1进入Explorer

打开weka，点击Explorer进入操作界面。

2打开文件

进入主界面后，点击Open file，选择需要挖掘的数据，找到安装weka的路径（路径为：/opt/weka）。

weka的路径下面的data文件夹中有自带的数据集，选择vote.arff数据集。arff格式是weka专用的文件格式，全称Attribute-Relation File Format。它是一个ASCII文本文件，记录了一些共享属性的实例。表格里的横行称作一个实例，竖行称作一个属性，这样的一个数据集，呈现了属性之间的一种关系。vote.arff数据集可以用来基于投票模式预测所属党派。

3选择算法

点击Associate后点击choose选择关联规则挖掘相关算法。

选择FPGrowth算法。FP-growth算法比Apriori算法效率更高，在整个算法执行过程中，只需要遍历数据集2次，就能够完成频繁模式发现。其发现频繁项集的基本过程如下：（1）构建FP树；（2）从FP树中挖掘频繁项集。

4设置参数

点击choose旁边的部分设置参数。

点击之后会看到参数设置界面，参数主要是选择支持度(lowerBoundMinSupport)，规则评价机制(metriType)及对应的最小值minMetric（指度量类型），设置对规则进行排序的度量依据。可以是：置信度（confidence），提升度(lift)，杠杆率(leverage)，确信度(conviction)。点击OK保存设置结果。

设置好参数后点击start运行。

可以看到FP-growth的运行结果：

该样本数据的实验结果得到41条关联规则，每条规则都带有项集出现次数、置信度、相关度等数值。如：1. [el-salvador-aid=y, Class=republican]: 157 ==> [physician-fee-freeze=y]: 156 conf:(0.99) lift:(2.44) lev:(0.21) conv:(46.56) 是一个好的关联规则，其中置信度为0.99，提升度为2.44，杠杆率为0.21，确信度为45.56。

关闭weka，结束实验