本文目的
weka是一套使用java開發的數據挖掘工具集合，提供GUI/CLI界面和Java API使用方式。所以，在學習和解決數據挖掘問題時，可以先嘗試用weka的GUI或CLI做出合適的分析，找到適當的算法，然后在將此算法集成到自己的項目中。最近在的項目中遇到了文本聚類的問題，kmeans是一種常見的聚類算法，這里先拿此算法和示例數據做一些實驗，以便熟悉weka的界面操作。
什么是kmeans
詳細的描述，參見這里。通俗的解釋，就是將K個點，稱為中心點（K需要預先給出），隨機的放到數據集中，然后針對數據集中的每個點計算與這K個中心點的距離，找到每個點最近的中心點。然后更新這K個中心點，使每個中心點是最近的點的平均中心點。如此循環，直到這K個點的位置不能再移動，得到K個聚類。
數據集
weka定義了自己的數據集文件格式，以.arrf結尾，整體感覺就是一張表格，主要分為四個部分（如下圖）：
- 注釋，comment
- 數據集名稱，relation
- 屬性，attribute，相當於列
- 數據，每行是一個實例，每一行中的每個字段用逗號隔開，字符串在引號中間，也可以是數字或枚舉
獲取並安裝weka
到官網上獲取weka，如果本機有jre，那么直接下載weka安裝包，如果沒有jre，又不想手動安裝java，可以安裝帶有jre的weka，后者會比前者大。
獲取后，直接雙擊，然后一步步OK，就行，最后會在桌面上生成小圖標
執行Kmeans聚類操作
雙擊小圖標，彈出如下對話框，
選擇“Explorer”，如果以后高級用戶，可以選擇最后的“Simple CLI”，直接命令行操作。
彈出如下對話框
這里，需要實驗數據集，點擊這里下載，然后點擊“open file …”，導入剛剛下載的數據集，出現如下界面，說明導入OK。
現在，選取最上面的第三個tab“Cluster”,進入聚類分析主界面
點擊“Choose”按鈕，選擇聚類算法。這里先選擇了SimpleKMeans，單機“Choose”旁邊的輸入框，可以設置算法參數
這里需要將”numClusters”修改為一個合適的值，其他保留默認即可。
記下來，點擊開始，weka就開會幫你算出結果，結果會以文件的方式存儲在Result List中，方便后面分析。右邊是計算結果。
結果可視化
Explorer主界面最上面最后一個tab是數據結果可視化，目前只能支持2緯可視化，所以個人覺得比較雞肋，因為一般數據緯度都為大於2緯。
具體如何使用可視化，可以參見最后的鏈接。
以上就是利用weka進行kmeans聚類操作的過程。
參考資料