简介：《WEKA 操作入门（数据挖掘）》面向刚接触数据挖掘工具的学习者及需要快速上手 WEKA 的读者，围绕这款开放数据挖掘平台的基础使用展开，帮助建立从数据集理解、算法调用到结果查看的入门认知。内容涉及 WEKA 的界面与功能概览，重点梳理 ARFF 数据格式、实例、属性与关系等核心术语，也提到 CSV 等常见数据准备方式，便于理解数据预处理、分类、回归、聚类、关联规则和可视化等典型任务，并了解该平台在机器学习与统计分析中的应用位置。压缩包共 1 个 doc 文件，约 172KB，篇幅轻量，适合课程实验前速览或自学查漏补缺。已有 792 人学习，可作为掌握 WEKA 操作框架与数据组织方式的入门参考。
1. 先弄明白一件事：WEKA 这个数据挖掘工具，零基础到底能不能上手
第一次听到 WEKA 的人，十个里有八个会在搜索框里先打成 weak——这大概是它最常见的错别字。它是一款做数据挖掘的老工具，名字来自一种鸟，跟功能没多大关系。你可以把它想成一个“数据厨房”：洗菜、切菜、下锅、装盘的工具全摆在台面上，你只要挑一个算法、点一下运行，结果就端出来了。它能干的活包括数据预处理、分类、回归、聚类、关联规则，还有结果的可视化。适合谁？适合刚接触数据挖掘、还写不出代码、却很想亲手跑完一遍完整流程的人——在校学生、想转行的、做报表想再往前一步的，都算。它面向非商业的研究和学习用途，不需要付费，也不要求你先学一门编程语言。
2. 为什么建议从 WEKA 起步：不写一行代码也能跑完一次数据挖掘
很多人对数据挖掘的印象停留在“要先会 Python、会调库、会看论文”。这个印象没错，但它是终点的样子，不是起点的样子。起点真正需要的是：把一份真实表格喂进去，看它吐出一个能解释的结果，中间别被环境问题劝退。WEKA 恰好把这一段路铺平了。
2.1 新手卡住的地方，往往不是算法
我带过不少零基础的人，血泪经验是：真正让人放弃的从来不是“决策树怎么分裂”这种问题，而是装环境。想跑第一个分类模型，得先装解释器、配包管理器、装七八个依赖、处理版本冲突，好不容易装完，跑起来一句ModuleNotFoundError或者KeyError，人是懵的——你连自己错在哪都不知道，黑匣子一样。
WEKA 把这一层抹掉了。它自己是一个带图形界面的程序，算法、数据读写、评估指标都已经打包在里面。前置条件基本只有一个：机器上有能跑起来的 Java 环境。这一点从它的转换命令就能看出来——java weka.core.converters.CSVLoader，命令开头就是java，说明它整个是跑在 Java 上的。所以你要做的准备，是确认 Java 装好了，而不是去理解 JVM 参数。
这对入门的意义很大：你第一天就能看到结果，而不是第一天就在配环境。看到结果，才有第二天。
2.2 算法被做成了菜单：点几下就跑完一次分类
WEKA 里集合了大量能承担数据挖掘任务的机器学习算法，覆盖的方向包括数据预处理、分类、回归、聚类、关联规则，以及在新交互式界面上的可视化。翻译成新手的语言：你手上有一张表，想让它帮你做点判断，大概率不需要自己写算法。
举个它自带的经典小例子，天气数据weather。这张表只有 14 行、5 列：outlook（天气）、temperature（温度）、humidity（湿度）、windy（有没有风）、play（今天出不出门打球）。前三列是你看得懂的描述，最后一列play是你要预测的答案。WEKA 打开它之后，选一个分类算法，点一下开始，它就会告诉你：按这套规则，14 条记录里能对上多少条。
这里有一个 WEKA 的核心约定，我在第 3 章还会反复提：最后一个被声明的属性，默认就是分类或回归任务的目标变量。也就是说，你把play放在最后一列，WEKA 就自动知道“哦，我要预测的是它”。这个约定不写在界面上，但决定了你后面所有的操作顺不顺，新手最容易在这一步翻车。
2.3 它是开放的：能看接口文档，也能塞自己的算法
有人会担心：图形界面工具是不是玩具，学完就到头了？WEKA 这点做得比较厚道，它的接口是开放的，你可以查它的接口文档，可以在 WEKA 里集成自己写的算法，甚至可以借鉴它的做法自己实现一套可视化工具。也就是说，你从界面起步，往深处走的时候有路可走，不是死胡同。
对零基础的人，这句话的实际意义是：你现在用它入门，不会白学。你在这套界面里建立起来的直觉——什么叫实例、什么叫属性、什么叫目标变量、预处理到底在改什么——换到任何别的工具上都通用。
2.4 第一步怎么迈：把界面打开，认准 Explorer
动手的部分很短，别紧张：
- 确认机器上装好了 Java 环境。
- 打开 WEKA 主程序，会出现一个图形界面，下方有几个按钮，分别对应不同的模块。
- 先点进最常用的那个，叫Explorer（探索者）。数据打开、预处理、跑算法，绝大部分入门操作都在这个模块里完成。
- 界面底部还有一个状态栏，能打开 Log 看有没有报错。右边有一只小鸟在动，说明 WEKA 正在执行任务；它不动了，任务就跑完了。
提示：刚开始只在 Explorer 里转，别急着去别的模块。入门阶段用不到它们，进去只会迷路。
另外主界面里还有一个Simple CLI模块，是一个命令行窗口——上面不能打字，能输入的地方在最下方那个框里。第 3 章转换文件格式的时候会用到它。现在你只要知道它在哪就行。
3. 读懂 ARFF：WEKA 眼里的数据，其实就三样东西
把界面点开之后，下一个问题是：数据怎么给它？WEKA 只认一种自己的格式，叫 ARFF，全称是 Attribute-Relation File Format，本质是一个纯文本文件，你用记事本就能打开、就能改。别被这个缩写吓到，它做的事情非常朴素——就是把一张二维表格，用文字描述一遍。
3.1 三个词先对上号：实例、属性、关系
WEKA 处理的数据集，跟很多电子表格或数据分析软件一样，就是一个二维表格。三个术语，其实就是你早就熟悉的东西换了个名字：
| WEKA 的说法 | 统计学里叫 | 数据库里叫 | 表格里的样子 |
|---|---|---|---|
| 实例（Instance） | 样本 | 一条记录 | 一个横行 |
| 属性（Attribute） | 变量 | 一个字段 | 一个竖行 |
| 关系（Relation） | — | 一张表 | 整张表格 |
开头说的那份weather数据，一共 14 个实例、5 个属性，关系名称叫weather。这三句话，就是 ARFF 文件里所有信息的来源。整张表格在 WEKA 看来，呈现的是属性之间的一种关系——名字就是这么来的。
3.2 头信息：@relation 和 @attribute 各写什么
ARFF 文件去掉注释之后，只分两部分：头信息（Head information）和数据信息（Data information）。头信息就是开头那几行，负责声明这张表叫什么、每一列是什么。
关系名称写在第一个有效行，格式是@relation <relation-name>，名字里如果有空格，必须加引号（英文的单引号或双引号都行）。属性声明每个属性一行，以@attribute开头，格式是@attribute <attribute-name> <datatype>，属性名同样必须以字母开头。
这些声明语句的顺序极其重要，新手最容易忽略这一点。原因有两条：
- 顺序决定了这个属性在数据部分的位置。
humidity是第三个被声明的属性，那数据部分每一行用逗号切开之后，第三个数就是它的值。 - 最后一个被声明的属性，默认就是分类或回归的目标变量。你把目标列写在哪，WEKA 就认哪。
所以真正需要记住的规则只有一条：声明顺序 = 列的排列顺序，目标列放最后。
3.3 四种数据类型，以及日期属性怎么写
WEKA 支持的数据类型有四种：numeric数值型、nominal-specification分类（nominal）型、string字符串型、date日期和时间型。
数值型就是一个数，分类型要在大括号里把所有可能取值列全，比如{sunny, overcast, rainy}。日期型稍微特殊，格式是@attribute <name> date [<date-format>]，方括号里规定怎么解析和显示日期，不写的话默认用yyyy-MM-ddTHH:mm:ss这种组合格式。数据部分写的日期字符串，必须符合你声明里规定的格式，否则读不进来。
判断一个属性该用哪种类型，问自己一句：这一列做加减法有意义吗？温度有意义，所以是numeric；性别没有意义，所以是nominal，写成{MALE, FEMALE}。这个判断你后面做预处理时会反复用到。
3.4 数据信息：@data 之后就是一行行记录
从@data这一行开始，往下全是数据，每行一条记录，字段之间用逗号隔开，顺序跟上面声明的一模一样。以%开头的行是注释，WEKA 会直接忽略。
% 这是注释行，WEKA 读取时直接跳过 @relation weather % 前 4 个属性是描述，最后一个 play 是目标变量 @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这段代码里有三件事值得对照着看。第一，@relation weather声明了表名。第二，五行@attribute的顺序，就是下面每行数据的字段顺序：第一个值是天气，第二个是温度……第五个是play，因为它在最后，所以它是目标变量。第三，像rainy,70,96,FALSE,yes这样一行，就代表一个实例——某一天天气雨、温度 70、湿度 96、没风、没出门打球。
注意：分类属性的取值如果写错了大小写（比如声明里是
TRUE，数据里写了true），WEKA 会当成没见过的新取值，读取结果会出乎意料。这种问题不报错，但结果会偏，属于最阴的一类坑。
3.5 从 CSV 到 ARFF：命令和图形界面两条路
你手上的数据几乎不可能是 ARFF。它可能是 Excel 表，可能是 MATLAB 里的矩阵，也可能是从数据库导出来的。WEKA 提供了对 CSV 文件的支持，而 CSV 是被很多其他软件都支持的格式，所以标准动作是：先把数据弄成 CSV，再转成 ARFF。
最省事的转换方式是用 WEKA 自带的命令行工具。打开主程序，进Simple CLI模块，在最下方的输入框里写：
# CSVLoader 是 WEKA 自带的转换器类，b.csv 换成你自己的文件名 # 大于号表示把转换结果写到右边的文件里 java weka.core.converters.CSVLoader b.csv > b.arff这条命令拆开看只有三块：java说明用 Java 执行，weka.core.converters.CSVLoader是 WEKA 里负责读 CSV 的那个类，后面的b.csv > b.arff是“读这个文件、写到那个文件”。文件名建议用英文、不带空格，能省掉一半莫名其妙的失败。
如果你不想敲命令，还有图形界面的路子：在 Explorer 里直接打开 CSV 文件，浏览没问题，再用保存功能另存为 ARFF 格式。这两种方式效果一样，命令行快，图形界面直观，新手建议先用图形界面走一遍，确认数据长什么样，再用命令批量处理。
4. 第一次预处理实战：删掉一列、把两个数值属性切成三段
理论上你已经知道数据长什么样了。这一章是真动手：拿一份客户数据，从 CSV 一路做到“能喂给算法”的 ARFF。这份数据叫bank-data，字段含义如下：
| 属性 | 含义 | 类型 |
|---|---|---|
| id | 客户唯一编号 | 数值 |
| age | 年龄 | 数值 |
| sex | 性别 MALE / FEMALE | 分类 |
| region | 区域 inner_city / rural / suburban / town | 分类 |
| income | 收入 | 数值 |
| married | 是否已婚 YES / NO | 分类 |
| children | 子女数量 | 数值 |
| car | 是否有车 | 分类 |
| save_acct | 是否有储蓄账户 | 分类 |
| current_acct | 是否有活期账户 | 分类 |
| mortgage | 是否有房贷 | 分类 |
| pep | 上次邮寄后是否购买了产品 | 分类（目标） |
最后那个pep就是我们要预测的东西，它必须待在最后一列。
4.1 Explorer 界面认路：八个区域各管什么
用 Explorer 打开bank-data.csv之后，界面上东西很多，但按功能分只有 8 块，认一遍就不慌了：
- 区域 1：上方几个选项卡，用来切换不同的挖掘任务面板。这一章只用
Preprocess，也就是预处理。 - 区域 2：常用按钮区，打开数据、保存、编辑都在这里。我们在这里把 CSV 另存为 ARFF。
- 区域 3：一个
Choose按钮，用来选Filter（过滤器）。筛选数据、变换数据，全靠它。 - 区域 4：数据集的基本情况，多少实例、多少属性，一眼可见。
- 区域 5：所有属性的列表。勾选之后点
Remove就能删掉，删错了还能用区域 2 的Undo找回来。属性名左边有数字编号，这个编号后面要用来指定“对哪几列动手”。 - 区域 6：选中某个属性后，这里显示它的摘要。数值属性和分类属性的摘要方式不一样，注意区分。
- 区域 7：选中属性的直方图。如果最后一个属性是分类变量，直方图里每个长方形会按类别比例分成不同颜色的段。
- 区域 8：状态栏。看 Log 判断有没有出错，右键还能触发内存回收。
先把这份“地图”记住，后面每一步都在这上面点。
4.2 第一刀：删掉 id 这种没用的属性
数据挖掘任务里，像id这种唯一编号是没用的。它每行都不一样，不携带任何可学习的规律，留着只会让算法多算一列，甚至带偏结果。做法很直接：在区域 5 勾选id，点Remove，这一列就没了。
删完记得保存一次。保存的时候你会得到一个 ARFF 文件，用文本编辑器打开它，会看到 WEKA 已经替每个属性选好了合适的类型：age、income、children变成numeric，sex、region、pep这些变成带大括号的分类型。这一步不用你手写，它是自动的，但你要知道它做了这件事——因为下一步就要改它。
提示：删属性之前先想清楚。
Undo能救一次两次，但如果你删完又保存又关掉，后悔药就没了。稳妥的习惯是：动大手术之前，先另存一个备份文件。
4.3 手工改 ARFF：children 从 numeric 变分类
有些算法只能处理所有属性都是分类型的情况。这时候就要对数值属性做离散化——把连续的数值切成几段，变成类别。这一步有个小技巧能省很多力气。
children（子女数量）这一列，虽然被识别成numeric，但它实际只有 4 个取值：0、1、2、3。这种情况根本不需要跑过滤器，直接用文本编辑器打开 ARFF 文件，找到那一行，把
@attribute children numeric改成
@attribute children {0,1,2,3}就完事了。原理很简单：你只是告诉 WEKA，这一列不是连续的数，而是四个固定选项。改完存盘，回到 Explorer 重新打开这个文件，选中children，看区域 6 里的Type是不是变成了Nominal——变了就说明改对了。
这一步值得多做几次，因为它让你亲手摸到了 ARFF 的结构。很多人学了一整天才意识到：原来这个文件是可以手改的，而且改起来比点来点去快。
4.4 用 Discretize 把 age 和 income 分段
age和income就不一样了，取值太多太散，不可能手写大括号。这时候用 WEKA 自带的Discretize过滤器：在区域 2 点Choose，会出现一棵过滤器树，逐级找到weka.filters.unsupervised.attribute.Discretize，点它。（如果这棵树点不掉，在树外面点一下面板空白处就收起来了。）
选好之后，Choose旁边的文本框会显示一串默认参数，大概是Discretize -B 10 -M -0.1 -R first-last这个样子。点这个文本框会弹出参数窗口。我们只改两处：
- 把
attributeIndices改成1,4。因为我们只打算离散化第 1 个和第 4 个属性——按区域 5 显示的编号，1 是age，4 是income。删掉id之后编号会整体前移，看界面上的实际数字，别凭记忆。 - 把
bins改成3。意思是每个属性切成 3 段。
其它框不用动，实在好奇某个参数什么意思，点窗口里的More看说明。改完点OK回到 Explorer，再点Choose右边的Apply。这时你会看到age和income的 Type 变成了Nominal，说明离散化生效了。如果切错了想退回去，点区域 2 的Undo。
注意：
Apply这个按钮必须点。很多人改完参数点OK就以为完事了，结果发现数据一点没变，然后开始怀疑软件坏了——其实只是参数设好了但没执行。这是新手排名第一的“假故障”。
4.5 把 (-inf-34.33] 换成看得懂的标签
离散化完成后，age的取值会变成类似'(-inf-34.333333]'这种形式。它的意思是“从负无穷到 34.33”，数学上没错，人看着难受。想让它好读，可以用文本编辑器打开保存后的 ARFF 文件，把这些晦涩的标识批量替换成0_34这样的短标签，其它区间照做。
这一步不是必须的，但它有个实际好处：等你后面看分类结果、看规则的时候，0_34一眼就懂，(-inf-34.333333]得在脑子里翻译一遍。标签是给人看的，能用就换成能读的。
做完这些，把数据集另存为 ARFF 格式，你就得到了第一份“洗过”的数据——可以正式喂给算法了。
5. 新手最容易翻车的五个地方：现象、原因和补救办法
这一章全是踩坑记录。每一条我都见过有人真实卡住，症状看着吓人，原因往往很小。
5.1 坑一：第一行数据变成了属性名
现象：CSV 转成 ARFF 之后，属性列表里出现了一堆奇怪的名字，比如属性名叫23、MALE；而数据行数比原表少了一行。
原因：WEKA 读 CSV 时，会把第一行当作属性名。如果你的 CSV 是 MATLAB 导出的，或者 Excel 里本来就没写表头，那第一行真实数据就被当成表头吃掉了。
解决：用文本编辑器打开 CSV，手工在最前面加一行属性名，个数必须和数据的列数一致，仍然用逗号隔开。加完再转一次，属性列表就正常了。这个坑很隐蔽，因为程序不报错，只是数据悄悄少了一行——少一行数据，结论就可能不一样。
5.2 坑二：手改 ARFF 后打不开，报一堆错
现象：用文本编辑器改完 ARFF，重新在 Explorer 里打开，直接弹错误，或者属性全是乱的。
原因：手工改 ARFF 有三个高频失误：一是大括号里的取值用了中文逗号；二是属性名里带了空格却没加引号；三是声明了几个属性，数据行里的字段数却没跟上。
解决：改完先数一遍——@attribute有几行，@data下面每行就有几个逗号分隔的字段，两者必须完全一致。逗号、引号统统用英文半角。实在找不到问题，就把文件头和第一行数据贴出来逐字比对，错误一定在这几行里。
5.3 坑三：Apply 点了没反应，或者根本找不到 Discretize
现象：参数改好了，点OK回来，数据纹丝不动；或者在过滤器树里翻来翻去找不到Discretize。
原因：没点Apply是最常见的原因，参数设置和执行是两步。找不到过滤器，通常是在树里迷路了——那棵树的层级比较深。
解决：记住动作顺序是“Choose → 改参数 → OK → Apply”，四步缺一不可。找过滤器时按路径走：weka→filters→unsupervised→attribute→Discretize，别乱点。如果你点开的是别的分支，参数名会对不上，这也是个信号。
5.4 坑四：删错了属性，Undo 也救不回来
现象：删了几列之后发现删多了，点Undo只能退一步，退不回最初的状态。
原因：Undo是单步撤销，不是历史回滚。而且如果你中途保存过文件，磁盘上的版本已经被覆盖了。
解决：养成两个习惯——大改之前先另存一个副本；每完成一个阶段就保存一次并换个文件名，比如bank-data-1.arff、bank-data-2.arff。文件名多一点，返工少一点，这是最便宜的安全网。
5.5 坑五：文件转换成功，但打开是空的
现象：命令行跑了转换命令，也生成了 ARFF 文件，打开一看没有数据，或者只有头信息。
原因：多半是路径问题。命令里写的b.csv是相对于当前工作目录的，文件不在那个目录下，读到的就是空。还有一种情况是文件名带空格或中文，被命令拆成了两段。
解决：把 CSV 和要生成的 ARFF 放在同一个简单路径下，文件名用英文加下划线。转换完先看文件大小，几 KB 的文件不可能装着一万条记录；再用文本编辑器打开瞄一眼，确认@data下面真有内容。这一步花十秒，能省半小时排查。
6. 下一步学什么：从预处理走向分类任务的学习顺序
预处理跑通之后，很多人会立刻想去调算法参数。我的建议是：先别碰参数，把整条链路走一遍。顺序大概是这样：
| 顺序 | 练什么 | 在哪个面板 | 怎么算过关 |
|---|---|---|---|
| 1 | 预处理 | Preprocess | 数据能打开、类型对、目标列在最后、没有报错 |
| 2 | 分类 | Classify | 能说出准确率是多少，能指出错分的是哪几条 |
| 3 | 聚类 | Cluster | 能把聚类结果和已知类别对照着看，说出差在哪 |
| 4 | 关联规则 | Associate | 能读懂一条规则在业务上是什么意思 |
第 2 步是重点。选一个算法跑起来，看结果里的几个数字：正确分类了多少条、错误分类了多少条、混淆矩阵长什么样。别急着追高准确率，先弄明白这些数字是怎么算出来的。等你能解释“为什么这 3 条被分错了”，再回头去调参数，效率完全不一样。
第 3 步和第 4 步属于扩展视野。聚类没有标准答案，正好用来练“怎么判断结果有没有意义”；关联规则最贴近业务，一条规则读懂了，你就知道这东西能用在什么地方。
还有一件事：那三个数值属性离散化之后，可以试着改改bins的段数，从 3 改成 5 再看结果。你会发现结果会变。这不是玄学，是分箱粒度影响了信息损失的程度。亲手感受一次这种变化，比看十页文档有用。
我第一次带人做这套流程时，犯过一个很低级的错误：数据改完直接关掉窗口，忘了保存，第二天打开是一份原始文件，前面半小时白干。从那以后我每次动数据之前都强制走一遍“另存副本 → 改 → 再另存”的流程，文件名后面加序号，宁可多几个文件，也不给自己留返工的余地。希望这个习惯能帮你少走一段弯路——把这份资源拿到手，从第 4 章那份客户数据开始，先跑通一遍，比什么都实在。希望帮到你。
本文还有配套的精品资源，点击获取
