使用 Weka 创建决策树答案

【问题标题】：Using Weka to Create a Decision Tree使用 Weka 创建决策树
【发布时间】：2021-05-16 20:55:29
【问题描述】：

我在看书 Jason Bell - 机器学习 - 开发人员和技术专业人士的动手实践。 EAN 9781119642251 约翰威利父子出版社

先生。贝尔在书中有读者应该自己做的例子。

我对第 5 章的示例有疑问 - 使用 Weka 创建决策树。目标是用WEKA Toolkit 创建一个决策树。我使用版本 3.8.5。训练集提供here。

我必须做的唯一步骤是：

打开 Weka 程序
单击“资源管理器”按钮。
单击“打开文件”按钮并选择名为 ladygaga.arff 的数据文件。
单击顶部按钮行中的“分类”按钮。
在分类器窗格中，单击选择按钮并选择树菜单标题下的 J48 选项。
单击开始按钮并观察分类器输出窗口

我的问题从这里开始。我的输出与书中的完全不同。

书：

J48 pruned tree
------------------
placement = end_rack: yes (5.0/1.0)
placement = cd_spec
| pricing <= 80: yes (2.0)
| pricing > 80: no (2.0)
placement = std_rack
| eye_level = TRUE: yes (2.0)
| eye_level = FALSE: no (3.0)
Number of Leaves : 5
Size of the tree : 8

我的输出：

J48 pruned tree
------------------

eye_level = TRUE: yes (6.0/2.0)
eye_level = FALSE: no (8.0/3.0)

Number of Leaves:   2

Size of the tree :  3

这完全不同。 :-D 我不明白为什么。

有人也做过这个例子吗？我错过了书中的说明步骤吗？还是书上没有写必要的设定？

【问题讨论】：

标签： java machine-learning weka decision-tree

【解决方案1】：

提供的数据文件是错误的，如果你按照这个改变数据，你会得到和书一样的结果。

@relation ladygaga
 
@attribute placement {end_rack, cd_spec, std_rack}
@attribute prominence numeric
@attribute pricing numeric
@attribute eye_level {TRUE, FALSE}
@attribute customer_purchase {yes, no}
 
@data
end_rack,85,85,FALSE,yes
end_rack,80,90,TRUE,yes
cd_spec,83,86,FALSE,no
std_rack,70,96,FALSE,no
std_rack,68,80,FALSE,no
std_rack,65,70,TRUE,yes
cd_spec,64,65,TRUE,yes
end_rack,72,95,FALSE,yes
end_rack,69,70,FALSE,yes
std_rack,75,80,FALSE,no
end_rack,75,70,TRUE,no
cd_spec,72,90,TRUE,no
cd_spec,81,75,FALSE,yes
std_rack,71,91,TRUE,yes

【讨论】：