# 4.6 結果列表 在訓練了若干分類器之后，結果列表中也就包含了若干個條目。左鍵點擊這些條目可以在生成的結果之間進行切換瀏覽。右鍵點擊某個條目則會彈出一個菜單，包括如下的選 項： 1\. View in main window. 在主窗口中顯示輸出該結果（就象左擊該條目一樣）。 2\. View in separate window. 打開一個獨立的新窗口來顯示結果。 3\. Save result buffer. 彈出一個對話框，使得輸出結果的文本可以保存成一個文本 文件。 4\. Load model. 從一個二進制文件中載入以前訓練得到的模型對象。 5\. Save model. 把模型對象保存到一個二進制文件中。對象是以 Java`序列化` 的形式保存的。 6\. Re-evaluate model on current test set. 通過 Supplied test set 選項下的 Set 按鈕指定一個數據集，已建立的分類模型將在這個數據集上測試它的表現。 7\. Visualize classifier errors. 彈出一個可視化窗口，把分類結果做成一個散點圖。 其中正確分類的結果用叉表示，分錯的結果用方框表示。 8\. Visualize tree or Visualize graph. 如果可能的話，把分類模型的結構用圖形來 表示（例如決策樹（decision tree）和貝葉斯網絡（Bayesian network）模型）。 圖形可視化選項只有在貝葉斯網絡模型建好之后才會出現。在瀏覽決策樹圖形時， 可以在空白處右擊鼠標彈出一個菜單，也可以拖動鼠標來拖動決策樹，還可以在 節點上單擊鼠標查看它對應的訓練實例。Ctrl鍵+左鍵點擊會縮小圖形，Shift鍵+ 拖曳會得到一個方框并放大其中的圖形。這個圖形可視化工具本身應該能夠解釋 它的作用。 9\. Visualize margin curve. 創建一個散點圖來顯示預測邊際值。這個邊際值的定 義為：預測為真實值的概率與預測為真實值之外其它某類的最高概率之差。例如， 提升式（boosting）算法可以通過增加訓練數據上的邊際值來使得它在測試數據上 表現得更好。 10\. Visualize threshold curve. 生成一個散點圖，以演示預測時改變各類之間的閥 值后取得的平衡。例如說，默認的閥值是0.5，那么一個實例要預測成為`positive`， 它是`positive`的預測概率必須大于0.5。這個曲線可以用來在 ROC 曲線分析中 演示準確度/反饋率之間的平衡（正確的 positive 率對錯誤的 positive 率），也 可用于其它類型的曲線。 11\. Visualize cost curve. 生成一個散點圖，如 [1] 中所描述的那樣，給出期望價 值（expected cost）的一個顯式表達。 在特定的情況下某些選項不適用時，它們會變成灰色。