简介：这份文档面向数据挖掘与机器学习初学者，系统讲解WEKA这一开放数据挖掘工作平台的操作入门知识，帮助读者快速建立对数据挖掘工具链的基本认知。压缩包内共1个doc文件，约172KB，内容涵盖WEKA的术语体系与数据格式规范，包括实例、属性、关系等核心概念，以及ARFF文件的头信息与数据信息结构、属性声明顺序、numeric与nominal等数据类型说明。文档还介绍了数据预处理、分类、回归、聚类、关联规则与可视化等主要功能，并给出CSV、Excel、Matlab数据转换为ARFF的实用方法，便于读者将自有数据导入WEKA开展实验。目前已有791人学习下载，适合作为数据挖掘课程配套阅读或自学入门参考。

1. weak操作入门：从 Weka 的 ARFF 到 CSV 数据挖掘的第一公里

很多人第一次打开 Weka，看到那个带鸟的界面，以为拖个 CSV 进去就能跑分类，结果点开 Explorer 的 Preprocess 面板，文件选完直接弹一句“not recognized as an ARFF file”。这不是软件坏了，是 Weka 只认自家那套 ARFF 格式，而手头的数据八成是 CSV。weak 操作入门（数据挖掘）这件事，说白了就是先把数据从 CSV 搬进 ARFF，再让 Weka 的算法跑起来，最后看懂它吐出来的结果。它解决的是“数据挖掘工具链第一公里”的问题，适合刚接触数据挖掘、手里有 CSV 但不知道怎么喂给 Weka 的人，也适合想用 Java 代码把 Weka 嵌进自己流程的开发者。这一章先把概念和选型理由讲清楚，后面几章再动手。

2. ARFF 与 CSV 的格式差异：为什么 Weka 不直接吃 CSV

2.1 ARFF 的头部声明到底在声明什么

ARFF 全称 Attribute-Relation File Format，是 Weka 的原生数据格式。它和 CSV 最大的区别在于：CSV 只有数据，ARFF 在数据前面加了一段头部，用来声明关系名、属性名、属性类型。Weka 的算法在训练前需要知道每一列是数值型还是分类型，因为数值型走的是距离计算，分类型走的是取值枚举，两者在内部的处理路径完全不同。CSV 没有这个声明，Weka 只能靠猜，猜错了就会把分类标签当成连续值去回归，结果自然不对。

一个标准的 ARFF 头部长这样：

@relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature numeric @attribute humidity numeric @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes

@relation后面跟的是数据集名称，随便起但别带空格。@attribute每行声明一个属性，花括号里是分类型属性的所有可能取值，numeric表示数值型。@data之后才是真正的数据行，每行的列顺序必须和属性声明顺序一致。这里有个容易翻车的点：分类型属性的取值如果写成了{sunny,overcast,rainy}，数据行里出现Sunny就会报错，Weka 对大小写敏感。

2.2 CSV 转 ARFF 的三种路径与选型

把 CSV 变成 ARFF，常见做法有三条：用 Weka 自带的 ArffViewer 手动另存、用 Python 的arff库脚本转换、用 Java 调 Weka 的CSVLoader类。手动另存适合一次性小数据，超过几千行就卡得难受。Python 脚本适合批量处理，但要注意arff库对中文和特殊字符的处理有时会出问题。Java 调CSVLoader是最稳的，因为 Weka 本身就是 Java 写的，CSVLoader能自动推断属性类型，还能通过setNominalAttributes手动指定哪些列是分类型。

我一般会先看数据量：小于 5000 行且只做一次，直接 ArffViewer 另存；大于 5000 行或者要反复跑，写个 Python 脚本；如果是要集成到 Java 项目里，直接用CSVLoader。下面给一个 Python 转换的代码块，用的是标准库csv加手写 ARFF 头部，不依赖第三方包，避免环境问题。

import csv def csv_to_arff(csv_path, arff_path, relation_name, nominal_cols): """ csv_path: 输入 CSV 路径 arff_path: 输出 ARFF 路径 relation_name: ARFF 关系名 nominal_cols: 字典，键是列索引，值是取值列表，例如 {0: ['sunny','overcast','rainy']} """ with open(csv_path, 'r', encoding='utf-8') as f: reader = csv.reader(f) header = next(reader) # 第一行作为属性名 rows = list(reader) with open(arff_path, 'w', encoding='utf-8') as f: f.write(f"@relation {relation_name}\n\n") for i, col_name in enumerate(header): if i in nominal_cols: values = ','.join(nominal_cols[i]) f.write(f"@attribute {col_name} {{{values}}}\n") else: f.write(f"@attribute {col_name} numeric\n") f.write("\n@data\n") for row in rows: f.write(','.join(row) + '\n') # 调用示例 csv_to_arff( 'iris.csv', 'iris.arff', 'iris', {4: ['Iris-setosa', 'Iris-versicolor', 'Iris-virginica']} )

这段代码的逻辑很直白：先读 CSV 的头部拿到列名，再逐列判断是否在nominal_cols里，是就写成花括号枚举，不是就写numeric。nominal_cols这个参数是关键，它决定了哪些列被当成分类属性。如果不传，所有列都会变成numeric，分类标签列就会出错。调用示例里{4: [...]}表示第 5 列（索引从 0 开始）是分类标签，取值是三个鸢尾花品种。转换完之后用 Weka 打开iris.arff，Preprocess 面板应该能正常显示所有属性的直方图。

注意：CSV 里的空值在 ARFF 里要写成?，否则 Weka 会报解析错误。上面的代码没有处理空值，实际用的时候要在写数据行之前把空字符串替换成?。

3. 用 Weka Explorer 跑通第一个分类任务：从加载到评估

3.1 加载 ARFF 并检查属性类型

打开 Weka 3.8 以上的版本，点 Explorer，在 Preprocess 面板点 Open file，选刚才生成的iris.arff。加载成功后左侧 Attributes 列表会显示所有属性名，点每一个属性，右侧会显示它的直方图。这里要重点看分类标签那一列：如果直方图是几个离散的柱子，说明类型正确；如果是一条连续的曲线，说明被当成了数值型，需要回到 ARFF 文件把@attribute那行改成花括号枚举。

检查完属性类型，点一下 Edit 按钮，能看到实际的数据行。如果数据行里出现了?，Weka 会把它当成缺失值处理，大部分算法能容忍缺失值，但缺失比例太高会影响结果。我一般会先看缺失值比例，超过 30% 的列直接考虑删掉。

3.2 选择分类器并设置关键参数

切到 Classify 面板，点 Choose，展开 trees 分组，选J48。J48 是 Weka 里的决策树算法，对应 C4.5，适合入门，因为它输出的树结构可以直接看懂。选完之后在 Test options 里选Cross-validation，Folds 填 10，这是最常用的评估方式。然后点 Start，右侧 Classifier output 会输出一大段结果。

J48 有几个参数值得调：-C是剪枝置信度，默认 0.25，调小会让树更简单，调大容易过拟合；-M是每个叶节点的最小实例数，默认 2，数据量小的时候可以调到 5 以上防止过拟合。这些参数在 Choose 旁边的文本框里直接改，比如-C 0.1 -M 5。

3.3 看懂输出里的关键指标

输出里最该看的是这几行：

Correctly Classified Instances 144 96 % Incorrectly Classified Instances 6 4 % Kappa statistic 0.94 Mean absolute error 0.04 Root mean squared error 0.18

Correctly Classified Instances是准确率，但别只看这个。Kappa statistic衡量的是分类器比随机猜测好多少，0.94 说明很好，如果低于 0.4 就要警惕。Mean absolute error和Root mean squared error是误差指标，越小越好。再往下看 Confusion Matrix，能看出哪一类容易被分错。比如 Iris 数据集里，versicolor 和 virginica 经常互相混淆，因为它们的特征重叠度高。

提示：如果准确率很高但 Kappa 很低，说明数据类别不平衡，多数类占了主导，这时候要看每个类别的召回率，不能只看总体准确率。

4. 用 Java 代码调用 Weka：把分类器嵌进自己的流程

4.1 引入 Weka 依赖并读取 ARFF

在 Java 项目里用 Weka，最直接的方式是加 Maven 依赖：

<dependency> <groupId>nz.ac.waikato.cms.weka</groupId> <artifactId>weka-stable</artifactId> <version>3.8.6</version> </dependency>

版本号用 3.8.x 系列，稳定且文档全。加完依赖后，读取 ARFF 的代码：

import weka.core.Instances; import weka.core.converters.ConverterUtils.DataSource; public class WekaDemo { public static void main(String[] args) throws Exception { DataSource source = new DataSource("iris.arff"); Instances data = source.getDataSet(); // 设置最后一列为分类标签 if (data.classIndex() == -1) { data.setClassIndex(data.numAttributes() - 1); } System.out.println("实例数: " + data.numInstances()); System.out.println("属性数: " + data.numAttributes()); } }

DataSource会自动识别 ARFF 格式，getDataSet()返回Instances对象。setClassIndex这行很关键，它告诉 Weka 哪一列是预测目标。如果不设，后面跑分类器会报“class index is not set”。

4.2 训练 J48 并输出评估结果

接着上面的代码，加训练和评估：

import weka.classifiers.trees.J48; import weka.classifiers.Evaluation; import java.util.Random; // 继续在 main 方法里 J48 tree = new J48(); tree.setOptions(new String[]{"-C", "0.25", "-M", "2"}); tree.buildClassifier(data); Evaluation eval = new Evaluation(data); eval.crossValidateModel(tree, data, 10, new Random(1)); System.out.println(eval.toSummaryString()); System.out.println(eval.toMatrixString());

buildClassifier是训练，crossValidateModel做 10 折交叉验证。Random(1)里的种子固定住，保证每次跑结果一致，方便调试。toSummaryString输出准确率、Kappa 等，toMatrixString输出混淆矩阵。这段代码跑出来的结果应该和 Explorer 里手动点出来的差不多，差异来自随机种子和参数微调。

4.3 用训练好的模型预测新数据

训练完的模型可以直接用来预测：

import weka.core.Instance; import weka.core.DenseInstance; // 构造一条新数据，属性顺序和 ARFF 一致 double[] values = new double[data.numAttributes()]; values[0] = data.attribute(0).indexOfValue("sunny"); values[1] = 85; values[2] = 85; values[3] = data.attribute(3).indexOfValue("FALSE"); values[4] = weka.core.Utils.missingValue(); // 标签未知 Instance newInst = new DenseInstance(1.0, values); newInst.setDataset(data); double pred = tree.classifyInstance(newInst); System.out.println("预测类别: " + data.classAttribute().value((int) pred));

分类型属性的值要用indexOfValue转成内部索引，不能直接填字符串。标签列填missingValue()，因为预测的时候标签是未知的。classifyInstance返回的是类别索引，用classAttribute().value()转回可读的字符串。

注意：DenseInstance的构造函数第一个参数是权重，一般填 1.0。如果数据稀疏，用SparseInstance更省内存。

5. 避坑与排查：weak 操作入门最常见的五个翻车点

5.1 现象：Weka 报 “not recognized as an ARFF file”

原因：文件扩展名是.csv或者文件内容头部不是@relation开头。Weka 的 ArffViewer 只认 ARFF 格式，CSV 文件即使改扩展名也没用，因为内容结构不对。

解决：用第 2 章的 Python 脚本转成 ARFF，或者用 Weka 自带的CSVLoader在 Java 代码里加载 CSV 后另存为 ARFF。检查文件第一行是不是@relation，不是就说明格式没转对。

5.2 现象：分类准确率异常高，但实际预测全是同一类

原因：分类标签列被当成了数值型属性，J48 把它当回归树去拟合，输出的“类别”其实是连续值的取整。或者数据类别极度不平衡，多数类占比超过 90%，分类器直接全预测多数类。

解决：检查 ARFF 里标签列的@attribute声明，必须是花括号枚举。如果是数值型，改回枚举。类别不平衡的话，在 Classify 面板的 More options 里选Cost-sensitive evaluation，或者用SpreadSubsample过滤器做欠采样。

5.3 现象：Java 代码里setClassIndex之后仍然报 “class index is not set”

原因：setClassIndex必须在Instances对象上调用，而且索引是从 0 开始的。如果数据有 5 列，标签在最后一列，索引是 4，不是 5。另外，如果先调用了buildClassifier再调setClassIndex，顺序反了也会报错。

解决：在读取数据之后立刻设置setClassIndex(data.numAttributes() - 1)，然后再做任何过滤或训练。如果数据经过过滤器处理，过滤后的Instances对象要重新设置一次。

5.4 现象：CSV 里的中文属性名在 ARFF 里变成乱码

原因：CSV 文件的编码是 GBK，Python 脚本用 UTF-8 读取，或者 ARFF 文件写入时用了系统默认编码。Weka 对 UTF-8 支持最好，GBK 容易出问题。

解决：统一用 UTF-8。Python 脚本里open加encoding='utf-8'，CSV 文件本身也另存为 UTF-8。如果 CSV 是 GBK 且不能改，用encoding='gbk'读取，写入 ARFF 时用encoding='utf-8'。

5.5 现象：交叉验证结果每次跑都不一样

原因：crossValidateModel的随机种子没有固定，或者用了默认的Random()不带参数。Weka 的交叉验证会随机打乱数据，种子不同，划分不同，结果就有波动。

解决：new Random(1)固定种子，1 可以换成任意整数，只要每次跑用同一个就行。如果数据量很小，波动大是正常的，可以多跑几次取平均，或者改用Percentage split并固定随机种子。

6. 进阶技巧：用 Filter 做属性选择与数据清洗

6.1 用 AttributeSelection 筛掉无用属性

数据挖掘里属性太多会拖慢训练速度，还容易过拟合。Weka 的AttributeSelection面板可以自动选属性。在 Preprocess 面板点 Choose，选weka.filters.supervised.attribute.AttributeSelection，然后点它旁边的文本框配置评估器和搜索方法。常用组合是CfsSubsetEval加BestFirst，前者评估属性子集的预测能力，后者做搜索。配置完点 Apply，属性列表会只剩被选中的列。

Java 代码里对应的写法：

import weka.filters.supervised.attribute.AttributeSelection; import weka.attributeSelection.CfsSubsetEval; import weka.attributeSelection.BestFirst; AttributeSelection filter = new AttributeSelection(); CfsSubsetEval eval = new CfsSubsetEval(); BestFirst search = new BestFirst(); filter.setEvaluator(eval); filter.setSearch(search); filter.setInputFormat(data); Instances filteredData = Filter.useFilter(data, filter);

setInputFormat是必须的，它让过滤器知道数据的结构。Filter.useFilter返回过滤后的新数据集，原来的data不变。过滤后的数据要重新setClassIndex，因为列数变了。

6.2 用 Discretize 把连续值转成区间

有些算法（比如 Apriori 关联规则）只接受分类型属性，数值型必须先离散化。weka.filters.unsupervised.attribute.Discretize可以把连续值分成若干个区间。默认分 10 个箱，可以用-B参数改箱数，比如-B 5分成 5 段。

import weka.filters.unsupervised.attribute.Discretize; Discretize disc = new Discretize(); disc.setOptions(new String[]{"-B", "5"}); disc.setInputFormat(data); Instances discretized = Filter.useFilter(data, disc);

离散化之后，原本的数值列会变成(inf-10]、(10-20]这样的区间标签。箱数不是越多越好，5 到 10 之间比较常用，具体看数据分布。如果数据本身就有明显的分界点，可以用-R参数指定要离散化的列，不指定的列保持不变。

6.3 一个完整的验证习惯

我自己的习惯是：每次转换完 ARFF，先用 Explorer 的 Preprocess 面板过一遍，看属性类型和直方图；然后跑一次 J48 的 10 折交叉验证，记下准确率和 Kappa；再用 Java 代码跑同样的数据和参数，对比结果是否一致。如果两边差异超过 2%，说明某一步的参数或数据划分不一致，要回去查。这个习惯帮我省了很多“为什么代码跑出来和界面不一样”的后悔药。希望帮到你。

本文还有配套的精品资源，点击获取