IDMer說道：本文只對幾種流行的開源數據挖掘平臺進行了檢視，比如Weka和R等。如果您想找尋更多的開源數據挖掘軟件，可以到KDnuggets和Open Directory上查看。爲了評測這些軟件，我們用了UCI Machine Learning Repository上的心臟病診斷數據集。
R
R (http://www.r-project.org) 是用於統計分析和圖形化的計算機語言及分析工具，爲了保證性能， 其核心計算模塊是用C、C++和Fortran編寫的。同時爲了便於使用，它提供了一種腳本語言，即R語言。R語言和貝爾實驗室開發的S語言類似。R支持 一系列分析技術，包括統計檢驗、預測建模、數據可視化等等。在CRAN(http://cran.r-project.org) 上可以找到衆多開源的擴展包。
R軟件的首選界面是命令行界面，通過編寫腳本來調用分析功能。如果缺乏編程技能，也可使用圖形界面，比如使用R Commander(http://socserv.mcmaster.ca/jfox/Misc/Rcmdr/)或Rattle(http://rattle.togaware.com)。
Tanagra
Tanagra (http://eric.univ-lyon2.fr/wricco/tanagra/) 是使用圖形界面的數據挖掘軟件，採用了類似Windows資源管理器中的樹狀結構來組織分析組件。Tanagra缺乏高級的可視化能力，但它的強項是統計 分析，提供了衆多的有參和無參檢驗方法。同時它的特徵選取方法也很多。
Weka
Weka (Waikato Environment for Knowledge Analysis, http://www.cs.waikato.ac.nz/ml/weka/) 可能是名氣最大的開源機器學習和數據挖掘軟件。高級用戶可以通過Java編程和命令行來調用其分析組件。同時，Weka也爲普通用戶提供了圖形化界面，稱 爲Weka KnowledgeFlow Environment和Weka Explorer。和R相比，Weka在統計分析方面較弱，但在機器學習方面要強得多。在Weka論壇 (http://weka.sourceforge.net/wiki/index.php/Related_Projects) 可以找到很多擴展包，比如文本挖掘、可視化、網格計算等等。很多其它開源數據挖掘軟件也支持調用Weka的分析功能。
YALE （IDMer：現在已經更名爲RapidMiner）
YALE (Yet Another Learning Environment, http://rapid-i.com) 提供了圖形化界面，採用了類似Windows資源管理器中的樹狀結構來組織分析組件，樹上每個節點表示不同的運算符（operator）。YALE中提供 了大量的運算符，包括數據處理、變換、探索、建模、評估等各個環節。YALE是用Java開發的，基於Weka來構建，也就是說它可以調用Weka中的各 種分析組件。
KNIME
KNIME (Konstanz InformationMiner, http://www.knime.org)是基於Eclipse開發環境來精心開發的數據挖掘工具。無需安裝，方便使用（IDMer：呵呵，大家喜歡的綠色版）。和YALE一樣，KNIME也是用Java開發的，可以擴展使用Weka中的挖掘算法。和YALE不同點的是，KNIME採用的是類似數據流（data flow）的方式來建立分析挖掘流程（IDMer：這個我喜歡，和SAS
EM或SPSS Clementine等商用數據挖掘軟件的操作方式類似）。挖掘流程由一系列功能節點（node）組成，每個節點有輸入/輸出端口（port），用於接收數據或模型、導出結果。（IDMer：感覺KNIME比Weka的KnowledgeFlow更好用，連接節點時很方便，直接用鼠標拖拽連接端口即可。而Weka中則需要在節點上按鼠標右鍵，再選擇後續節點，比較麻煩，剛開始使用時找了半天才知道怎麼連）
KNIME中每個節點都帶有交通信號燈，用於指示該節點的狀態（未連接、未配置、缺乏輸入數據時爲紅燈；準備執行爲黃燈；執行完畢後爲綠燈）。在KNIME中有個特色功能——HiLite，允許用戶在節點結果中標記感興趣的記錄，並進一步展開後續探索。
Orange
Orange (http://www.ailab.si/orange)是類似KNIME和Weka KnowledgeFlow的數據挖掘工具，它的圖形環境稱爲Orange畫布（OrangeCanvas），用戶可以在畫布上放置分析控件 （widget），然後把控件連接起來即可組成挖掘流程。這裏的控件和KNIME中的節點是類似的概念。每個控件執行特定的功能，但與KNIME中的節點 不同，KNIME節點的輸入輸出分爲兩種類型（模型和數據），而Orange的控件間可以傳遞多種不同的信號，比如learners, classifiers,
evaluation results, distance matrices, dendrograms等等。Orange的控件不象KNIME的節點分得那麼細，也就是說要完成同樣的分析挖掘任務，在Orange裏使用的控件數量可 以比KNIME中的節點數少一些。Orange的好處是使用更簡單一些，但缺點是控制能力要比KNIME弱。
除了界面友好易於使用的優點，Orange的強項在於提供了大量可視化方法，可以對數據和模型進行多種圖形化展示，並能智能搜索合適的可視化形式，支持對數據的交互式探索。
Orange的弱項在於傳統統計分析能力不強，不支持統計檢驗，報表能力也有限。Orange的底層核心也是採用C++編寫，同時允許用戶使用Python腳本語言來進行擴展開發(參見http://www.scipy.org)。
GGobi
數據可視化是數據挖掘的重要組成部分， GGobi (http://www.ggobi.org)就是用於交互式可視化的開源軟件，它使用brushing的方法。GGobi可以用作R軟件的插件，或者通過Perl、Python等腳本語言來調用。
結論
----
以 上介紹的幾款軟件都是優秀的開源數據挖掘軟件，各有所長，同時也各有缺點。讀者可以結合自己的需求來進行選擇，或者組合使用多個軟件。對於普通用戶可以選 用界面友好易於使用的軟件，對於希望從事算法開發的用戶則可以根據軟件開發工具不同（Java、R、C++、Python等）來選擇相應的軟件。以上這幾 款軟件（除了GGobi）基本上都提供了我們期望的大部分功能。
（IDMer：我嘗試了以上這幾種 開源軟件，Weka很有名但用起來並不方便，界面也簡單了點；RapidMiner現在流行的勢頭在上升，但它的操作方式和商用軟件差別較大，不支持分析 流程圖的方式，當包含的運算符比較多的時候就不容易查看了；KNIME和Orange看起來都不錯，Orange界面看上去很清爽，但我發現它不支持中 文。我的推薦是KNIME，同時安裝Weka和R擴展包。）
（IDMer：我的點評純屬個人意見，歡迎大家批評交流。在我的實際工作中使用開源挖掘工具並不多，大部分時候都是在使用SAS Enterprise Miner。）