简介：这份 WEKA 中文详细教程 PPT 面向数据挖掘与机器学习入门学习者及课程教学场景，适合高校课程实验、初学者自学与教师备课参考，围绕 WEKA 的界面操作与完整分析流程展开，帮助读者解决工具上手难、概念学习与实验操作脱节的问题。压缩包内共 1 个 PPT 文件，大小约 14.29MB，以幻灯片形式集中呈现图文讲解、界面截图与操作要点，便于课堂演示或个人按章节自学。教程内容覆盖 WEKA 简介、ARFF 数据集、数据准备与预处理、分类、聚类、关联规则、属性选择、数据可视化及知识流界面，并对 Explorer 环境的八个功能区域、筛选器使用、属性摘要与直方图查看等细节作出说明，同时涉及实例、属性及关系等基础概念，从数据导入、模型训练到结果解释形成较完整的学习路径。已有 167 人学习，适合希望系统梳理 WEKA 基础操作、理解数据挖掘任务组织方式并用于课程实验的读者参考。

1. 从四个环境到八个区域：这份 WEKA 中文详细教程到底解决什么问题

很多人第一次打开 WEKA，是被人丢过来一句「拿这个跑一下分类」，然后对着四个环境、八个区域不知道从哪下嘴。这份 WEKA 中文详细教程 PPT 就是冲这个场景做的课程资源：从 ARFF 数据集讲起，一路铺到数据准备、数据预处理、分类、聚类、关联规则、选择属性和可视化，章节目录基本照着 Explorer 界面从左到右排，翻到哪一页就能对上界面里的哪个面板。图多字少，适合两类人：一类是要交课程实验、需要按步骤截图写报告的在校生；另一类是从没碰过 WEKA、但手头有一份 CSV 想快速跑出基线结果的工程师。它不讲公式推导，讲的是界面怎么点、参数在哪改、结果怎么读。下面按我实际跑一遍的顺序拆开说。

2. ARFF 文件结构：三段式声明与四种数据类型怎么摆

WEKA 只认.arff，这是绕不开的第一道门。教程把 ARFF 拆成头信息和数据信息两部分，这个划分很关键，因为后面九成的加载报错都出在头信息上。头信息里先声明关系，再逐行声明属性；数据信息从@data开始，一行一个实例，逗号分隔。整个文件是纯 ASCII 文本，用记事本就能改，但改错一个花括号就会让整列变成缺失值，这一点在第 5 章会展开。

2.1 关系声明、属性声明与数据段的顺序约束

关系声明是文件里第一个有效行，格式为@relation <关系名>，名字带空格就得加英文引号。属性声明以@attribute开头，每条给出属性名和数据类型，声明顺序就是数据列的物理顺序，第 0 条声明对应数据行里第一个逗号前的值。最后一条声明的属性在分类和回归任务里被当作默认目标变量，也就是类标。数据段以@data单独一行开始，之后每行一条记录。

% 百分号开头的行是注释，WEKA 读的时候整行跳过 @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

这段就是教程里反复引用的天气数据集结构，五个属性、十四条实例。逻辑上有三处不能错位：第一，@relation必须出现在所有@attribute之前；第二，标称属性的花括号集合必须覆盖数据段里出现的每一个取值，多一个无所谓，少一个直接报nominal value not declared；第三，数据段每行的字段数必须等于属性声明条数，少一个字段后面所有列整体前移，而且 WEKA 不一定报错，只会安静地算出离谱结果。参数上没什么可调的，@relation的名字只影响日志显示，真正决定行为的是属性声明的顺序和类型。

2.2 四种数据类型的写法与大小写陷阱

教程明确列了四种类型，我按实际使用频率补了备注：

关键字大小写这件事教程专门点了一句，很容易被跳过：relation、attribute、data三个标记不区分大小写，写成@RELATION也能读；但numeric、real、integer、string、date这些类型关键字区分大小写，写成Numeric会被当成一个叫 Numeric 的标称类型或者直接报错。我见过最冤的一次翻车是批量替换把real改成了Real，文件能打开，但那一列全被解析成缺失值，后面跑出来的均值全是问号。

缺失值统一写?，不要写空、不要写NULL、不要写NaN。稀疏数据可以用{索引 值, 索引 值}的花括号形式，索引从 0 开始，没写到的位置默认是 0 而不是缺失，这一点跟 libsvm 的习惯一致，用在文本词频矩阵上能省不少空间。

2.3 从 CSV 到 ARFF：两条转换路径的取舍

手头的数据绝大多数是 CSV 或 Excel，直接改后缀名是没用的。教程里提到在 Explorer 里打开 CSV 再另存为 ARFF，这条路适合小文件、字段干净的情况；字段一多、编码一乱，我一般直接走命令行转换，省得在界面上反复点。

# 用自带的 CSVLoader 做转换，输出重定向到目标 arff java -cp weka.jar weka.core.converters.CSVLoader \ -E GBK \ -F "," \ -M "NA" \ -B 2000 \ data/orders.csv > data/orders.arff

参数逐个说：-E指定源文件字符编码，Windows 上导出的中文 CSV 多是 GBK，不写就按 UTF-8 读，读出来是乱码而且不报错；-F指定分隔符，默认逗号，遇到分号分隔的地区格式要改；-M指定哪个字符串代表缺失值，源文件里写NA、null、-的都能映射成?；-B是批量读取的行数，大文件调大能快一些。转换完第一件事不是急着跑算法，而是回来看一眼属性列表：CSVLoader 会把纯数字列猜成 numeric，把其余列猜成 nominal，猜错的情况很常见，比如把带前导零的编号猜成数值，转换后前导零全丢。

需要精确控制类型时，我宁愿写十几行脚本自己拼 ARFF，比在界面上反复试快：

import csv # 属性声明顺序 = 输出数据列顺序，必须与 CSV 表头一一对应 schema = [ ("order_id", "string"), ("channel", "{app, web, store}"), ("amount", "real"), ("is_refund", "{yes, no}"), ] with open("orders.csv", newline="", encoding="gbk") as fin, \ open("orders.arff", "w", encoding="utf-8") as fout: fout.write("@relation orders\n\n") for name, dtype in schema: fout.write(f"@attribute {name} {dtype}\n") fout.write("\n@data\n") reader = csv.reader(fin) next(reader) # 丢掉 CSV 表头 for row in reader: # 空串一律转成 ?，否则 WEKA 会把空串当成一个合法的标称取值 cells = [c.strip() if c.strip() else "?" for c in row] fout.write(",".join(cells) + "\n")

这段脚本的关键不在语法，在schema这个列表：它同时决定了属性声明和数据列顺序，改一处就得改另一处，所以别偷懒用dict乱序迭代。channel的标称集合是手写的，源数据里冒出一个mini_app就会在加载时报错，这反而是好事，逼你在进模型前把脏值清掉。数值列如果含千分位逗号，得先在cells里做替换，不然一个1,234会被拆成两列，整行错位。

3. 预处理与属性选择：Filter 链的顺序比参数更值钱

Explorer 的 Preprocess 面板是整份教程里篇幅仅次于分类的一章，因为它决定了后面所有算法的上限。这个面板的核心是 Choose 按钮选出来的 Filter，所有预处理动作都通过它完成，属性勾选删除只是最表层的操作。真正需要动手调的是 Filter 的链式组合和参数，顺序排错，后面调多久参数都救不回来。

3.1 Filter 的执行顺序为什么不能随便排

WEKA 的 Filter 分有监督和无监督两类，包路径里带supervised的会读取类标。这个区别直接决定顺序：涉及类标的操作（比如有监督离散化、SMOTE 过采样）必须放在类标还存在的位置，而无监督的缺失值填充、标准化可以放前面。一个稳妥的默认顺序是：先删无关列和 ID 列，再处理缺失值，再离散化或标准化，最后才是采样类操作。

另一个容易忽略的点是 Filter 的-R属性范围参数，它用的是从 1 开始的索引，first-last表示全部。删除属性时我习惯用weka.filters.unsupervised.attribute.Remove -R 1这种显式写法，而不是在界面上勾选后点 Remove，因为后者不会记录在日志里，下次复现还得重新回忆删了哪几列。

3.2 五个高频 Filter 的参数写法

这几个是教程预处理章节出现频率最高的，参数我按实际调过的值给：

Discretize的-B默认是 10，样本量只有几百条时十个箱太碎，每个箱里没几个点，决策树学出来的分裂点很飘，我一般先降到 5 再试。-M打开后不再等宽切分，而是按最小描述长度找边界，对偏态分布更友好，代价是分箱数不再固定。Normalize对距离敏感的算法（IBk、SimpleKMeans、SMO）几乎是必需的，对 J48 这类基于信息增益的树没什么影响，加了反而增加一次无谓的全表扫描。

文本那一路要单独说。StringToWordVector会改变数据集结构，把一条记录的一个字符串属性炸成上千个词频列，跑完之后属性数从个位数变成几千，再去做属性选择才有意义。-W控制保留词表大小，-1是全部保留，长文本上不建议，内存会顶不住。

3.3 Select Attributes 面板：Evaluator 和 Search 的组合表

属性选择面板是两个下拉框的组合：上面选评估器，下面选搜索策略，选错组合会得到又慢又没用的结果。教程列了六七种评估器，我按使用场景归了一下：

Ranker的-N是保留前 N 个属性，-T是设定阈值后按阈值截断，两个同时给时阈值优先。BestFirst的-D控制搜索方向，0 前向、1 后向、2 双向，-N 5是回溯节点数。CfsSubsetEval的-P和-E打开后会明显变慢，但在属性数不到一百的场景里值得开，选出来的子集更稳。

# 用 CFS + BestFirst 做一次有监督属性选择，结果直接输出到终端 java -cp weka.jar weka.filters.supervised.attribute.AttributeSelection \ -E "weka.attributeSelection.CfsSubsetEval -P 1 -E 1" \ -S "weka.attributeSelection.BestFirst -D 1 -N 5" \ -i data/orders.arff

-E后面跟的是评估器的完整类名加它自己的参数，整串要用引号包住；-S同理。-i是输入文件。这段跑完只会打印被选中的属性索引和评估次数，不会生成新文件，要落盘得配合-o或者直接在 Explorer 里点 Apply。索引是从 1 开始数的，拿到索引后回到 Preprocess 面板用Remove反向删掉其余的列，这一步很容易把索引和从 0 开始的稀疏索引搞混。

3.4 把预处理塞进评估循环：FilteredClassifier 的用法

这是整份教程里最容易被跳过、但实际影响最大的一节。在 Preprocess 面板点一次 Apply，预处理是对全量数据做的；之后再切到 Classify 面板跑十折交叉验证，测试折的数据其实已经参与过均值计算、离散化边界计算。这在学术上叫数据泄漏，在工程上的表现是交叉验证准确率虚高，上线一跑就掉十几个点。

正确做法是用FilteredClassifier把预处理和分类器打包成一个整体，让预处理在每一折内部独立执行：

# 预处理与分类器绑定，交叉验证时每折内部各自 fit 一次 Filter java -cp weka.jar weka.classifiers.meta.FilteredClassifier \ -F "weka.filters.unsupervised.attribute.Normalize -S 1.0 -T 0.0" \ -W weka.classifiers.functions.SMO -- -C 1.0 \ -t data/orders.arff -x 10 -s 1 -i

-F是要包装的 Filter，-W是底层的分类器，--之后是分类器自己的参数。这个组合在界面上对应 Classify 面板里的meta.FilteredClassifier，选它之后再点它旁边的参数框把 Filter 和分类器分别配好。我第一次跑对比实验时没注意这点，标准化之后的 KNN 交叉验证准确率比未标准化高出一大截，换了独立测试集才发现是泄漏出来的假象。

4. 分类、聚类、关联规则：三个面板的实验配置与结果读法

教程从分类开始篇幅陡增，占了全书三分之一还多，聚类和关联规则加起来又是另一大块。这三块共用同一套「选算法、配参数、选测试模式、读输出」的流程，但每个面板的输出指标完全不一样，读错指标比配错参数更浪费 time。

4.1 Classify 面板的四种测试模式与输出指标

Test options 有四个选项，用途差别很大：

输出区那堆数字里，前两行最常被误读。Correctly Classified Instances是准确率，类别不平衡时它会骗人：九比一的数据全猜多数类也有九成准确率。真正该看的是Kappa statistic，它扣掉了随机一致的部分，低于 0.2 基本等于没学到东西。再往下是误差项，Mean absolute error和Root mean squared error在回归任务里是主指标，分类任务里只能做参考。详细统计里的TP Rate、Precision、Recall、F-Measure是按类给的，少数类的 Recall 才是业务上真正关心的那个数。

混淆矩阵在输出最底部，界面里要勾选Output predictions或者命令行加-k才会打印。它按「预测值 × 实际值」排列，看对角线之外的非零格子就能知道模型把哪两类搞混了，这个信息比任何单一指标都有用。

4.2 四个分类器的参数与适用边界

教程里出现频率最高的是 J48、NaiveBayes、SMO、IBk，我按调参手感说一下：

J48 是 C4.5 的 Java 实现，默认带后剪枝。-C 0.25是剪枝的置信阈值，调小剪得更狠，树更浅，欠拟合风险上升；-M 2是叶节点最少样本数，小样本数据集上把它调到 5 到 10 能明显压制过拟合；-U关掉剪枝，只在需要看完整树结构时用。J48 几乎是所有任务的第一个基线，跑完再换别的算法对比。

NaiveBayes 的优势在速度和文本高维数据，-K打开后对数值属性用核密度估计而不是默认的正态假设，连续特征分布不像正态时值得试。它的独立性假设在特征强相关时会崩，但作为基线依旧合格。

SMO 是支持向量机，-C是惩罚系数，默认 1.0，调大对误分类更敏感，容易过拟合；核函数通过-K指定完整类名，比如"weka.classifiers.functions.supportVector.RBFKernel -G 0.01"，-G是 gamma，越小边界越平滑。SMO 对特征尺度极度敏感，前面不做标准化基本没法用。

IBk 是 K 近邻，-K 1是邻居数，-W 0不加权、1按距离加权，-X打开后会用内部交叉验证自动挑 K。它不需要训练，预测阶段才计算距离，大数据集上慢得离谱，而且同样必须标准化。

4.3 Cluster 面板：SimpleKMeans 的参数与类别映射评估

聚类面板没有类标可用，评估方式只有Use training set、Classes to clusters evaluation和交叉验证几种。SimpleKMeans的核心参数是-N簇数和-S随机种子。种子不固定，两次运行结果不一样，写实验报告时会很尴尬。-I是最大迭代次数，默认 500，一般够用；-init可以选择初始化方法，默认是随机抽点，数据分布不均时换成 k-means++ 更稳。

Classes to clusters evaluation是有类标时的评估方式，跑完会输出一张映射表和混淆矩阵，把每个簇映射到训练集中出现最多的那个类，再算准确率。这张表只说明簇和已有类标的吻合程度，不代表聚类质量本身，Within cluster sum of squared errors才是看簇紧不紧的指标，但它随簇数单调下降，不能拿来选 K。选 K 我一般直接跑 K=2 到 8，画肘部图看拐点，教程里没画，但这是最省事的做法。

4.4 Associate 面板：Apriori 的支持度、置信度与规则读法

关联规则面板的输入必须先离散化，Apriori 只吃标称属性，数值列原样喂进去会报错。Apriori的核心参数是-N输出规则条数、-C最小置信度、-T度量类型、-M支持度下界、-U支持度上界。支持度太低会炸出成千上万条规则，太高一条都出不来，我一般从-M 0.1起步往下压。

跑出来的规则形如outlook=rainy 5 ==> play=no 3 <conf:(0.6)> lift:(1.2)，前面是前件，==>后面是后件，数字是覆盖的实例数，conf是置信度，lift大于 1 才说明前件对后件有正向提升。只看置信度会踩坑：一个支持度 0.01 的规则置信度 1.0 也没有业务价值，支持度和提升度得一起看。-c参数可以指定类标索引，只挖后件包含类标的规则，做「哪些特征组合指向某个结果」这类分析时很省时间。

5. 避坑与排查：五类翻车现场的现象、原因与解决

这一章按我这几年帮人看 WEKA 报错的顺序排，前三条是新手最高频的，后两条是跑出结果之后才会发现的隐性问题。每条都按现象、原因、解决写，照着对一遍能省掉大半天。

5.1 坑一：标称值大小写或空格不一致，整列悄悄变成缺失值

现象：ARFF 能正常加载，实例数和属性数都对，但某个标称属性在 Preprocess 面板里显示Missing比例接近 100%，直方图全空。

原因：属性声明写的是{yes, no}，数据段里写的是Yes、YES或者带尾随空格的yes。WEKA 匹配标称值时严格区分大小写和空白，匹配不上就当成非法值，非法值会被转成缺失值，而且不报错，只在属性摘要的缺失统计里留痕。

解决：加载完先点一遍每个标称属性，看Distinct数和声明集合大小是否一致。不一致就说明有拼写变体。批量清洗用脚本把所有取值做一次strip()和小写归一，再统一写回声明集合。别指望ReplaceMissingValues能救，它填的是众数，救回来的是错值。

5.2 坑二：类标不在最后一个属性，分类器学到的是错目标

现象：分类结果看着有数字，准确率也不低，但混淆矩阵的类别跟你预期的完全对不上，或者Classify面板里的类标显示成某个数值列。

原因：WEKA 默认把最后一个声明的属性当目标变量。数据段里类标如果排在中间，默认目标就成了别的列，模型在学一个你根本不想预测的东西。

解决：两个办法。一是在 ARFF 里把类标列挪到最后，适合数据量小、能手工改的；二是在 Explorer 里点Classify面板上方的(Nom)下拉框显式指定类标列，命令行则加-c参数，索引从 1 开始。我一般直接用-c，因为文件不用动，实验记录里也能留下痕迹。

5.3 坑三：先全量离散化再交叉验证，准确率是泄漏出来的假象

现象：交叉验证准确率 0.92，换独立测试集掉到 0.71，同一个算法同一份数据，差别大得离谱。

原因：在 Preprocess 面板点 Apply 做离散化或标准化，是对全量数据算的边界和均值，测试折的信息已经提前进了训练过程。折数越多、样本越少，虚高越明显。

解决：把所有会读全表统计量的 Filter 和分类器一起用FilteredClassifier包起来，让 Filter 在每一折内部单独 fit。判断标准很简单：只要这个 Filter 的计算依赖整列分布（均值、方差、分位数、离散化边界），就不能在交叉验证之前单独 Apply。纯行级的操作，比如删列、改类型，提前做没问题。

5.4 坑四：中文路径、GBK 编码和内存溢出三连

现象：打开文件报java.io.IOException: File not found，路径明明是对的；或者文件打开了但中文全是乱码；再或者跑到一半弹OutOfMemoryError: Java heap space。

原因：三件事经常一起出现。Java 对含中文和空格的路径处理不好，尤其从 Explorer 的文件对话框里选出来带空格的目录；CSVLoader 默认按 UTF-8 读，Windows 导出的 CSV 多是 GBK；WEKA 默认堆内存只有几百兆，文本词向量或者几万行数据一进去就顶不住。

解决：路径全改成英文、无空格，数据放在安装目录外的独立文件夹。CSV 转换时显式加-E GBK。内存通过启动参数调，Windows 下改RunWeka.ini里的maxheap，命令行直接在java后面加-Xmx2048M或更高，加到物理内存一半左右就够，再加只会让 GC 变慢。

5.5 坑五：准确率好看但少数类全错，指标选错了

现象：Correctly Classified Instances显示 0.89，看着能交差，但混淆矩阵里少数类那一行的 Recall 是 0，业务上最关心的那批样本一个都没抓出来。

原因：类别不平衡。多数类占比接近九成时，模型全猜多数类就能拿到接近九成的准确率，这个数字对业务毫无意义。

解决：把评估重点从准确率换到Kappa、少数类的Recall和F-Measure，以及ROC Area。采样层面可以用Resample做欠采样或者SMOTE做过采样，两者都要放进FilteredClassifier里，只在训练折上执行，否则又是泄漏。阈值也可以调，Classify 面板的Cost-sensitive或者ThresholdSelector能把判决阈值往下压，代价是多数类的误报上升，得按业务能接受的比例来定。

6. 命令行与 KnowledgeFlow：把一次成功的实验变成可复现的脚本

Explorer 点出来的结果最大的问题是不可复现：参数藏在界面的各个下拉框里，换台机器就得重新回忆一遍。教程最后两章讲命令行环境和 KnowledgeFlow，很多人翻过去就完了，实际上这才是把实验做成资产的关键。我的习惯是：Explorer 里把参数试通，立刻切到命令行，把完整命令抄进实验记录，之后所有对比都跑脚本。

命令行调分类器的骨架很固定，-t训练集、-T测试集、-x交叉验证折数、-s随机种子、-i输出统计、-k输出混淆矩阵、-d保存模型、-l加载模型。类标不在最后一列时补-c。下面这段是我常用的批量对比脚本，同一份数据、同一个种子、三个分类器各跑一遍十折交叉验证：

#!/usr/bin/env bash # 固定随机种子，保证每次运行的折划分完全一致，结果才可对比 set -e DATA="data/orders.arff" SEED=1 mkdir -p logs models for CLS in \ weka.classifiers.trees.J48 \ weka.classifiers.bayes.NaiveBayes \ weka.classifiers.lazy.IBk ; do NAME=$(basename "$CLS") # -i 输出统计 -k 输出混淆矩阵 -d 保存当次模型 java -Xmx2g -cp weka.jar "$CLS" \ -t "$DATA" -x 10 -s "$SEED" -i -k \ -d "models/${NAME}.model" \ > "logs/${NAME}_cv10.log" 2>&1 done # 只把准确率和 Kappa 抽出来对比，避免翻三份日志 grep -H -E "Correctly Classified|Kappa statistic" logs/*_cv10.log

set -e让任何一条命令失败就停下，避免后面的日志覆盖前面的错误。SEED=1是关键，交叉验证的折划分由它决定，种子不同结果能差一两个点，对比实验里这个变量必须锁死。-d保存的模型可以用-l models/J48.model -T 新数据.arff直接回放，线上做批量打分时不用重新训练。grep那行只是快速对比，真要写报告还是得把混淆矩阵一起看。

KnowledgeFlow 适合给不写脚本的人用。它把数据源、Filter、分类器、评估器做成可拖拽的组件，连线方向决定数据流向，ArffLoader的输出端口连到 Filter 的dataSet端口，Filter 再连分类器的trainingSet。连线连错方向是最常见的报错来源，组件端口名对不上就报No data available，跟参数无关。配好之后点启动跑一遍，把布局存成.kf文件，下次打开直接复用，比在 Explorer 里重配一遍快。

命令行还有个常被忽略的用法是单独跑 Filter 做批量转换，比如把一批 CSV 统一转成离散化后的 ARFF，用weka.filters.unsupervised.attribute.Discretize -b -i 输入 -o 输出的批处理模式，-b让 Filter 只做转换不进入增量模式，适合离线流水线。我一般把这类转换脚本和数据校验脚本放在同一个目录，跑模型前先执行一遍，确认属性数和缺失比例在预期范围内再往下走。

从那以后我每跑一组对比实验，都会先固定-s随机种子、把预处理塞进FilteredClassifier、再把完整命令行贴进实验记录，哪怕只是临时试一下。翻车最惨的一次是半年前的报告被人问「这个 0.91 怎么复现的」，界面参数早忘了，只能重跑一遍还复现不出来。希望帮到你。

本文还有配套的精品资源，点击获取