 H 类，第二个值是 S 类(因此值 1,0 表示 H 预测)。然而，在测试结果中，这些是相反的，值 1,0 表示 S 预测。所以，如果我取分数分布，混淆矩阵是正确的。如果我采用预测(H 或 S)，则混淆矩阵是错误的。
我尝试将所有测试文件类更改为 H 或 S。这不会改变输出结果或混淆矩阵总数:在混淆矩阵中，16 个实例始终预测为 a(H)，40 个实例始终为 b(S)，即使尽管纯文本输出实际上是 16 b(S) 和 40 a(H)。任何想法出了什么问题？这一定是一件简单的事情，但我完全完全不知所措......

最佳答案

如果你能看看这个关于实例分类的weka教程会更好http://preciselyconcise.com/apis_and_installations/training_a_weka_classifier_in_java.php希望能帮助到你。本教程还涉及二元分类(正、负)。

关于weka - WEKA 实例预测和混淆矩阵结果之间的区别？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/20911515/

文章推荐： delphi - Delphi Xe2 中的泛型排序出错

文章推荐： iphone - bundle 访问中的sqlite db路径？

文章推荐： Scala 变量参数 :_*

文章推荐： iphone - 如何从iPhone上的应用程序下载sqlite数据库？

weka - 正确分类实例的含义 weka
我最近开始使用 weka，我正在尝试使用朴素贝叶斯将推文分为正面或负面。因此，我有一个训练集，其中包含我为其指定标签的推文，以及一个包含所有带有“正面”标签的推文的测试集。当我运行朴素贝叶斯时，我得到
weka - Weka 中的缺失值——
我正在使用来自 UCI 的成人数据 Here ，当我将它转换为excel文件时==>然后在weka中导入 weka 无法识别缺失值(它告诉 Missing:0 (0%))，但成人数据包含带有“？”的
weka - WEKA 实例预测和混淆矩阵结果之间的区别？
我对数据挖掘并不陌生，所以我完全被 WEKA 结果难住了。希望得到一些帮助。提前致谢! 我有一个具有二进制分类(S，H)的数字向量数据集。我训练了一个 NaiveBayes 模型(尽管方法真的无关紧要
weka - Weka 上多层感知器建模结果的解释
我正在使用 Weka 上的多层感知器生成功率模型，Weka 是一个统计工具箱。 Weka 显示了以下生成的功率模型，但是，我不知道如何解释它。如何使用 Weka 生成的模型计算预测值？我想知道如何用
weka - WEKA 中的类别索引是什么？
我必须在我的 java 代码中使用 WEKA 进行预测。基本上我必须研究给定的代码并重用它。 testdata.setClassIndex(data.numAttributes() - 1); 我无法
weka - 在 Weka 中加载管道分隔文件
您好，我正在尝试使用 java CSVLoader 在 weka 中加载管道分隔文件。看起来 CSVLoader 只加载逗号和制表符。有什么办法可以更改这些加载器上的分隔符吗？有没有人在 Weka
weka - 从命令行输出 Weka 中的混淆矩阵
我已经使用 Weka 3.7.9 将随机森林模型保存到一个文件中，现在我正在尝试针对其他(非常大的)集合(在 Amazon EC2 中的一些大型机器上)对其进行评估。我正在使用以下命令行: > jav
weka - 在分类之后但在评估之前添加 weka 实例？
假设 X是原始的、标记的(即带有训练标签的)数据集，并且 Process(X)返回一组 Y实例已用属性编码并转换为像 Y.arff 这样的对 Weka 友好的文件。还假设Process()有一些“
weka - 删除 Weka 中的缺失值
我正在使用 Weka 中的数据集进行包含缺失值的分类。据我了解，当使用像 NaiveBayes 这样的分类器时，Weka 会自动用训练数据的众数或均值(使用过滤器 unsupervised/attri
weka - 为什么 Weka 不允许我启动关联规则生成？
我已经为我想在 Weka 中使用的数据集创建了一个 arff 文件。该文件被格式化为稀疏 arff 文件。无论如何，我已经成功加载了数据。然后我切换到关联选项卡并设置我的参数。但是，“开始”按钮不会启
weka - 如何从命令行使用 weka 计算最近邻居？
我有一个 csv 文件，其中每一行都是代表数据点的数字向量。我想从命令行使用 weka 来计算 csv 文件中每个数据点的最近邻。我知道如何从命令行进行 k 最近邻分类，但这不是我想要的。我想要真正的
weka - 使用 Weka 过滤属性
我有一个关于在 WEKA 中过滤属性的简单问题。假设我有 30 个类的 500 个属性和每个类的 100 个样本，这等于 3000 行和 500 列。这会导致时间和内存问题，您可以猜到。如何过滤在
weka - ARFF (Weka) 中的缺失值
Weka 中的分类器(例如决策树)将如何解释“？” (表示 ARFF 文件中的缺失值)在学习阶段？Weka 会用一些预定义的值(例如“0”或“false”)替换它，还是会以某种方式影响训练过程？最佳
weka - 如何在 Weka 分类器中使用 svm？
我正在尝试在 Weka 中使用 SVM 分类器。我下载了weka-3-7-13版本。当我单击分类器选项卡时，SVM 不在列表中。如何在这个工具中使用 SVM？请帮助我克服这个问题。最佳答案在 W
weka - 用于文本分类的 Mallet 与 Weka
就目前而言，这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持，但这个问题可能会引起辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开，visit the he
weka - 在 WEKA 中使用带贝叶斯网络的 FilteredClassifier
我正在从命令行运行 WEKA 以创建用于训练的贝叶斯网络模型，然后使用该模型在单独的数据集上进行测试。贝叶斯网络使用带有简单估计器的 TAN 搜索选项。我的培训命令行调用如下所示: java -cp
weka - 如何解释 Weka Logistic 回归输出？
请帮助解释 Weka 库中由 weka.classifiers.functions.Logistic 生成的逻辑回归结果。我使用来自 Weka 示例的数字数据: @relation weather
weka - Weka 中的 10 折交叉验证
对于 Weka 中可用的 10 折交叉验证和传统的 10 折交叉验证之间的区别，我有点困惑。我理解 K 折交叉验证的概念，但是从我读到的 10 -Weka 中的折叠交叉验证有点不同。在 Weka F
weka - 了解 Weka 中的成本敏感评估(成本矩阵)
我正在使用 Weka 3.7.1 我正在尝试使用 weka 分析棒球运动预测。我想使用成本矩阵，因为在我赌博的体育博彩中，不同结果的成本是不一样的。我的数据集很简单:它是一组具有标称类 {WIN,LO
weka - 如何忽略一个功能，同时将其作为 Weka GUI 中功能集的一部分包含在内
我正在使用 Weka GUI 在在线帖子上运行 NaiveBayes 分类器。我正在尝试跟踪错误预测的实例(在线帖子)，以便我可以进一步了解如何改进功能。目前，我有一个解决方法:我生成包含唯一 ID

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

weka - WEKA 实例预测和混淆矩阵结果之间的区别？