---

一、构建分类器

以系统自带的segment challenge数据集为例，使用树分类器中的用户分类器（如果没有用户分类器看本文最后）。
在Test options中选择使用测试数据集，选择系统自带的segment test。
选择合适的X轴、Y轴属性以达到将各数据区分的效果（如本数据集的X：region-centroid-row；Y：intensity-mean），通过矩形选择红色的部分，并submit。该部分区域消失，获得被调整的图形和第一代决策树。
按此方法循环，最终获得完整的决策树，右键选择接受决策树，可查看构建的决策树评估效果。

---

二、训练和测试

继续使用之前的数据集，使用J48决策树分类器，在Test options中选择训练集测试集比例，获得测试结果，同比例再次运行后准确率相同。
如果使用训练集自我评估，准确率较大但不准确，结果过于乐观。

---

三、重复训练和测试

当训练集测试集比例相同时，之前每次运行获得的结果是相同的，如果想做到随机即运行结果不同，可以设置随机种子，点击More options，更改Random seed的数值后，同比例继续运行，准确率不同。

多次运行后进行平均值和标准差，即为J48的评估效果。

---

四、基线精确度

以系统自带的diabetes数据集为例，使用J48分类器可以得到76%的精确度。使用贝叶斯分类器的NaiveBayes分类器并运行，获得77%的精确度。使用懒惰分类器的精确度为73%，而规则分类器中的PART分类器有74%的精确度。
ZeroR分类器找到可能最大的分类器，一直猜该分类，则该分类器准确率为最大的数目比例。
该分类器的精确度即为基线精确度，可用于评估分类器的精确度，如supermarket数据集中，很多分类器的效果不如基线精确度。
不要盲目的使用weka分析任意的数据，需要知道自己在做什么

五、交叉验证

将数据集分为十份，九份作为训练集，一份作为测试集，重复十次，即十折交叉验证（针对数据集少的情况）。

---

六、交叉验证结果

在分类界面的Cross-validation中对Folds的数值进行修改，选择k折交叉验证的取值。

---

七、没有UserClassifier分类器的安装方法

关闭除weka首页外的窗口，点击weka首页的tools，点击package manager，搜索并点击左上方的安装即可。

---