UCI数据集怎么用？

数据集

的说明

告诉了读者

数据的属性和类别，用户可以用自己的数据挖掘方法去将

uci数据集的分类，将结果与数据说明的结果对比。说明自己算法的正确性

下面以UCI中IRIS为例介绍一下数据集：

ucidata\iris中有三个文件：

Index

iris.data

iris.names

index为文件夹目录，列出了本文件夹里的所有文件，如iris中index的内容如下：

Index of iris

18 Mar 1996 105 Index

08 Mar 1993 4551 iris.data

30 May 1989 2604 iris.names

iris.data为iris数据文件，内容如下：

5.1,3.5,1.4,0.2,Iris-setosa

4.9,3.0,1.4,0.2,Iris-setosa

4.7,3.2,1.3,0.2,Iris-setosa

……

7.0,3.2,4.7,1.4,Iris-versicolor

6.9,3.1,4.9,1.5,Iris-versicolor

……

6.3,3.3,6.0,2.5,Iris-virginica

6.4,3.2,4.5,1.5,Iris-versicolor

5.8,2.7,5.1,1.9,Iris-virginica

7.1,3.0,5.9,2.1,Iris-virginica

……

如上，属性直接以逗号隔开，中间没有空格（5.1,3.5,1.4,0.2,），最后一列为本行属性对应的值，即决策属性Iris-setosa

。

iris.names介绍了irir数据的一些相关信息，如数据标题、数据来源、以前使用情况、最近信息、实例数目、实例的属性等，如下所示部分：

……

7. Attribute Information:

1. sepal length in cm

2. sepal width in cm

3. petal length in cm

4. petal width in cm

5. class:

-- Iris Setosa

-- Iris Versicolour

-- Iris Virginica

……

9. Class Distribution: 33.3% for each of 3 classes.

本数据的使用实例请参考其他论文，或本站后面的内容。

下面以wine数据为例导入matlab并利用前面提到的libsvm做测试

>>uiimport('wine.data')

导入数据，workspace处出现wine数组178*14

将标签和数据属性提取，并保存到matlab平台下的数据

>>wine_label = wine(:,1)

>>wine_data = wine(:,2:end)

>>save winedat.mat

（下次使用的时候可以直接>>load winedat）

svm训练模型得到wine模型

>>modelw = svmtrain(wine_data,wine_label)

.*

optimization finished, #iter = 239

nu = 0.892184

obj = -61.125695, rho = 0.131965

nSV = 130, nBSV = 53

.*

optimization finished, #iter = 193

nu = 0.882853

obj = -50.421538, rho = -0.166754

nSV = 107, nBSV = 42

.*

optimization finished, #iter = 214

nu = 0.800233

obj = -53.411663, rho = -0.286931

nSV = 119, nBSV = 44

Total nSV = 178

分类结果

>>[plabelw, accuracyw] = svmpredict(wine_label,wine_data,modelw)

Accuracy = 100% (178/178) (classification)