企业官网建设流程全解析

简介：这份文档面向刚接触数据挖掘、希望快速上手 WEKA 的读者，围绕 WEKA 平台的基础操作与数据准备展开，适合课程实验、入门练习和算法初探场景。压缩包内共 1 个 doc 文件，约 172KB，篇幅集中，便于按主题通读或随查随用。内容从 WEKA 的开放接口与主要功能切入，介绍数据预处理、分类、回归、聚类、关联规则及可视化等模块，说明实例、属性、关系等核心术语，并重点梳理 ARFF 文件的头信息、属性声明、数据类型与数据区结构；同时提及 CSV 等外部数据的转换准备，可帮助读者理解 WEKA 的数据组织方式并完成基础操作。已有 792 人学习，说明其对入门者具有较稳定的参考价值；对于需要建立数据挖掘工具使用框架、后续开展分类聚类实验的读者，这份文档可作为轻量级起步材料。

1. 搜「weak 操作入门」的人，最后装的都是 WEKA

十有八九是拼错了：想找的是 WEKA，不是 weak。这个跑数据挖掘的老家伙是一套开源机器学习工作台，界面朴素，但预处理、分类、回归、聚类、关联规则、可视化这些活它都能接，而且不用写一行代码就能把一份 CSV 从头跑到出结果。刚上手数据挖掘、手上只有 Excel 和一份业务表的人最适合从它切入：不用先折腾环境，打开就能看见数据长什么样、分布偏不偏、离散化之后分箱落在哪。它把「数据挖掘」这件事拆成了看得见的按钮和参数，代价是它对数据格式有洁癖——喂进去的东西不合规，界面就直接报错给你看。

2. ARFF 文件格式：三段结构、四种类型和三条硬规矩

WEKA 只认一种原生格式，ARFF（Attribute-Relation File Format），本质是一份 ASCII 文本。它把所有数据集都看成二维表：一行是一个实例（Instance），相当于统计里的一个样本、数据库里的一条记录；一列是一个属性（Attribute），相当于一个变量或一个字段；整张表叫一个关系（Relation）。这套术语听着绕，落到文件里其实就是三段结构，看懂之后你手改数据都不慌。

2.1 头信息、属性声明、数据体：三段各管什么

一份合法 ARFF 去掉%开头的注释行之后，只剩两大部分：头信息（Head information）和数据信息（Data information）。头信息里第一行有效内容声明关系名，接着每个属性一行@attribute，最后用@data标记把数据体切开。拿 WEKA 自带的 weather 数据集举例，结构是这样的：

% 这是一个注释行，WEKA 读取时会整行忽略 @relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature real @attribute humidity real @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes rainy,70,96,FALSE,yes rainy,68,80,FALSE,yes rainy,65,70,TRUE,no overcast,64,65,TRUE,yes sunny,72,95,FALSE,no sunny,69,70,FALSE,yes rainy,75,80,FALSE,yes sunny,75,70,TRUE,yes overcast,72,90,TRUE,yes overcast,81,75,FALSE,yes rainy,71,91,TRUE,no

@relation后面跟关系名，字符串里如果有空格，必须用单引号或双引号包起来，比如@relation 'bank data'。声明顺序不是装饰：@attribute出现的先后顺序，直接决定了@data区里逗号分隔的每一列对应哪个字段。weather 里 humidity 是第三个声明的属性，所以数据区第三列 85、90、86、96 就是 humidity 的值，你把两条@attribute行调换位置，整份数据的语义就全错了，而且 WEKA 不会报错，它只会安静地算出一堆垃圾结果。

还有一条容易被忽略的规则：最后一个声明的属性被当作 class 属性，也就是分类或回归任务默认的目标变量。weather 里 play 排在最后，所以它自动成为类别列。你把标签列放在第一列，Explorer 打开后分类面板的目标变量就是空的，得手动去设，凡是流程里写死了「最后一列是 class」的脚本都会跟着崩。

2.2 四种数据类型：numeric、nominal、string、date

WEKA 支持的属性类型只有四种，认清它们比记命令重要，因为后面 90% 的报错都源于类型判断错了。

日期类型的声明是@attribute <name> date [<date-format>]，方括号里是解析和显示格式，省略时默认按yyyy-MM-dd'T'HH:mm:ss这种 ISO-8601 组合解析。格式串本身要用单引号包住内部的字符，比如@attribute ts date 'yyyy-MM-dd HH:mm:ss'。这里有个血泪经验：数据区里的日期字符串必须严格符合声明里的格式，多一个空格、少一个前导零，整行就会解析失败，报出来的错还只说「line N: 无法解析」，不告诉你到底哪一位对不上。稳妥做法是先把日期列当string读进来，用 Filter 转成 date，转成功了再回去改声明。

nominal 属性的坑更隐蔽。取值列表里只要出现逗号、空格、花括号、引号这类字符，单个取值就得加引号，写成{'New York','Los Angeles'}。不加引号的话 WEKA 会把一个值切成两个，于是你得到一列取值数翻倍的 nominal 属性，而且不报错。

2.3 缺失值与稀疏格式：?和花括号两种写法

数据体里的缺失值统一写?，不要写 NULL、NA、空字符串，WEKA 只认问号这一个符号。空字段和?在语义上不同，前者会被当成空字符串，后者才是真正的 missing。

当你的数据极度稀疏——比如几千个商品 ID 做列、每行只有十几个非零值——用常规的逗号分隔会写出一堆零，文件体积爆炸。这时用稀疏格式，一行写成{0 1, 5 3.5, 12 yes}，花括号里是「属性下标 值」的键值对，下标从 0 开始，没列出来的属性一律视为 0 或缺失。稀疏格式和普通格式不能在同一份文件里混用，@data之后要么全是普通行，要么全是花括号行。

2.4 手工修改 ARFF 的三条硬规矩

实际项目里改 ARFF 是家常便饭，尤其是把children这种只取 0、1、2、3 的数值列改成 nominal。改之前记住三条：

第一，改类型声明之前先确认这一列所有取值都在新取值集合里。声明成{0,1,2,3}但数据里冒出一个 4，WEKA 直接报「value not declared」，整份文件打不开，你得回去数哪一行越界了。

第二，改 nominal 的取值列表顺序会影响内部编码。WEKA 内部把 nominal 值映射成 0、1、2 的索引，顺序一变，之前训好的模型里那些阈值就全错位了。要么一次定死不再改，要么改了之后重训。

第三，改完一定要重新打开验证。Explorer 里选中那一列，区域 6 的 Type 从 Numeric 变成 Nominal，说明改对了；如果还是 Numeric，多半是你改的是副本，或者文件编码带了 BOM 导致第一行@relation没被识别，整份头信息被当成了数据。

提示：ARFF 用 UTF-8 保存，别用带 BOM 的 UTF-8。BOM 藏在文件开头，肉眼看不见，WEKA 读到之后会把第一个@relation当成非法行跳过，然后属性数量对不上，报错信息驴唇不对马嘴。

3. CSV 转 ARFF 的三条路线：命令行、GUI 和 Java API

现实里的数据几乎不会是 ARFF。业务系统导 Excel、统计脚本吐 CSV、数值计算环境存矩阵，这些格式 WEKA 都能接，但都得先转一道。转换本身不难，难在转换过程中类型判断错了你还不知道，等到建模阶段才发现某一列被当成了字符串。下面三条路线按使用频率排，各有各的适用边界。

3.1 路线一：Simple CLI 里的一行命令

启动 WEKA 主程序，GUI 下方有一排按钮，点进 Simple CLI 模块，窗口最下方是输入框（上方那块是只读输出区，敲不进去字）。直接输入：

java weka.core.converters.CSVLoader bank-data.csv > bank-data.arff

回车执行，输出区会打印转换过程中的信息。这行命令干的事情是：调用weka.core.converters.CSVLoader读入 CSV，默认把第一行当表头解析成属性名，把每个字段自动推断成 numeric 或 nominal，然后把结果以 ARFF 格式打到标准输出，重定向到文件。因为是在 WEKA 运行时内部执行，不用额外指定 classpath。

自动推断的规则是：整列都能解析成数字就当 numeric，否则当 nominal。这条规则在两种情况下会翻车。一是 ID 列，1001, 1002, 1003全数字，被当成 numeric，于是 WEKA 认为这个变量有连续取值，算均值算方差，毫无意义。二是本该是 nominal 的数字编码列，比如sex列存的是 0/1，被推断成 numeric，后面所有只接受 nominal 的算法全用不了。这两种情况都要在转换后手工改声明，或者用后面 3.3 的 API 显式指定。

CSVLoader 还支持几个实用参数，值得记一下：

-F的参数写法是逗号分隔的列索引，支持区间，比如-F 2,5,7-10。注意列号从 1 开始数，和 Explorer 里属性列表左边显示的数字一致。

3.2 路线二：Explorer 打开再另存

不想碰命令行的话，在 Explorer 的 Preprocess 面板点 Open file，文件类型下拉框选 CSV，选中文件打开，WEKA 会走同一套推断逻辑。打开之后点 Save，类型选 ARFF，另存即可。这条路的额外价值是你能立刻在区域 5 看到每一列被推断成了什么类型，在区域 6 看到选中列的摘要（Type、Missing 数量、Distinct 数量、Min/Max、均值标准差），类型错了当场就能发现。

前置环节也有讲究。Excel 的 xls 文件可以放多张工作表，而 WEKA 一次只认一张表，所以必须切到目标工作表，另存为 CSV，遇到「只保存当前工作表」的提示点确定。数值计算环境里存的矩阵用csvwrite('bank-data.csv', matrixname)这类命令导出，导出的文件通常没有属性名，得先用文本编辑器手工补一行表头，属性名个数必须和列数严格一致，用逗号分隔，少一个多一个都会让后面的解析整体错位。

补表头这件事看着琐碎，它是新手最容易翻车的一步。源文件没有表头时，WEKA 会把第一行数据当成属性名，于是你的属性名变成25,43,1这种非法字符串，属性声明直接失败；更糟的情况是第一行恰好能解析，于是第一条样本静默消失，你拿 999 条数据训练却以为是 1000 条。

3.3 路线三：Java API 批量转换并锁定类型

数据集一多，命令行一行行敲就不现实了。用 Java API 写个小工具，把类型判断规则固化下来，以后每次转换都跑同一套逻辑，口径才不会漂。下面这段可以直接编译运行，把weka.jar加进 classpath：

import java.io.File; import weka.core.Instances; import weka.core.converters.ArffSaver; import weka.core.converters.CSVLoader; public class Csv2Arff { public static void main(String[] args) throws Exception { File in = new File(args[0]); File out = new File(args[1]); CSVLoader loader = new CSVLoader(); loader.setSource(in); loader.setFieldSeparator(','); // 分隔符，分号表改成 ';' loader.setNoHeaderRowPresent(false); // 第一行是表头 loader.setMissingValue("?"); // 源文件的缺失标记 loader.setNominalAttributes("2,5,7-10"); // 强制这些列按分类读 Instances data = loader.getDataSet(); // 一次性读入内存 ArffSaver saver = new ArffSaver(); saver.setInstances(data); saver.setFile(out); saver.setDestination(out); // 3.6 之后必须显式设置 saver.writeBatch(); System.out.println(data.numInstances() + " 条 / " + data.numAttributes() + " 列"); } }

编译运行两行命令：

javac -cp weka.jar Csv2Arff.java java -cp .:weka.jar Csv2Arff bank-data.csv bank-data.arff

逻辑很直白：CSVLoader负责读，setNominalAttributes把「看起来像数字但其实是编码」的列钉死成 nominal，getDataSet()一次性把整份数据装进Instances对象，ArffSaver负责写。三处参数最值得改：setFieldSeparator遇到分号或制表符分隔的表必须换；setMissingValue要和源文件一致，源文件用\N你就写\N；setNominalAttributes的列号列表是从业务语义出发的，写完最好回头看一眼生成的 ARFF 头信息确认无误。

getDataSet()是批量读取，整份数据驻留内存，百万行级别的表需要调大堆内存：java -Xmx4g -cp .:weka.jar Csv2Arff ...。如果你的数据真到了这个量级，更合适的是用增量转换，边读边写，但那需要自己实现Loader和Saver的流式接口，日常项目一般用不上。

3.4 转换之后必须做一次列数校验

不管走哪条路线，转完都别急着建模。写个十几行的校验脚本，把每行的字段数和@attribute声明数对一遍，能挡掉绝大多数低级问题：

import csv, sys def check(path): n_attr, in_data, bad = 0, False, [] with open(path, encoding='utf-8-sig') as fh: # utf-8-sig 顺手吃掉 BOM for lineno, raw in enumerate(fh, 1): line = raw.strip() if not line or line.startswith('%'): # 空行与注释跳过 continue low = line.lower() if low.startswith('@attribute'): n_attr += 1 elif low.startswith('@data'): in_data = True elif in_data and not line.startswith('{'): cols = next(csv.reader([line], skipinitialspace=True)) if len(cols) != n_attr: bad.append((lineno, len(cols))) return n_attr, bad n, bad = check(sys.argv[1]) print(f"属性数 {n}，错行列数 {len(bad)}") for lineno, cnt in bad[:10]: # 只打印前 10 条 print(f" 第 {lineno} 行有 {cnt} 列")

这段脚本按行扫，遇到@attribute计数，遇到@data之后开始比对列数，csv.reader负责处理引号包裹的取值。有个已知局限：它按双引号规则解析，而 ARFF 允许单引号，遇到含逗号的单引号取值可能误判，所以报出来的错行要人工复核一眼。跑通之后你会拿到一个很实在的数字——如果有错行，说明源 CSV 里有未转义的逗号藏在字段内部，那才是真正要修的地方。

4. Explorer 八大区域实战：删列、改类型、离散化

Explorer 是 WEKA 里用得最多的模块，界面初看密密麻麻，按功能切成八块之后就清楚了。区域 1 是一排选项卡，切换 Preprocess、Classify、Cluster、Associate、Select attributes、Visualize 六类任务面板，日常九成时间待在 Preprocess。区域 2 是常用按钮组：打开文件、打开 URL、连数据库、生成随机数据、撤销、编辑、保存。区域 3 是 Filter 选择区，Choose旁边那个文本框显示当前选中的过滤器及其参数，点它弹窗改参数。区域 4 显示数据集概况：关系名、实例数、属性数。区域 5 列出所有属性，左边数字是列下标，前面有勾选框，上方一排按钮做批量勾选（All、None、Invert、Pattern）。区域 6 是选中属性的摘要，数值型和分类型的摘要项目不同。区域 7 是直方图，默认按 class 着色。区域 8 是状态栏，右侧那只鸟在动就说明任务还在跑，右键可以手动触发垃圾回收。

4.1 删掉 ID 列和明显无用的字段

业务表里通常有一两列是纯标识符，比如客户编号、订单流水号。这类列对挖掘任务毫无贡献，数值型还会把均值方差算歪，第一步就该删。

在区域 5 勾选id，点区域 2 的Remove，列就没了。误删了按Undo能找回来，但 Undo 只回退一步，连续删三列就找不回第一列了，所以删之前先 Save 一份。

同样的效果用 Filter 也能做，而且可复现：

java -cp weka.jar weka.filters.Filter \ -F "weka.filters.unsupervised.attribute.Remove -R 1" \ -i bank-data.arff -o bank-data-no-id.arff

-R 1表示删第 1 列。要删多列写-R 1,5,7-9；反过来保留指定列用-V。weka.filters.Filter这个入口是通用的，-F后面跟任意过滤器的完整类名加参数，所有预处理都能这么串。

4.2 类型纠偏：把只有四个取值的数值列改成 nominal

bank-data 数据集里有三个数值列：age、income、children。其中children只取 0、1、2、3 四个值，本质上是分类变量。有些算法（比如只处理 nominal 的朴素贝叶斯变体）要求所有属性都是分类型，这时候就得改声明。

最简单的改法是在文本编辑器里把这一行：

@attribute children numeric

改成：

@attribute children {0,1,2,3}

保存，回 Explorer 重新打开，选中children，区域 6 里 Type 显示 Nominal 就说明改对了。这一步看着粗糙，但比走 Discretize 过滤器更精确——你明确知道应该分成几类、边界在哪，而不是让算法替你猜。

4.3 Discretize 的参数：-B、-M、-R 到底怎么定

age和income这种真正连续的变量，要变成分类型就得靠离散化。区域 3 点Choose，在过滤器树里逐级找到weka.filters.unsupervised.attribute.Discretize，点中后文本框会显示类似Discretize -B 10 -M -0.1 -R first-last的默认参数串（不同小版本显示略有差异）。点这个文本框弹出参数窗口，逐项改。

-R这一项一定要改。默认first-last会把所有数值列都离散化，包括你不想动的列；而且如果 class 属性恰好是数值型，它也会被一起切碎，后面的分类任务直接失效。bank-data 里需要离散化的是第 1 列和第 4 列（区域 5 属性名左边的数字就是列号），所以-R填1,4。计划各分 3 段，-B改成 3，其余不动，点 OK 回到主界面，再点Choose右边的Apply，区域 5 里age和income的 Type 立刻变成 Nominal。

等宽和等频的差别值得单独说一句。等宽是把数值范围均分成若干段，遇到收入这种长尾分布，可能 95% 的样本全落在第一个箱里；等频是让每个箱里的样本数大致相等，分布再偏也能切匀，代价是箱的边界变成难看的浮点数，业务上不好解释。选哪个取决于下游是给业务看还是给模型用。

4.4 把(-inf-34.333333]换成看得懂的标签

Discretize 生成的 nominal 取值是区间表达式，形如(-inf-34.333333]，看着头疼，而且到报告里没法交差。改法是保存 ARFF 之后用文本编辑器打开，把每一处区间字符串统一替换成业务语义的标签，比如(-inf-34.333333]全部替换成0_34，(34.333333-56.666667]替换成35_56，依次类推。

替换要注意两点。一是区间表达式里含有括号、减号、点号，某些文本编辑器会把这些当正则元字符，务必用「纯文本替换」而不是正则替换，否则可能只替换掉一部分。二是替换后的标签不能重名，也不能和别的 nominal 属性的取值冲突——虽然 ARFF 不禁止，但做可视化时图例会糊成一片。

5. 避坑与排查：五条反复出现的翻车记录

预处理这条链路上，报错信息普遍不友好，WEKA 经常只丢一句「Problem reading file」就没了。下面五条是反复出现、且每次都要重新想一遍的问题，记下来能省不少时间。

5.1 现象：实例数比预期少一条，属性名变成了一堆数字

原因：源 CSV 没有表头，CSVLoader 默认把第一行当属性名解析，于是第一条样本被吃掉，属性名变成25、43、1这种非法字符串。

解决：转换前给源文件补一行表头，或者在命令行加-H让加载器自己生成Attribute0、Attribute1。补表头更推荐，属性名有意义，后面看摘要和建模型都省事。补完之后重新跑一遍 3.4 的校验脚本，确认实例数对得上。

5.2 现象：分类面板里找不到目标变量，或者目标变量选错了列

原因：WEKA 默认把最后一个声明的属性当 class，而源数据里标签列放在了中间，或者干脆没有标签列。

解决：两个方向。要么在 ARFF 里把标签列挪到最后（同时调整@data区每一列的逗号顺序，这一步很容易漏），要么在 Preprocess 面板底部那个None下拉框里手动指定 class 属性。手动指定更安全，因为它不改文件结构。要提醒的是，手动指定的设置不会自动保存到 ARFF 里，下次重新打开又变回默认，所以脚本化流程里最好显式写data.setClassIndex(n)。

5.3 现象：Apply 之后报「attribute is not numeric」，或者离散化没生效

原因：-R指定的列里混进了 nominal 属性，Discretize 只处理数值列，遇到分类型直接抛异常。另一种情况是你选的过滤器并不是 Discretize，Choose树点偏了一格，参数看着像但类名不对。

解决：先看区域 3 文本框里的完整类名是不是weka.filters.unsupervised.attribute.Discretize，再对照区域 5 的数字确认-R里列的每一列 Type 都是 Numeric。改完之后记得点Apply才真正作用到数据集上，只改参数不点 Apply，界面不会有任何变化，很容易误以为参数没生效。

5.4 现象：设了-B 3，结果分出来 5 个箱

原因：-M打开了 MDL 准则，此时-B不再是固定箱数，而是箱数的上限，MDL 会在这个上限内自己挑一个它认为最优的数量。

解决：要固定箱数就把-M关掉。反过来，如果你希望算法自己决定切几段，就别纠结-B的实际效果，接受它给出的结果，然后在业务层面检查每个箱的样本量是否够——某个箱里只有两三条样本，说明这个分箱对模型没有任何信息量。

5.5 现象：大文件读到一半抛 OutOfMemoryError，或者中文列名变乱码

原因：前者是整份数据一次性载入内存，默认堆内存不够；后者是文件编码不是 UTF-8，或者带了 BOM。

解决：内存问题加-Xmx参数，命令行写成java -Xmx4g -cp weka.jar ...，图形界面则改启动脚本里的 JVM 参数。真要处理超出内存的数据，就得换增量加载的路子，或者先在数据库侧做聚合。编码问题用不带 BOM 的 UTF-8 重新保存，然后把属性名里的中文尽量换成英文短名——不是 WEKA 不支持中文，而是中文列名在导出报告、跨工具传递时到处是坑，早换早省心。

6. 把预处理固化成流水线：命令行串起来 + FilteredClassifier

图形界面点着顺手，但它有个致命问题：不可复现。同一个人隔一周再点一遍，-R可能填成1-4，-B可能顺手改成 5，最后模型效果对不上，你还得回头猜是哪一步不一样。我的做法是先用 Explorer 把参数试出来，试好之后立刻翻译成命令行，固化成脚本。

#!/usr/bin/env bash set -euo pipefail # 任何一步失败立刻停，别带着错数据往下跑 JAR=/opt/weka/weka.jar # 换成你本机的路径 # 1) CSV 转 ARFF，先把编码列钉成 nominal java -cp "$JAR" weka.core.converters.CSVLoader \ -F 2,5,7-10 bank-data.csv > step1.arff # 2) 删掉 ID 列 java -cp "$JAR" weka.filters.Filter \ -F "weka.filters.unsupervised.attribute.Remove -R 1" \ -i step1.arff -o step2.arff # 3) 只对第 1、4 列做等宽离散化，各分 3 箱 java -cp "$JAR" weka.filters.Filter \ -F "weka.filters.unsupervised.attribute.Discretize -B 3 -R 1,4" \ -i step2.arff -o step3.arff

三步各自独立、每步落一个中间文件，出问题时能精确知道是哪一步坏的，这比一步到位的长管道好排查得多。set -euo pipefail那行别省，WEKA 的过滤器在某些情况下返回码是 0 但输出文件是空的，光靠返回码判断不住，所以脚本末尾最好再加一句产物检查——文件存在且非空才算过。

更值得花时间的是第二件事：把预处理和模型绑在一起。很多人先在 Preprocess 面板把数据离散化，再切到 Classify 面板训练，训练完保存模型，上线时拿一份新的原始数据直接丢给模型打分。这里有个隐蔽的不一致——模型是在离散化之后的数据上训的，而新数据没走同一个离散化，箱的边界对不上，打出来的分数全是错的，而且不会报错，只是效果莫名其妙地差。

WEKA 给的解法是FilteredClassifier：把过滤器包在分类器内部，训练和预测时自动走同一套预处理。

import weka.classifiers.meta.FilteredClassifier; import weka.classifiers.trees.J48; import weka.filters.unsupervised.attribute.Discretize; import weka.core.Instances; import weka.core.converters.ConverterUtils.DataSource; DataSource src = new DataSource("step2.arff"); Instances data = src.getDataSet(); data.setClassIndex(data.numAttributes() - 1); // 最后一列是标签 Discretize dis = new Discretize(); dis.setAttributeIndices("1,4"); dis.setBins(3); FilteredClassifier fc = new FilteredClassifier(); fc.setFilter(dis); // 预处理挂进模型 fc.setClassifier(new J48()); // 分类器本体 fc.buildClassifier(data);

这样保存下来的模型文件里带着过滤器参数，预测时喂原始数据进去，内部会先跑一遍离散化再分类。参数口径这件事，一旦落到代码里就不需要靠人的记忆维持了。

参数速查留一份，方便回来对：

从那以后我每次做数据预处理，都强制自己走一遍「GUI 试参 → 命令行固化 → FilteredClassifier 打包」这三步，哪怕只是一个几十行的玩具数据集。因为踩过一次上线后分数全歪、排查两天才发现是新数据没走离散化的坑，那种感觉不想再体验第二次。希望帮到你。

本文还有配套的精品资源，点击获取