WEKA可视化技术求助：分类、回归等算法可视化问题咨询

分类算法（Classification） #

解决OneR可视化粗糙问题 #

• 导入ARFF文件后切换到Classify标签，选择OneR分类器并运行
• 右键点击结果列表中的OneR结果，选择Visualize threshold curve生成精度-召回曲线，可在窗口中调整缩放比例、字体大小，或右键导出为高清图片
• 若要更细致的统计可视化，可选择Save result buffer导出结果为文本，提取数据后自行整理绘图

解决J48树结构混乱问题 #

• 运行J48前，在分类器参数设置中勾选Prune tree（剪枝），减少冗余分支
• 运行后右键结果选择Visualize tree，在弹出的窗口中：
  • 用鼠标拖拽调整节点位置，滚轮缩放视图
  • 点击窗口上方的Layout按钮，选择横向/纵向布局，或调整节点间距
  • 若仍嫌复杂，可选择Export tree to DOT，用WEKA内置的树渲染工具调整样式后导出清晰结构

回归算法（Regression） #

• 切换到Classify标签（WEKA中回归算法归类在此），选择LinearRegression、M5P等回归器运行
• 右键结果选择Visualize regression error查看残差分布，可调整坐标轴范围、点的大小来突出异常值
• 切换到Visualize标签，将真实目标值设为X轴，预测值设为Y轴，绘制散点图；点击Plot按钮添加拟合线，对比预测与真实值的偏差

关联规则算法（Association） #

• 切换到Associate标签，选择Apriori或FP-growth算法，设置合理的最小支持度/置信度（避免生成过多冗余规则）后运行
• 右键结果选择Visualize associations，在可视化窗口中：
  • 用节点大小表示规则支持度，颜色表示置信度，直观区分核心规则
  • 拖动滑块筛选规则数量，或在左侧面板输入阈值过滤低价值规则
  • 选择Force-directed布局让规则分布更清晰，避免节点重叠

聚类算法（Clustering） #

• 切换到Cluster标签，选择K-Means、DBSCAN等聚类器运行
• 右键结果选择Visualize clusters，在Visualize标签中：
  • 选择两个核心特征作为X/Y轴，不同聚类会用不同颜色标记
  • 若数据集有标注类别，可勾选Show class labels对比聚类结果与真实分类的匹配度
  • 右键视图选择Save as image导出聚类分布散点图

通用优化技巧 #

• 确保ARFF文件的属性类型正确（数值/标称），可在Preprocess标签中检查并修改
• 用Filter标签做特征选择（比如AttributeSelection），移除无关特征，减少可视化的复杂度
• 所有可视化窗口支持右键导出图片、调整字体/图例样式，按需优化显示效果

内容的提问来源于stack exchange，提问作者JaneyCarmichael