数据挖掘实验报告_计算机-数据挖掘与模式识别.pdf

.资料.数据挖掘实验报告 实验序号：实验项目名称：C4.5 算法 学 号 姓 名 专业、班 12 数学金融 实验地点 实验楼 5-510 指导教师 巍巍 实验时间 2014.12.24 一、实验目的及要求 1：选择一个数据挖掘标准数据集，采用 C4.5 算法进行分类，给出分类精度，画出用 C4.5 算法诱导的树并写出生成的规则集合。2：在数据挖掘标准数据集上，实验对比剪枝与未剪枝的树的分类性能。3：总结 C4.5 算法的优缺点 二、实验设备（环境）及要求 电脑 WEKA 3.6.1 三、实验容与步骤（3）数据分类（c4.5 算法实现）1.导入数据 .资料.实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.（2）选择 C4.5 分类器进行分类 结果为 其中分类精度为 50%生成的决策树为 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.分类规则：J48 pruned tree-outlook=sunny|humidity=high:no(3.0)|humidity=normal:yes(2.0)outlook=overcast:yes(4.0)outlook=rainy|windy=TRUE:no(2.0)|windy=FALSE:yes(3.0)剪枝后结果为 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.分类精度变为57.1%性能变好 （1）C4.5 算法优缺点 优点：分类精度高，生成的分类规则比较简单，易于理解。缺点：需要多次扫描数据集，比较低效 五、分析与讨论 六、教师评语 签名：日期：成绩 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.数据挖掘实验报告 实验序号：实验项目名称：KNN 算法 学 号 姓 名 专业、班 12 数学金融 实验地点 实验楼 5-510 指导教师 巍巍 实验时间 2014.12.24 一、实验目的及要求 1：KNN 算法的基本思路、步骤。2：选择 UCI 中的 5 个标准数据集，使用 KNN 算法在该数据集上计算混淆矩阵。3：选择 2 个数据集，选择不同的 k 值，k=1,3,5,7,9，对比 KNN 算法计算结果的差异。二、实验设备（环境）及要求 电脑 WEKA 3.6.1 四、实验容与步骤 1.数据集 contact-lenses.arff Glass.arff 两者的混淆矩阵分别为 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.(2)两个数据集在 K=1,3,5,7,9下结果分别为 Glass：K=1;=Summary=Correctly Classified Instances 151 70.5607%Incorrectly Classified Instances 63 29.4393%Kappa statistic 0.6005 Mean absolute error 0.0897 Root mean squared error 0.2852 Relative absolute error 42.3747%Root relative squared error 87.8627%Total Number of Instances 214 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.786 0.167 0.696 0.786 0.738 0.806 build wind float 0.671 0.13 0.739 0.671 0.703 0.765 build wind non-float 0.294 0.051 0.333 0.294 0.313 0.59 vehic wind float 0 0 0 0 0?vehic wind non-float 0.769 0.03 0.625 0.769 0.69 0.895 containers 0.778 0.015 0.7 0.778 0.737 0.838 tableware 0.793 0.011 0.92 0.793 0.852 0.884 headlamps Weighted Avg.0.706 0.109 0.709 0.706 0.704 0.792 =Confusion Matrix=a b c d e f g -classified as 55 9 6 0 0 0 0|a=build wind float 15 51 4 0 3 2 1|b=build wind non-float 9 3 5 0 0 0 0|c=vehic wind float 0 0 0 0 0 0 0|d=vehic wind non-float 0 2 0 0 10 0 1|e=containers 0 1 0 0 1 7 0|f=tableware 0 3 0 0 2 1 23|g=headlamps K=3;实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.=Summary=Correctly Classified Instances 154 71.9626%Incorrectly Classified Instances 60 28.0374%Kappa statistic 0.6097 Mean absolute error 0.0983 Root mean squared error 0.2524 Relative absolute error 46.4438%Root relative squared error 77.7792%Total Number of Instances 214 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.843 0.215 0.656 0.843 0.738 0.865 build wind float 0.711 0.138 0.74 0.711 0.725 0.835 build wind non-float 0.176 0.015 0.5 0.176 0.261 0.672 vehic wind float 0 0 0 0 0?vehic wind non-float 0.615 0.015 0.727 0.615 0.667 0.913 containers 0.778 0.01 0.778 0.778 0.778 0.914 tableware 0.793 0.011 0.92 0.793 0.852 0.885 headlamps Weighted Avg.0.72 0.123 0.718 0.72 0.708 0.847 =Confusion Matrix=a b c d e f g -classified as 59 10 1 0 0 0 0|a=build wind float 19 54 2 0 1 0 0|b=build wind non-float 10 4 3 0 0 0 0|c=vehic wind float 0 0 0 0 0 0 0|d=vehic wind non-float 0 3 0 0 8 0 2|e=containers 0 1 0 0 1 7 0|f=tableware 2 1 0 0 1 2 23|g=headlamps K=5;=Summary=Correctly Classified Instances 145 67.757%Incorrectly Classified Instances 69 32.243%Kappa statistic 0.5469 Mean absolute error 0.1085 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.Root mean squared error 0.2563 Relative absolute error 51.243%Root relative squared error 78.9576%Total Number of Instances 214 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.843 0.229 0.641 0.843 0.728 0.867 build wind float 0.684 0.174 0.684 0.684 0.684 0.848 build wind non-float 0 0.01 0 0 0 0.642 vehic wind float 0 0 0 0 0?vehic wind non-float 0.385 0.025 0.5 0.385 0.435 0.952 containers 0.667 0.01 0.75 0.667 0.706 0.909 tableware 0.793 0.016 0.885 0.793 0.836 0.89 headlamps Weighted Avg.0.678 0.142 0.635 0.678 0.651 0.853 =Confusion Matrix=a b c d e f g -classified as 59 10 1 0 0 0 0|a=build wind float 20 52 1 0 3 0 0|b=build wind non-float 12 5 0 0 0 0 0|c=vehic wind float 0 0 0 0 0 0 0|d=vehic wind non-float 0 5 0 0 5 0 3|e=containers 0 2 0 0 1 6 0|f=tableware 1 2 0 0 1 2 23|g=headlamps K=7;=Summary=实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.Correctly Classified Instances 137 64.0187%Incorrectly Classified Instances 77 35.9813%Kappa statistic 0.4948 Mean absolute error 0.1147 Root mean squared error 0.2557 Relative absolute error 54.1689%Root relative squared error 78.7876%Total Number of Instances 214 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.829 0.271 0.598 0.829 0.695 0.876 build wind float 0.605 0.181 0.648 0.605 0.626 0.852 build wind non-float 0.059 0.005 0.5 0.059 0.105 0.71 vehic wind float 0 0 0 0 0?vehic wind non-float 0.308 0.03 0.4 0.308 0.348 0.939 containers 0.556 0.015 0.625 0.556 0.588 0.976 tableware 0.793 0.016 0.885 0.793 0.836 0.89 headlamps Weighted Avg.0.64 0.158 0.636 0.64 0.617 0.864 =Confusion Matrix=a b c d e f g -classified as 58 11 1 0 0 0 0|a=build wind float 26 46 0 0 4 0 0|b=build wind non-float 11 5 1 0 0 0 0|c=vehic wind float 0 0 0 0 0 0 0|d=vehic wind non-float 0 5 0 0 4 1 3|e=containers 1 2 0 0 1 5 0|f=tableware 1 2 0 0 1 2 23|g=headlamps 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.K=9;=Summary=Correctly Classified Instances 135 63.0841%Incorrectly Classified Instances 79 36.9159%Kappa statistic 0.4782 Mean absolute error 0.1196 Root mean squared error 0.2581 Relative absolute error 56.4924%Root relative squared error 79.5178%Total Number of Instances 214 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.829 0.278 0.592 0.829 0.69 0.881 build wind float 0.645 0.174 0.671 0.645 0.658 0.853 build wind non-float 0 0.005 0 0 0 0.694 vehic wind float 0 0 0 0 0?vehic wind non-float 0.231 0.03 0.333 0.231 0.273 0.933 containers 0.222 0.015 0.4 0.222 0.286 0.964 tableware 0.793 0.027 0.821 0.793 0.807 0.888 headlamps Weighted Avg.0.631 0.159 0.58 0.631 0.597 0.864 =Confusion Matrix=a b c d e f g -classified as 58 11 1 0 0 0 0|a=build wind float 23 49 0 0 3 1 0|b=build wind non-float 13 4 0 0 0 0 0|c=vehic wind float 0 0 0 0 0 0 0|d=vehic wind non-float 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.0 6 0 0 3 0 4|e=containers 3 1 0 0 2 2 1|f=tableware 1 2 0 0 1 2 23|g=headlamps contact-lenses:K=1;=Summary=Correctly Classified Instances 19 79.1667%Incorrectly Classified Instances 5 20.8333%Kappa statistic 0.6262 Mean absolute error 0.2262 Root mean squared error 0.3165 Relative absolute error 59.8856%Root relative squared error 72.4707%Total Number of Instances 24 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.8 0.053 0.8 0.8 0.8 0.958 soft 0.75 0.1 0.6 0.75 0.667 0.925 hard 0.8 0.222 0.857 0.8 0.828 0.896 none Weighted Avg.0.792 0.167 0.802 0.792 0.795 0.914 =Confusion Matrix=a b c -classified as 4 0 1|a=soft 0 3 1|b=hard 1 2 12|c=none K=3;=Summary=Correctly Classified Instances 19 79.1667%Incorrectly Classified Instances 5 20.8333%Kappa statistic 0.6262 Mean absolute error 0.2262 Root mean squared error 0.3165 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.Relative absolute error 59.8856%Root relative squared error 72.4707%Total Number of Instances 24 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.8 0.053 0.8 0.8 0.8 0.958 soft 0.75 0.1 0.6 0.75 0.667 0.925 hard 0.8 0.222 0.857 0.8 0.828 0.896 none Weighted Avg.0.792 0.167 0.802 0.792 0.795 0.914 =Confusion Matrix=a b c -classified as 4 0 1|a=soft 0 3 1|b=hard 1 2 12|c=none K=5;=Summary=Correctly Classified Instances 16 66.6667%Incorrectly Classified Instances 8 33.3333%Kappa statistic 0.3356 Mean absolute error 0.2793 Root mean squared error 0.3624 Relative absolute error 73.9227%Root relative squared error 82.9705%Total Number of Instances 24 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.6 0.053 0.75 0.6 0.667 0.947 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.soft 0.25 0.1 0.333 0.25 0.286 0.856 hard 0.8 0.556 0.706 0.8 0.75 0.859 none Weighted Avg.0.667 0.375 0.653 0.667 0.655 0.877 =Confusion Matrix=a b c -classified as 3 0 2|a=soft 0 1 3|b=hard K=7;=Summary=Correctly Classified Instances 14 58.3333%Incorrectly Classified Instances 10 41.6667%Kappa statistic -0.0619 Mean absolute error 0.3188 Root mean squared error 0.387 Relative absolute error 84.3959%Root relative squared error 88.61%Total Number of Instances 24 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0 0.053 0 0 0 0.947 soft 0 0 0 0 0 0.831 hard 0.933 1 0.609 0.933 0.737 0.807 none Weighted Avg.0.583 0.636 0.38 0.583 0.461 0.841 =Confusion Matrix=a b c -classified as 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.0 0 5|a=soft 0 0 4|b=hard 1 0 14|c=none K=9;=Summary=Correctly Classified Instances 14 58.3333%Incorrectly Classified Instances 10 41.6667%Kappa statistic -0.0619 Mean absolute error 0.3188 Root mean squared error 0.387 Relative absolute error 84.3959%Root relative squared error 88.61%Total Number of Instances 24 =Detailed Accuracy By Class=TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0 0.053 0 0 0 0.947 soft 0 0 0 0 0 0.831 hard 0.933 1 0.609 0.933 0.737 0.807 none Weighted Avg.0.583 0.636 0.38 0.583 0.461 0.841 =Confusion Matrix=a b c -classified as 0 0 5|a=soft 0 0 4|b=hard 1 0 14|c=none 可以看出第一个数据集在 K=3 时分类精度最高，而第二个数据集在 K=1 或 3 时分类精度最高。实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料.资料.五、分析与讨论 实验目的及要求选择一个数据挖掘标准数据集采用算法进行分类给出分类精度画出用算法诱导的树并写出生成的规则集合在数据挖掘标准数据集上实验对比剪枝与未剪枝的树的分类性能总结算法的优缺点二实验设备环境及要求电脑资料分类规则剪枝后结果为资料分类精度变为性能变好算法优缺点优点分类精度高生成的分类规则比较简单易于理解缺点需要多次扫描数据集比较低效五分析与讨论六教师评语成绩签名日期资料数据挖掘实验报告实验序号实验项目选择中的个标准数据集使用算法在该数据集上计算混淆矩阵选择个数据集选择不同的值对比算法计算结果的差异二实验设备环境及要求电脑四实验容与步骤数据集两者的混淆矩阵分别为资料两个数据集在下结果分别为资料资料资料