說到機器學習就要提程式設計，配置環境，模型訓練，這讓有需求而無程式設計基礎的朋友們望而卻步。
基于JAVA開發的Weka是一款不錯的機器學習以及資料挖掘的開源軟體。在上一個文章（Top期刊中拟南芥高品質摳圖，不用PS用這個，點點滑鼠就搞定）當為大家介紹了一款神器ImageJ，而Weka也作為一個插件內建在該軟體中。
緊接着軟體彈窗提示打開圖檔，我們這次訓練識别孢子模型，如下圖：
選擇圖檔後即可進入WEKA界面。
該界面包括：
訓練欄：模型訓練（Train classifier）
選項欄：加載模型（Load classifier）、加載資料（Load Data）、建立類别（Create new class）、設定（Settings）
标簽欄：添加不同分類（此處分類預設兩個，可以在Settings中進行詳細設定）
我們進入設定，可以對類别進行重命名，這樣防止混亂。
<h1 class="pgc-h-arrow-right" data-track="80">模型訓練</h1>
接下來我們開始訓練模型
首先在ImageJ面闆上選擇形狀選擇工具，圈選孢子并填入到孢子分類（紅色子產品），同理分類背景（綠色子產品）。全選完畢後點選模型訓練（Train classifier）等待機器訓練完畢。
短暫等待後，我們發現所有孢子都标紅，背景标綠。
模型訓練還不錯，但還需要進行微調。如相鄰較近的孢子被圈成一塊，我們需要将其分開，是以這次我們使用劃線分割并添加到背景标簽中，然後再次進行訓練。
再次訓練後的模型，此時的模型比上次更好，如果還不滿意，可以繼續微調。
<h1 class="pgc-h-arrow-right" data-track="86">個數統計</h1>
訓練完畢後選擇 Create result
點選後結果如下圖：
這時隻需要這幾步操作：
1、Image→Type→8 bit
2、Image→Adjust→Threshold
3、拖動滑輪調節成 白背景 黑孢子如下圖
4、Process→Filters→Median
5、Process→Binary→Watershed
6、Analyze→Analyze Particles（注意：因為邊界上面有孢子，是以不勾選Exclude on edges）
計數結果如下圖：
<h1 class="pgc-h-arrow-right" data-track="97">模型儲存與調用</h1>
儲存模型：
我們再次回到WEKA界面，然後點選 儲存分類模型 （Save classifier），檔案格式是classifier.model
調用模型
使用WEKA打開新的孢子圖檔後直接加載模型（Load classifier），然後直接Create result 即可分析圖檔，然後重複 個數統計 操作流程即可。
最後
清代彭端淑在《為學一首示子侄》說“天下事有難易乎？為之，則難者亦易矣；不為，則易者亦難矣。人之為學有難易乎？學之，則難者亦易矣；不學，則易者亦難矣。”
祝各位，SCI發到手軟~