資料科學家第一週

資料分類

• 訓練資料集 - 用以分析出決策樹、模型
• 測試資料集 - 用以驗證決策樹與模型的準確性

編號	貸款	婚姻狀況	應稅收入	違約
	類別型變數	類別型變數	連續型變數	目標變數
1	是	單身	125K	否
2	否	已婚	100K	否
3	否	單身	70K	否
4	是	已婚	120K	否
5	否	離異	95K	是
6	否	已婚	60K	否
7	是	離異	220K	否
8	否	單身	85K	是
9	否	已婚	75K	否
10	否	單身	90K	是

• 類別型尺度 = 名目尺度 = 離散型尺度
• 連續型尺度
• 目標變數 ( 可為類別型，也可為連續型，第二週有說明 )

資料分群

找出資料點之間的關聯，資料點之間相近、相似的一群資料，會有群特性，如以下舉例

洗面乳+毛巾

牙刷+洗面乳->牙膏

演算法原則： 群內距離最小化 群間距離最大化

WEKA 中文 UTF-8 說明

報告老師，問題搞定了 我注意到其實 runweka.ini 內的註解就有寫道以下，並照著做更改即可

The file encoding; use "utf-8" instead of "Cp1252" to display UTF-8 characters in the GUI, e.g., the Explorer fileEncoding=utf-8

做完以上設定後，WEKA 將以 utf-8 的格式來讀取檔案，即可正確讀取中文檔如下圖

然而我們在製作 .arff 檔的時候要注意也要記得在儲存時也必須以 utf-8 的格式做儲存 我使用的編輯器 notepad++ 預設就是使用 utf-8 做編碼儲存檔案 但若是使用 windows 內建的筆記本，就要在儲存檔案時手動更改編碼方式 將預設的 ANSI 改成 UTF-8，如下圖所示

結論

1. 我們製作的資料檔案，存檔時要用 utf-8 存檔
2. 使用 weka 讀取檔案時，要設定用 utf-8 來讀檔

優點：使用 utf-8 後，萬國碼可暢行無阻，例如日文