在探索者介面詳解的系列中我們提到，探索者介面簡單易用但有一個缺點：它將樣本資料全部載入到記憶體中，所以樣本的大小受限於記憶體的大小。而本篇介紹的知識流介面正好彌補了這一缺陷。

知識流介面的主體是一個設計畫布。使用者從工具條中選擇 Weka 元件，並將其置於設計畫布上，連線成一個處理和分析資料的具有方向性的流程圖。比如使用者可以先使用 屬性選擇 元件找出樣本中重要的屬性，然後再使用分類器，基於重要的屬性進行挖掘。

知識流介面共有標籤8個：

DataSources：選擇資料來源

DataSinks：儲存結果，注意在linux下一定要儲存在當前使用者有權寫的目錄中

Filters：過濾器選擇

Classifiers：分類器選擇

Clusterers：聚類器選擇

Associations：關聯規則演算法選擇

Evaluation：評估器

Visualization：用於將結果視覺化的元件選擇

一般操作知識流介面的順序是：

選擇一個數據源元件，置於畫板上。

再到評估器標籤中找到 ClassAssigner ，這個評估器用於指明樣本中決定分類的屬性，將其置於畫板上。

然後右鍵資料來源元件來連線資料來源元件和ClassAssigner元件，連線方式有兩種：dataset 和 instance（只能選一種）。dataset指批量傳遞資料，而 instance 一個一個地傳遞例項，用於像貝葉斯網路這樣增量更新的分類器。

然後繼續在評估器標籤中找到 訓練集和測試集的分配方案 ，比如 CrossValidationFoldMaker元件（交叉驗證）。

接著就可以到分類器選擇標籤中找相應演算法的分類器元件。

最後在視覺化標籤中找到 可以顯示結果的元件（有文字式的，樹狀的，顯示ROC曲線的，矩陣式的）

確保連線好所有的元件，最後右鍵資料來源元件，選擇 Start Loading，開始挖掘。

所有的元件都可以通過右鍵選擇 Configure 來配置引數。

最後上兩張截圖：

這是一個對樣本屬性進行離散化過濾後再分類的方案：

這是部分元件的說明：