如何解读WEKA中二元分类数据集的J48分类器结果？

你的猜测是对的：正确分类/错误分类的实例占比就是模型在测试数据集上的预测表现——比如你结果里的82.7586%正确分类，意味着测试集中近83%的样本被模型准确预测，剩余17.2414%是预测错误的样本。

下面重点解释你困惑的两个误差指标：

Relative Absolute Error（相对绝对误差） #

• 本质是模型的平均绝对误差与「基准模型（比如总是预测样本均值的简单模型）的平均绝对误差」的比值
• 计算逻辑：相对绝对误差 = (模型绝对误差的平均值) / (基准模型绝对误差的平均值)
• 数值越小越好：0代表模型预测完全准确；1代表模型和基准模型表现持平；大于1则说明模型比基准模型还差
• 你的结果中该值为29.02%，说明你的模型比基准模型的绝对误差低了70%左右，表现远优于基准

Root Relative Squared Error（根相对平方误差） #

• 是模型的均方根误差（RMSE）与「基准模型的均方根误差」的比值
• 计算逻辑：根相对平方误差 = sqrt(模型平方误差的平均值) / sqrt(基准模型平方误差的平均值)
• 评价逻辑和相对绝对误差一致：数值越小，模型预测精度越高；1代表和基准模型表现持平，大于1则更差
• 你的结果中该值为47.7%，说明模型的均方根误差比基准模型低了约52%，表现同样优于基准

内容的提问来源于stack exchange，提问作者Conor