jar游戏下载（jar游戏包）

什么是规则，就像在大数据里寻宝，所谓“寻宝”其实等同于找寻规则，规则类似于这样的表达：“如果…那么…”，前半部分为条件，后半部分为结果。比如在一个有3000个顾客的购物清单数据中，经过统计有723人同时购买了速冻食品和奶油饼干，其中有788人只买了速冻食品，那么该算法产生的规则形如：frozenfoods=t788==>breadandcake=t723conf:(0.92)，conf表示在购买速冻食品的人中有92%的人会同时购买奶油饼干。其次，什么规则会感兴趣，假设有两个事件甲和乙，按照兴趣度从高到低，分为以下四种情况：甲经常发生，发生的时候乙伴随发生的概率很高。甲很少出现，但是一旦出现乙出现的概率很高。甲经常发生，发生的时候乙伴随发生的概率一般。甲很少出现，出现之后乙出现的概率一般。数据挖掘具体步骤如下：（1）下载并安装weka，然后打开分析软件。（2）点击Explorer按钮，并选择应用于算法的数据，weka安装完毕后在其安装目录下提供了一些样本数据，这些数据格式都是ARFF（Attribute￾RelationFileFormat）文件，这是一种ASCII文本文件。这里选择Supermarket.arff数据样本，这个数据集合是大型超市顾客购买记录的样本集：选择感兴趣的属性，这些属性未来会出现在最终产生的规则中。（3）选择Associate选项进行Apriori算法的支持度和置信度等参数设置，这里设置最小值支持度为0.17，最小置信度为0.9，参数可以在该界面调整。（4）点击start按钮，weka工具将运用apriori算法进行关联规则挖掘，结果在右边显示。运行结果中，看到一共产生了6条规则。第一条规则含义：biscuits=tfruit=ttotal=high954==>breadandcake=t866conf:(0.91)，代表有954人购买了水果和饼干，其中866人同时购买了面包、水果和饼干，也可以理解为在购买水果和饼干的前提下，又去购买面发生的条件概率是91%，即算法中定义的置信度，这个值大于设置的0.9，所以显示出来。需要注意：支持度和置信度的设置不能随意给出，更不能说支持度和置信度设置的越高就越好，这个跟数据所处的行业有关，必要时可能需要行业专家的辅助。比如要分析癌症发病和地域，生活习惯，性别等等的关系，支持度就应该设置的很低，因为病人当中癌症发病率很低，关心的是置信度，来判断与那个因素关联密切，这当中的价值显而易见。Java语言比较容易调用Weka，主要是因为Weka本身就是基于Java开发的。如果Java项目中需要集成weka，只需在项目中导入weka.jar，然后调用后者的API即可。上面的分析实例用Java实现代码如下：publicclassWekaDemo{publicstaticvoidmain(String[]args)throwsException{//loaddataFileinputFile=newFile("C:\\ProgramFiles\\Weka-3-6\\data\\supermarket.arff");//数据样本文件ArffLoaderatf=newArffLoader();atf.setFile(inputFile);Instancesdata=atf.getDataSet();//读入数据文件data.setClassIndex(-1);//设置分类属性，由于这并非分类算法可以设置为-1//buildassociatorAprioriapriori=newApriori();apriori.setClassIndex(data.classIndex());apriori.setLowerBoundMinSupport(0.17);//设置最小支持度apriori.setMinMetric(0.9);//设置最小置信度apriori.buildAssociations(data);//开始根据设置参数进行挖掘//outputassociatorSystem.out.println(apriori);//打印关联规则}}运行结果和直接用Weka得到的结果一致。#能源化工装置运行数据挖掘技术##开源软件##计算机辅助化工装置选型设计#