清华数据挖掘课：Weka实践+多任务实验报告

本次清华大学数据挖掘第二次大作业旨在通过实际操作加深学生对数据挖掘的理解和技能掌握。作业主要包括以下几个部分： 1. Weka工具使用： 学生需要熟悉Weka这一流行的开源数据挖掘工具，它是Java语言开发的，提供了丰富的机器学习算法和数据预处理功能。通过实践，学生能更好地理解如何导入数据、数据清洗、特征工程和模型构建。 2. 分类算法理解： 作业要求尝试至少三种分类器，如贝叶斯、K近邻(KNN)和Boosting等，目的是让学生对比不同算法的性能，体会它们的特性和适用场景。这有助于学生选择最合适的模型来解决实际问题。 3. 交叉验证与准确率提升： 作业要求使用10重交叉验证对MNIST手写数字识别数据集和20NewsGroup文本分类数据集进行分类，目标是提高分类的准确率，并详细记录参数设置和实验步骤，以便他人复现。 4. 关联规则挖掘： 购物篮分析任务涉及使用关联规则挖掘技术，通过市场篮子数据（marketbasket.csv）找出商品间的频繁购买模式，同时需提供详细的实验参数和结果分析。 5. 参数设置与实验透明度： 作业强调必须提供所有参数设置，包括可能的预处理步骤和Weka的具体配置，确保实验结果的可重复性，这是评估作业质量的重要标准。 6. 算法多样性： 学生需要在贝叶斯、KNN和Boost等分类器中选择并尝试具体实现，以展示对多种方法的掌握。 通过这个作业，学生将不仅提升数据挖掘技术的实际应用能力，还能学习到如何优化模型性能、理解和评价算法效果以及报告实验结果的清晰度。完成这些任务，学生将对数据挖掘的基本流程有更深入的认识。