目前非代码的数据挖掘工具很多，但非开源，weka是一款开源软件。只要安装jdk环境就可使用(具体安装jdk可以百度)

本文将论述如何不用代码，使用weka操作，通过与文档频数与单词权的特征选择方法进行文本聚类(数据为附件)

第一步：将weka创建NetBeans文件目录中

将weka导入NetBeans软件中，

1 在某处新建一个WEKA-Rebuild目录，在它下面建一个目录叫src。在WEKA的安装目录中找到weka-src.jar，用winrar之类的解压缩软件打开，并把其中的目录weka解压缩到刚才建立的src目录下。 现在的目录结构应该是 WEKA-Rebuild -> src-> weka -> associations, attributeSelection, ... 打开NetBeans，“文件”菜单 - “新建项目” - 选择“常规”中的“基于现有源代码的Java项目” - “下一步”。“项目文件夹”选择WEKA-Rebuild目录，“项目名称”写weka-rebuild， “下一步”。在“源包文件夹”那里“添加文件夹”，找到src目录“打开”，“完成”。

2现在NetBeans左上方项目那一栏应该有粗体的“weka-rebuild”，这就是我们要编译的weka项目。右键点它，“生成项目”。下方会出现很多警告，不用管，不出意外的话最后会提示你生成项目成功。仍然右键点击“weka-rebuild”，“运行项目”。会弹出一个对话框让你设置主类。WEKA的主类可设置成weka.gui.Main。选中合适的主类后“确定”，不一会儿WEKA的界面就会出现在你面前，和开始菜单里运行的WEKA效果一样。

打开NetBeans软件。点击源包-weka.gui.，找到Main.java文件。双击，结果如下图所示。

第二步：执行weka

1.点击 源包-weka core tokenizers，右键 选择 新建java类。

修改类名为：CHWordTokenizer

选择包为：weka core tokenizers

点击完成 。结果见下图。

2.修改代码。将已给资料中的代码复制到文本中。

并将原橘黄色部分“Utf-8”改成“cp936”。如下图所示。

3.点开之前已经打开过的Main.java界面

点击 运行-运行文件

出现下图所示界面。

在该界面中，点击 application-explorer。返回weka界面，点击open file，载进中文文档。

第三步：创建中文文本文件。

1.将已有中文文本资料 sample 文件夹放入D盘。

2.打开weka - SimpleCLI。

3.在输入栏输入 【java weka.core.converters.TextDirectoryLoader-dir d:/sample > d:/sample.arff】点击回车键运行。如下图所示。

4.D盘出现sample.arff文件。

5.打开C盘weka的安装文件夹，找到RunWeka.ini文件

将cp1252替换成cp936(简体中文)

保存文件

第四步：改分词。

1.打开 weka-explorer-open file-sample .arff

2.Filter-choose-unsupervised-attribute-StringToWordVector

将 tokenizer 改成 CHWordTokenizer

点击ok

4.点击apply，点击save，查看word形式(命名：sampleword1)的成果。

再次打开Filter-choose-unsupervised-attribute-StringToWordVector

双击修改 StringToWordVector 的参数。

将 IDFTransform 改为 True (调平滑)

outputWordCounts 改为 True

minTermFreq改为 1

wordToKeep 改为 200

点击 OK 运行

7.点击apply，点击save，查看word形式(命名：sampleword2)的成果。

8.由下图可以看出，第1个的权重变成1。660731，第2个权重是2.040221，第5个权重是2.278869……

权重结果和sampleword1 不同。

9.返回weka，重新加载sample.arff原始文件

10.点击 Cluster-simpleMeans，双击调整参数。

11.点击 distanceFunction ,选择第二项 欧氏距离。

将 numClusters 改为 10

点击OK