To represent the cluster assignment

To represent the cluster assignments Weka adds a new attribute Cluster and includes its corresponding values at the end of each data line. Note that all other attributes are shown, including the ignored ones (play, in this case). Also, only the leaf clusters are shown. Now,to compute the classes to clusters error in, say, cluster 3 we look at the corresponding data rows in the ARFF file and get the distribution of the class variable: {no, no, yes}. This means that the majority class is no and the error is 1/3.

If we want to compute the error not only for leaf clusters, we need to look at the clustering structure (the Visualize tree option helps here) and determine how the leaf clusters are combined in other clusters at higher levels of the hierarchy. For example, at the top level we have two clusters - 1 and 5. We can get the class distribution of 5 directly from the data (because 5 is a leaf) - 3 yes's and 3 no's. While for cluster 1 we need its subclusters - 2, 3 and 4. Summing up the class values we get 6 yes's and 2 no's. Finally, the majority in cluster 1 is yes and in cluster 5 is no (could be yes too) and the error (for the top level partitioning in two clusters) is 5/14.

Weka provides another approach to see the instances belonging to each cluster. When you visualize the clustering tree, you can click on a node and then see the visualization of the instances falling into the corresponding cluster (i.e. into the leafs of the subtree). This is a very useful feature, however if you ignore an attribute (as we did with "play" in the experiments above) it does not show in the visualization.

ผลลัพธ์ (ไทย) 1:

ถึงกำหนดคลัสเตอร์ Weka เพิ่มแอตทริบิวต์ใหม่คลัสเตอร์ และรวมถึงค่าของตรงที่จุดสิ้นสุดของข้อมูลแต่ละบรรทัด หมายเหตุที่คุณลักษณะอื่น ๆ แสดง รวมทั้งถูกละเว้น (เล่น ในกรณีนี้) ยัง คลัสเตอร์โหนดปลายสุดเท่านั้นจะแสดงขึ้น ตอนนี้ การคำนวณชั้นกับข้อผิดพลาดของคลัสเตอร์ใน กล่าว คลัสเตอร์ 3 เราดูข้อมูลเกี่ยวข้องแถวใน ARFF ไฟล์ และได้รับการแจกแจงของตัวแปรคลาส: {ใช่ไม่ ไม่ } นี้หมายความ ว่า เรียนส่วนใหญ่ไม่และข้อผิดพลาด 1/3

ถ้าเราต้องการคำนวณข้อผิดพลาดไม่เพียงสำหรับคลัสเตอร์ใบไม้ เราต้องดูโครงสร้างระบบคลัสเตอร์ (Visualize ทรีตัวเลือกช่วยนี่) และกำหนดวิธีรวมคลัสเตอร์ใบไม้ในคลัสเตอร์อื่น ๆ ที่สูงกว่าระดับของลำดับชั้น ตัว ระดับสูงสุด เรามีคลัสเตอร์ 2 - 1 และ 5 เราจะได้รับการกระจายชั้น 5 จากข้อมูลโดยตรง (เนื่องจาก 5 เป็นใบไม้) -ใช่ 3 และ 3 ไม่มีของ ในขณะที่สำหรับคลัสเตอร์ 1 เราต้องการ subclusters - 2, 3 และ 4 รวมค่าเรียนเรารับใช่ 6 และ 2 ไม่เป็น สุดท้าย ส่วนใหญ่ในคลัสเตอร์ 1 ใช่ และในคลัสเตอร์ 5 จะไม่ (อาจใช่เกินไป) และข้อผิดพลาด (สำหรับระดับบนสุดพาร์ทิชันในคลัสเตอร์สอง) 5/14.

Weka แสดงวิธีอื่นในการดูอินสแตนซ์ของคลัสเตอร์แต่ละ เมื่อคุณมองเห็นภาพแผนภูมิระบบคลัสเตอร์ คุณสามารถคลิกที่โหน และจากนั้น ดูที่แสดงสถานะของอินสแตนซ์ในคลัสเตอร์ที่เกี่ยวข้อง (เช่นในการ leafs ของไดเรกทอรีย่อย) นี่คือคุณลักษณะที่มีประโยชน์ แต่ถ้าคุณละเว้นแอตทริบิวต์ (เป็นเราไม่ มี "เล่น" ในการทดลองข้างต้น) ไม่แสดงในการแสดงภาพประกอบเพลง

ผลลัพธ์ (ไทย) 2:

เพื่อเป็นตัวแทนของกลุ่มที่ได้รับมอบหมาย Weka เพิ่มกลุ่มใหม่และคุณลักษณะที่มีค่าที่สอดคล้องกันของที่ท้ายบรรทัดข้อมูลแต่ละ โปรดทราบว่าคุณลักษณะอื่น ๆ ทั้งหมดจะแสดงรวมทั้งคนที่ไม่สนใจ (เล่นในกรณีนี้) นอกจากนี้ยังมีเพียงกลุ่มใบจะแสดง ตอนนี้ในการคำนวณการเรียนการผิดพลาดของกลุ่มในการพูด, กลุ่มที่ 3 เรามองไปที่แถวข้อมูลที่สอดคล้องกันในแฟ้ม ARFF และได้รับการกระจายของตัวแปรชั้น: {ไม่มีใช่} ซึ่งหมายความว่าการเรียนส่วนใหญ่จะไม่มีข้อผิดพลาดและเป็น 1/3 ถ้าเราต้องการที่จะคำนวณผิดพลาดไม่เพียง แต่สำหรับกลุ่มใบที่เราจำเป็นต้องมองไปที่โครงสร้างการจัดกลุ่ม (ตัวเลือกที่จะช่วยให้เห็นภาพของต้นไม้ที่นี่) และกำหนดวิธีการที่ใบ กลุ่มจะรวมกันในกลุ่มอื่น ๆ ในระดับที่สูงขึ้นของลำดับชั้น ตัวอย่างเช่นในระดับชั้นนำของเรามีสองกลุ่ม -. 1 และ 5 เราจะได้รับการจัดจำหน่ายชั้น 5 โดยตรงจากข้อมูล (เพราะ 5 ใบ) - 3 ใช่และ 3 ไม่มีของ ในขณะที่กลุ่มที่ 1 เราต้อง subclusters ของ -. 2, 3 และ 4 สรุปค่าเรียนที่เราได้รับ 6 ใช่และ 2 ไม่มีของ ในที่สุดส่วนใหญ่ในกลุ่มที่ 1 คือใช่และในกลุ่มที่ 5 ไม่ (อาจจะใช่เกินไป) และความผิดพลาด (สำหรับการแบ่งระดับบนสุดในสองกลุ่ม) เป็น 5/14 Weka ให้อีกวิธีหนึ่งที่จะเห็นกรณีที่เป็นของแต่ละ กลุ่ม เมื่อคุณเห็นภาพการจัดกลุ่มต้นไม้, คุณสามารถคลิกที่โหนดแล้วดูการแสดงของกรณีที่ตกไปอยู่ในกลุ่มที่สอดคล้องกัน (เช่นเป็นใบไม้ของทรีย่อย) นี้เป็นคุณลักษณะที่มีประโยชน์มาก แต่ถ้าคุณไม่สนใจแอตทริบิวต์ (ในขณะที่เราทำกับ "การเล่น" ในการทดลองด้านบน) จะไม่แสดงในภาพ

ผลลัพธ์ (ไทย) 3:

การเป็นตัวแทนของกลุ่มงาน Weka เพิ่มกลุ่มคุณลักษณะใหม่และรวมถึงคุณค่าที่สอดคล้องกันของมันในตอนท้ายของแต่ละบรรทัดของข้อมูล โปรดทราบว่าคุณลักษณะอื่น ๆทั้งหมดจะแสดง รวมถึงละเว้นคน ( เล่นในกรณีนี้ ) นอกจากนี้เพียงใบกลุ่มแสดง ตอนนี้หาคลาสกลุ่มข้อผิดพลาดในการ พูดกลุ่มที่ 3 เรามาดูข้อมูลที่สอดคล้องกันแถวในแฟ้ม arff และได้รับการกระจายของชั้นเรียนตัวแปร : { ไม่ ครับ } ซึ่งหมายความว่าส่วนใหญ่ชั้นจะไม่มีและความผิดพลาดเป็น 1 / 3

ถ้าเราต้องการที่จะหาข้อผิดพลาดไม่เพียง แต่สำหรับกลุ่มที่ใบเราต้องดูที่โครงสร้าง ( เห็นตัวเลือกการจัดกลุ่มต้นไม้ช่วยที่นี่ ) และตรวจสอบว่าใบกระจุกรวมกันในกลุ่มอื่น ๆในระดับที่สูงขึ้นของลำดับขั้น ตัวอย่างเช่น ที่ระดับบนสุด เราสองกลุ่ม - 1 และ 5 เราสามารถเอาชั้นกระจาย 5 โดยตรงจากข้อมูล ( เพราะ 5 ใบ ) - 3 ครับ และ ไม่ .ในขณะที่กลุ่ม 1 เราต้องการ subclusters - 2 , 3 และ 4 สรุปชั้นคุณค่าที่เราได้รับครับ และ 2 ไม่ . ในที่สุด ส่วนใหญ่ในกลุ่มที่ 1 และกลุ่มที่ 5 คือ ไม่มีครับ ( อาจจะใช่เหมือนกัน ) และข้อผิดพลาด ( สำหรับการระดับบนสุดใน 2 กลุ่ม ) 5 / 14 .

Weka มีแนวทางหนึ่งที่จะเห็นกรณีของ ให้แต่ละกลุ่ม เมื่อเธอเห็นกลุ่มต้นไม้คุณสามารถคลิกที่โหนดแล้วดูการแสดงของอินสแตนซ์ลดลงในกลุ่มที่สอดคล้องกัน ( เช่นในใบของย่อย ) นี้เป็นคุณลักษณะที่มีประโยชน์มาก อย่างไรก็ตาม ถ้าคุณละเว้นแอตทริบิวต์ ( ตามที่เราได้ " เล่น " ในการทดลองข้างต้น ) มันไม่แสดงในการมองเห็น