数据挖掘实验二：颜色与智能系统分类效果对比

本实验报告是关于北京邮电大学软件学院2019-2020学年第1学期的数据挖掘课程中的实验二——分类。该实验旨在通过使用WEKA软件，让学生深入理解分类任务和算法应用，同时提升他们对数据预处理、特征选择和模型评估的认识。 实验的核心内容包括两个部分： 1. **分类尝试**： - 第一部分尝试以颜色数为类别进行分类，数据来源于2003-2012年间手机的市场数据，假设颜色与手机受欢迎程度相关。由于颜色数属性是Numeric类型，需要将其离散化为Nominal类型，分为1-7个类别。尽管训练集占比高（66%以上）时，预测准确率为70%，但测试集的所有实例都被预测为同一类别（a），这表明仅凭颜色数作为分类依据可能不够合理，因为模型过于依赖训练集的特性。 - 第二部分尝试以智能系统为类别，智能系统作为手机的重要功能，反映了市场需求。在这一分类中，约81.7%的数据没有智能系统，但在训练集的前70%下，预测准确率达到了96.21%，显示出智能系统作为分类标签的较好区分度。 2. **算法对比与结论**： - 实验过程中，采用了C4.5算法进行分类，这是一种基于信息增益的决策树算法。通过对比不同分类尝试的结果，学生能够直观地看到不同特征（颜色数和智能系统）对分类性能的影响。从实验结果来看，智能系统作为分类特征明显优于颜色数，因为前者能提供更具区分性的信息，且预测准确率显著更高。 - 结论部分应会指出，对于数据挖掘而言，特征选择的重要性不言而喻。一个好的分类模型应该能够捕捉到数据集的关键属性，并能够在测试集上保持稳定的性能。因此，未来在选择分类任务的特征时，应考虑其在实际场景下的意义和预测能力。 通过这次实验，学生不仅掌握了如何使用WEKA工具进行分类任务，还学会了如何分析和解释分类结果，以及如何根据实际情况选择合适的特征和算法。这样的实践有助于培养他们的数据分析和问题解决能力。