本文转自： 

http://blog.csdn.net/lantian0802/article/details/8875874

http://blog.csdn.net/lkj345/article/details/50152055

点击最上方的Classify按钮，选择Logistic（逻辑回归）分类方法，在Test options中选择Percentage split，66%。这样weka自动将大约2/3的数据作为训练集，大约1/3的数据作为测试集，采用逻辑回归作为分类方法，结果如下图。

 另外也可以选择Cross-validation，Folds设置为10，这是10-fold的交叉验证，首先随机将所有数据随机分成10份，将其中9份作为训练集，另外1份作为测试集，按照逻辑回归进行10次分类实验，最终保证每个数据都能作为测试集并且仅有一次，将10次分类结果综合起来得到最终的分类结果 

为了保证生成的模型的准确性而不至于出现拟合的现象，我们有必要采用10折交叉验证来选择和评估模型。

10 折交叉验证：英文名叫做10-fold corss –validation，用来测试算法的准确性。是常用的测试方法。将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得到相应的正确率（或差错率）。10次的结果的正确率（或差错率）的平均值作为对算法精确读的估计，一般还需要进行多次10折交叉验证。

- Correctly Classified Instances表示分类正确率 
- Incorrectly Classified Instances表示分类错误率 
- TP Rate是True Positive Rate的缩写，表示本来是正样本，结果也被分类成正样本的比例 
- FP Rate是False Positive Rate的缩写，表示本来是负样本，结果却被分类成了正样本的比例 
- Precision表示查准率，公式为Precision = TPTP+FP，含义是被分类为正样本中真正的正样本的比例 
- Recall表示查全率，公式为Recall = TPTP+FN，FN Rate是False Negative Rate的缩写，表示本来是正样本，结果却被分类成负样本的比例，所以Recall的含义是真正的正样本占整个数据集（分类正确的和错误的）中正样本的比例 
- F-Measure的公式是2∗P∗RP+R，是很常用的判断分类效果好坏的指标 

weka和matlab完成完整分类实验

http://blog.csdn.net/lkj345/article/details/50152055

WEKA的应用之 J48（C4.5）

http://blog.csdn.net/omenglishuixiang1234/article/details/48343987