简介：这份WEKA中文详细教程PPT面向机器学习与数据挖掘入门者、课程学习者及需要快速上手WEKA的教师与学生，系统梳理从工具认知到建模分析的完整知识框架。压缩包内共1个PPT文件，大小约14.29MB，以幻灯片形式组织讲解，便于课堂演示、自学跟练与知识点速查。教程内容覆盖WEKA简介、数据集与ARFF文件、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等模块，并对Explorer环境的8个功能区域、筛选器使用、属性摘要与直方图等操作细节作出说明。读者可借此理解WEKA的界面布局与数据管理方式，掌握分类、聚类和关联分析的基本流程，并对照案例完成从数据导入到结果解释的实践。目前已有168人学习，适合作为课程配套资料和入门实践参考。

1. 先别被“数据挖掘”吓住：WEKA 到底是个什么东西

你手里有一张几千行的 Excel 表，想回答一个特别朴素的问题：哪些客户下个月还会回来买？肉眼翻，翻到眼花也翻不出规律；自己写代码，光是配环境就够劝退。WEKA 就夹在这两件事中间——它是一个用 Java 写的开源机器学习与数据挖掘工具，装完打开就是图形界面，点点鼠标就能让机器替你把表里的规律找出来。名字来自一种鸟，同时也是一串英文的缩写，直译过来大致是“智能分析环境”。这份 WEKA 中文详细教程 PPT，就是把这条路拆成十来段的地图：从简介、数据集、数据准备、预处理，到分类、聚类、关联规则、选择属性、数据可视化，最后到知识流界面。作为一份成体系的课程资源，它讲的是点哪里、填什么、结果怎么读，而不是公式推导，零基础也能跟上。

2. 先把四个工作台认清：为什么新手只用 Explorer 就够

很多人第一次打开 WEKA 会愣住：界面上并排放着四个按钮，名字都很唬人，点进去长得还都不一样。有人当场关掉去搜教程，有人随便点了一个，结果一头扎进最复杂的那个，折腾两小时连数据都没载进去。这就是典型的入门翻车现场——不是软件难，是入口选错了。

这一章我们只做一件事：把四个入口认全，然后明确告诉你，接下来一个月你只需要待在其中一个里面。

2.1 四个入口分别在什么时候用

WEKA 的启动界面提供四个环境，功能定位差别很大：

Explorer 是图形化的主战场，所有常用操作都在这一个窗口里完成，从载入数据到出结果不超过十步。命令行环境适合你已经知道参数、想重复跑的场景。知识流环境是把“读数据、过滤、训练、评估”这些步骤当成积木，用线连起来，适合流程长、步骤多的任务。算法试验环境则是专门做对比实验的，一次配置，让它自动跑几十组。

为什么新手只用 Explorer？因为另外三个环境里的每一个动作，Explorer 里都有对应的按钮，而且能立刻看到结果。你先在 Explorer 里把“一份数据怎么变成一棵决策树”这件事走通，之后再去理解知识流里的那些方块，会发现它们不过是你点过的按钮换了个样子。

我第一次接触的时候就是贪心，直接开了知识流，拖了七八个组件，线连错了还不知道错在哪，因为界面上没有任何报错提示，只有一个组件一直是灰的。后来老老实实回 Explorer 点了一个月，再回去看知识流，十分钟就搭好了。

2.2 Explorer 的八个区域：像认仪表盘一样过一遍

Explorer 窗口乍看很挤，其实它被切成了八个区域，每个区域职责很清楚。你不用背，打开软件对着看一遍就行：

• 区域 1：顶部一排选项卡，Preprocess（数据预处理）、Classify（分类）、Cluster（聚类）、Associate（关联分析）、Select Attributes（选择属性）、Visualize（可视化）。切换它们就是切换任务面板，这是整个软件的主导航。
• 区域 2：常用按钮区，打开文件、编辑、保存、撤销都在这里。它还承担一个隐藏功能：把当前数据另存成别的格式，比如把 csv 存成 arff。
• 区域 3：Choose 按钮，用来挑一个 Filter（筛选器）。数据清洗、属性增删、类型转换，全靠它。
• 区域 4：显示当前数据集的基本情况——关系名、属性几个、实例几条。
• 区域 5：列出所有属性，每一行一个。勾选后点 Remove 能删掉，删错了用区域 2 的 Undo 找回来。上方那排小按钮是快速全选、反选、按类型选的。
• 区域 6：显示你在区域 5 里选中的那个属性的摘要。数值型看最小值、最大值、均值、标准差；标称型看每个取值各有多少条。
• 区域 7：选中属性的直方图。如果最后一列是类别，直方图会按类别染成不同颜色，一眼能看出分布差异。
• 区域 8：底部状态栏、Log 按钮和那只鸟。鸟在动说明正在算；在状态栏上右键能看到可用内存，也能手动触发一次内存回收。

把这八个区域当成汽车仪表盘就对了：你不用知道发动机怎么工作，但得知道油表在哪、转速表在哪。区域 5 和区域 6 是你以后看得最多的两个地方，前者告诉你数据长什么样，后者告诉你这一列有没有问题。

2.3 第一次打开软件：三步确认环境没白装

装完之后别急着找自己的数据，先用软件自带的数据集走一遍，确认环境是好的：

第一步，双击启动，看到四个入口，点 Explorer。

第二步，在 Preprocess 面板点区域 2 的 Open file，进到安装目录下的 data 子目录，随便挑一个自带的数据文件打开。

第三步，看区域 4 是否显示出了关系名和实例数，看区域 5 是否列出了一排属性，再看区域 6 有没有内容。三处都有东西，说明装好了。

提示：WEKA 是 Java 写的，运行需要 Java 环境。安装包通常有两种，一种自带运行环境，一种要求你机器上已经装好。分不清就选自带的那种，省掉一堆“双击没反应”的麻烦。

2.4 为什么让你先别碰知识流和实验环境

这两块在教程里排在很后面，不是没有道理。知识流的核心是“把数据流向画出来”，可你如果还不知道 Filter 是干什么的、分类器输出的是什么，画出来的线就是瞎连。实验环境的核心是“批量对比”，可你如果连一次结果都读不明白，跑出二十组数字也只是看着热闹。

入门阶段的判断标准很简单：能不能用 Explorer 独立完成一次“载入数据、清洗一下、跑个分类、说清结果说明什么”。能做到，再去扩。做不到就先别扩，扩了也是给自己添堵。血泪经验是，越高级的界面，出错时的提示越少，因为它默认你知道自己在干什么。

3. 数据先过关：ARFF 到底是个什么文件，怎么写第一份

十个新手里有八个，第一次失败不是败在算法上，是败在数据读不进去。软件弹一个英文报错，人就直接卡死。这一章我们把数据这一关彻底过掉。

3.1 一张表格的三种叫法：实例、属性、关系

WEKA 眼里的数据，就是一张规规矩矩的二维表。这张表有三种叫法，你以后会反复遇到：

横着的一行叫一个实例（Instance），相当于统计学里的一个样本，或者数据库里的一条记录。竖着的一列叫一个属性（Attribute），相当于一个变量，或者数据库里的一个字段。整张表合起来叫一个关系（Relation），你可以理解成“这批数据叫什么名字”。

举个具体的例子。假设你记录了十四天的天气，每天有四个观察项：天气状况、温度、湿度、有没有风，外加一个结果——那天到底适不适合出去玩。那么这张表有 14 个实例、5 个属性，其中前 4 个是“用来判断的依据”，最后 1 个是“答案”。

这个“最后一个是答案”不是随便定的。WEKA 默认把最后一个声明的属性当作分类或回归任务的目标变量，也就是类别。你想预测什么，就把什么放在最后一列。

3.2 ARFF 的三段结构：头信息、属性声明、数据区

WEKA 存数据用的是一个纯文本格式，扩展名.arff，全称是 Attribute-Relation File Format。用记事本就能打开、能改。它的结构非常固定，就三段。

拿上面那个天气的例子，写成 ARFF 长这样：

% 以百分号开头的行是注释，WEKA 读取时会直接跳过 @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 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

第一段是头信息，只有一行@relation，给这张表起个名字。名字里如果有空格，必须用英文单引号或双引号括起来。名字起什么都行，但建议起得有意义，因为后面结果面板里会显示它。

第二段是属性声明，每个属性一行，格式是@attribute 属性名 数据类型。属性名必须以字母开头，含空格同样要加引号。这一段的顺序极其重要，因为它决定了数据区里每一列对应谁。上面例子里humidity是第三个声明的，那么数据区每一行被逗号切开的第三个数就是湿度。

第三段是数据区，从@data这一行开始，下面每行一条实例，值之间用逗号分隔，顺序必须和属性声明的顺序严格一致。

3.3 四种数据类型和一堆大小写规矩

ARFF 支持四种数据类型，你得知道每种长什么样：

还有两个词integer和real，写上去也能用，但 WEKA 内部都当numeric处理，属于历史遗留写法。

这里有一处特别容易踩的地方：integer、real、numeric、date、string这几个类型关键字是区分大小写的，你写成Numeric就会报错。而@relation、@attribute、@data这三个标记词反而不区分大小写，写@RELATION也能认。记不住也没关系，全部小写最保险。

标称型还有个隐形规则：数据区里出现的值，必须一字不差地出现在属性声明的花括号里。大小写不同算不同，多一个空格也算不同。这是新手报错率最高的一条，第 5 章会专门讲。

3.4 手写第一份 ARFF：从记事本到 WEKA 能认

现在自己动手造一份。假设你想研究“学习时长和出勤率能不能预测考试通过”，可以这样写：

@relation study_record @attribute hours numeric @attribute attendance numeric @attribute pass {yes, no} @data 2,60,no 5,85,yes 1,50,no 8,95,yes 3,70,no 6,90,yes

保存的时候注意三件事：文件扩展名必须是.arff，不是.txt；编码用 UTF-8 或者纯 ASCII，别用带 BOM 的格式；用英文标点，逗号是半角逗号，花括号是半角花括号。

然后在 Explorer 的 Preprocess 面板点 Open file，选中这个文件。如果一切正常，区域 4 会显示关系名study_record、属性数 3、实例数 6，区域 5 列出三行属性，区域 6 显示你点中那一列的统计。到这里，你的第一份数据就进到 WEKA 里了。

如果报错，先看报错里提到的行号，八成是那一行的某个值不在花括号名单里，或者逗号数量对不上。

3.5 不想手写怎么办：把 Excel 表拖进来

真实工作里没人手写 ARFF。你手上多半是 csv 或者 Excel 表，转换路径有两条。

第一条，直接用 Explorer 打开 csv。区域 2 的 Open file 是支持 csv 的，打开后 WEKA 会自动推断每一列的类型，然后你在区域 2 点 Save，把它另存成.arff。以后再用就直接开 arff，省掉推断这一步。

第二条，先在表格软件里把数据整理干净再导出 csv。删掉合并单元格、删掉表头上面的标题行、删掉空行，每一列只放一种内容。这一步多花五分钟，后面少折腾两小时。

注意：转换完一定要在区域 5 里逐列看一遍类型。数字被识别成标称、类别被识别成字符串，是自动推断最常见的两个误判，改起来就在区域 5 里点一下类型下拉框。

4. 跑通第一个分类：三步做出你的第一个预测模型

数据进来了，接下来是所有人最期待的一步：让机器给出一个预测。这一章我们把一次完整的分类从头跑到尾，包括怎么看结果，以及为什么你不能迷信那个百分比。

4.1 分类到底在做什么：拿有答案的题练手，再考新题

分类这个任务的逻辑，跟准备考试一模一样。你手上有一批已经知道答案的题（历史数据，每条都标好了结果），先拿这些题让算法反复看，让它总结出“什么样的特征组合通常对应什么结果”，这个过程叫训练。训练完之后，给它一批没见过答案的新题，看它答对多少，这个过程叫评估。

天气那份数据就是标准场景：用天气状况、温度、湿度、风力四个特征，去预测第五列“适不适合出去玩”。

这里有个必须搞清楚的区分。如果你拿训练用的那批题去考它，它当然答得好，因为它已经见过答案了。这种分数毫无意义，属于自己考自己。所以评估必须用模型没见过的数据。

WEKA 里最常用的做法叫十折交叉验证。它把数据平均切成十份，轮流拿其中九份训练、剩下一份测试，重复十次，最后把十次的结果平均。这样每一份数据都当过一次考题，分数就比较可信。入门阶段，默认就用这个，不用改。

4.2 三步跑完：载入、选算法、点 Start

接着上一章那份study_record.arff，我们完整跑一次。

第一步，Preprocess 面板确认数据已经载入，区域 5 里pass这一列在最后。

第二步，点区域 1 的 Classify 选项卡。这时界面会换一套，但别慌，需要动的只有三处：Choose 按钮、Test options 区域、Start 按钮。

第三步，点 Choose，展开trees文件夹，选J48。这是一个决策树算法，输出是一棵能看懂的树，最适合第一次用。选完你会看到 Choose 旁边出现一行weka.classifiers.trees.J48，这就是它的全名。

第四步，在 Test options 里选Cross-validation，Folds 填 10。

第五步，点 Start。左边 Result list 里会多出一行，右边结果区刷出一大段文字。

这五步操作，在命令行里其实就对应一条命令：

# -t 指定训练数据，-x 10 表示十折交叉验证 # 实际使用时把路径换成你本机 arff 文件的路径 java -classpath weka.jar weka.classifiers.trees.J48 -t study_record.arff -x 10

这条命令的含义是：调用 J48 这个分类器，读入study_record.arff，做十折交叉验证。-classpath weka.jar是告诉 Java 去哪里找 WEKA 的类库。你暂时不用跑它，但要知道，图形界面里的每一次点击，背后都是这样一条命令。理解这层对应关系，以后写批处理脚本会顺很多。

4.3 结果面板怎么读：别只盯着那个百分比

结果区那一大段文字，新手通常只看到一行“Correctly Classified Instances”，然后就开始纠结为什么不是 100%。其实真正有用的信息有四块。

第一块，正确率。它会写成Correctly Classified Instances 12 85.7143 %这种形式，前面是答对的条数，后面是百分比。记住这个数字要看，但不能只看它。一份数据里如果 90% 的样本都是“通过”，那模型闭着眼全猜“通过”也有 90% 正确率，这种模型一点用没有。

第二块，混淆矩阵。它是一张小表格，行是真实类别，列是预测类别。对角线上的数字是答对的，非对角线是答错的。它能告诉你模型错在哪：是把“不通过”误判成“通过”了，还是反过来。这两种错误在实际业务里代价完全不同。

第三块，详细指标。包括精确率（Precision）、召回率（Recall）、F 值。用大白话讲：精确率是“它说是正的里面，真有几个是正的”；召回率是“真正的正例里，它找出来几个”。这两个指标经常此消彼长。

第四块，模型本身。在结果区里会直接印出决策树的文字形态，形如if humidity > 80 then ...这样的规则。这是 J48 的好处，它不给你一个黑匣子，而是给你一棵能读懂、能拿去跟业务方解释的树。

4.4 把模型画出来看看：决策树可视化

文字版的树看着累，可以调出图形版。在左边 Result list 里右键刚跑出来的那一行，选Visualize tree，会弹出一个可以缩放的树状图。每个节点是一个判断条件，每个分支是判断结果，叶子节点就是最终分类。

看着这棵树，你可以干一件很有价值的事：检查它合不合理。如果树深得离谱，每个叶子只对应一条数据，那基本是过拟合了，模型把训练数据背下来了，换个数据集就废。如果树只有一层，说明特征跟结果几乎没关系，得回去想是不是选错了属性。

4.5 换个算法再跑一次：为什么单次结果不能当真

把 Choose 里的 J48 换成bayes文件夹下的NaiveBayes，再点一次 Start。你会看到结果区多了一行，正确率可能高一点也可能低一点。

这就是很多人第一次感到“玄学”的地方：同一份数据，换个算法分数就变；甚至同一个算法，换一次随机种子，分数也变。原因有三个：不同算法对数据的假设不一样，有的偏好线性关系，有的擅长处理类别特征；交叉验证的折分方式带随机性；数据量小的时候，一两条样本换个位置就能让正确率浮动几个百分点。

所以入门阶段不要做的一件事，就是拿一次运行的结果下结论说“这个算法更好”。要做对比，至少得换几组参数、换几次随机种子，看整体趋势。这件事 WEKA 的算法试验环境专门负责，等你把 Explorer 用顺了再去碰它。

5. 新手最容易翻车的五个坑：报错、乱码、结果好得离谱

这一章是踩坑记录，五条都是入门第一周最常撞上的。每条按“现象、原因、解决”三步写，遇到时对着排查。

5.1 坑一：打开文件报 Nominal value not declared in header

现象：载入 arff 文件时弹窗，提示某个值没有在头部声明里出现，文件读不进来。

原因：数据区里某一列出现了属性声明花括号里没有列出的取值。常见来源有三种：一是大小写不一致，声明里写yes，数据里写Yes；二是多打了空格，声明no，数据里是no；三是数据里混进了空值，被当成了一个空字符串。

解决：看报错里给的行号和列名，去那一行对一下。养成习惯，写完 arff 后用查找功能把每个标称值都搜一遍，确认拼写完全一致。如果要表示缺失值，用问号?，不要留空。

5.2 坑二：正确率高得离谱，接近或等于 100%

现象：一跑就是 99%、100%，开心了三秒，然后发现换个数据就崩。

原因：八成是数据泄漏。最典型的是把“答案的衍生列”也留在了特征里。比如预测客户会不会流失，结果特征里有一个“注销日期”字段，那模型只要看到这个字段有值就知道要流失了，当然全对。另一种可能是你无意中把测试集拿来训练了，比如手动把全部数据当训练集，评估方式却选了“评估在训练集上”。

解决：逐列过一遍，问自己“这一列在预测发生的那一刻，真的能拿到吗”。答案是不能的，一律删掉。另外确认 Test options 选的是交叉验证或独立的测试集，不是Evaluation on training set。

5.3 坑三：中文属性名一打开就是乱码

现象：属性名里带中文，打开后变成一堆问号或方块。

原因：arff 是纯文本，读的时候按平台默认编码解析。你保存时用的是某种编码，读的时候用的是另一种，就对不上了。

解决：最省事的办法是属性名和标称值全部用英文，中文只放在注释里，注释不参与解析。如果非要用中文，保存时统一成 UTF-8，并且确认文件开头没有 BOM 标记。表格软件导出 csv 时经常偷偷加 BOM，这也是导入失败的一个隐形原因。

5.4 坑四：跑到一半提示内存不足

现象：点了 Start 之后软件卡住，日志里刷出一串内存相关的报错，或者那只鸟一直转但没结果。

原因：数据量大，或者算法复杂，默认分配给 Java 的内存不够用。

解决：在状态栏上右键，能看到当前可用内存有多少。要调大，得在启动参数里改，命令行方式是加-Xmx参数，比如java -Xmx2g -classpath weka.jar ...表示最多用 2G 内存。图形界面启动的话，可以找到安装目录里的启动脚本，在里面加同样的参数。另外，跑之前把用不上的属性删掉，也能省下不少内存。

5.5 坑五：数值列被当成了标称列

现象：明明是一列数字，区域 6 里显示的却是“每个取值各有多少条”，直方图也变成了一根根柱子。

原因：这一列里混进了非数字内容。比如金额带了货币符号、数字中间有千分位逗号、某一格写了“未知”两个字。WEKA 一遇到非数字，整列就退化成标称型。

解决：回原始表格里把这一列清洗干净，去掉单位、去掉千分位逗号、把文字描述统一换成?。或者在区域 5 里手动把类型改回 numeric，但改之前一定要先确认里面真的全是数字，否则改了也是错的。

6. 下一步学什么：按教程页码排一张自己的学习表

把第一个分类跑通之后，最容易犯的错是漫无目的地乱点。教程那么厚，从哪一页接着看？我的建议是按“先把数据弄干净，再谈模型”的顺序走，这份教程的章节顺序其实已经排得挺合理，你照着它的页码推进就行。

具体说几个要点。数据预处理那一块要重点花时间，Filter 里常用的几类操作——缺失值填充、数值离散化、属性归一化——每一个都值得单独试一遍，因为后面所有模型的效果都建立在这上面。分类跑顺了再去碰聚类，聚类的思维方式和分类不一样，它没有答案，是让算法自己分组，很多人第一次看不懂结果就是因为还在用分类的思路。关联规则适合用来找“买 A 的人往往也买 B”这类组合，跑出来的规则要关注支持度和置信度两个指标。属性选择是性价比很高的一节，删掉无关属性往往能让模型又简单又准。

再往后，知识流和算法试验环境是自然延伸。等你发现自己反复在做同一套点击动作时，就该把它们搬到知识流里去连成流程了。至于“自己写算法”这件事，教程里提到 WEKA 提供了接口，可以把自己的算法接进去，但这属于跑通十几个例子之后才需要考虑的事，现在不用管。

最后说一个我自己的习惯。从那以后，我每次拿到一份新数据，不管多急，都会强制先走一遍“看属性类型、看缺失值比例、看类别分布”这三步，然后再动手选算法。因为绝大多数看起来玄学的问题——分数忽高忽低、结果解释不通、换个算法全崩——根子都在数据那一步。模型没那么神，它只是把你喂进去的东西照原样放大。

希望这份地图能帮你少绕几个弯，早点跑出属于自己的第一个结果。

本文还有配套的精品资源，点击获取