Weka là gì

  -  

WEKA là một công cụ phần mềm viếtbằng Java phục vụ lĩnh vực học Java, máyvà khai phá dữ liệu Các tính năng chính• Một tập các công cụ tiền xử lý dữ liệu, cácgiải thuật học máy, khai phá dữ liệu, và cácphương pháp thí nghiệm đánh giá• Giao diện đồ họa (gồm cả tính năng hiển thịhóa dữ liệu)• Môi trường cho phép so sánh các giải thuậthọc máy và khai phá dữ liệu...




Bạn đang xem: Weka là gì

*

datasunny,85,85,FALSE,no Các ví dụovercast,83,86,FALSE,yes (instances) (instances)… Khai Phá Dữ Liệu 7WEKA Explorer: Tiền xử lý dữ liệu Dữ liệu có thể được nhập vào (imported) từ một tập tin có khuôn dạng: ARFF, CSV Dữ liệu cũng có thể được đọc vào từ một địa chỉ URL, hoặc từ một cơ sở dữ liệu thông qua JDBC Các công cụ tiền xử lý dữ liệu của WEKA được gọi là filters • Rời rạc hóa (Discretization) • Chuẩn hóa (Normalization) hóa (Normalization) • Lấy mẫu (Re-sampling) • Lựa chọn thuộc tính (Attribute selection) • Chuyển đổi (Transforming) và kết hợp (Combining) các thuộc tính đổ (T (C th tí • …→Hãy xem giao diện của WEKA Explorer… Khai Phá Dữ Liệu 8WEKA Explorer: Các bộ phân lớp (1) Các bộ phân lớp (Classifiers) của WEKA tương ứng với các mô hình dự đoán các đại lượng kiểu định danh (phân lớp) hoặc các đại lượng kiểu số (hồi quy/dự đoán) Các kỹ thuật phân lớp được hỗ trợ bởi WEKA • Naïve Bayes classifier and Bayesian networks • Decision trees • Instance-based classifiers • Support vector machines • Neural networks •… → Hãy xem giao diện của WEKA Explorer… Khai Phá Dữ Liệu 9WEKA Explorer: Các bộ phân lớp (2) Lựa chọn một bộ phân lớp (classifier) Lựa chọn các tùy chọn cho việc kiểm tra (test options) • Use training set. Bộ phân loại học được sẽ được đánh giá trên trên tập học • Supplied test set. Sử dụng một tập dữ liệu khác (với tập học) để cho việc đánh giá • Cross-validation. Tập dữ liệu sẽ được chia đều thành k tập (folds) có kích thước xấp xỉ nhau, và bộ phân loại học được sẽ được đánh giá bởi phương pháp cross-validation • Percentage split. Chỉ định tỷ lệ phân chia tập dữ liệu đối với việc đánh giá Khai Phá Dữ Liệu 10WEKA Explorer: Các bộ phân lớp (3) More options… • Output model. Hiển thị bộ phân lớp học được model Hi th phân đượ • Output per-class stats. Hiển thị các thông tin thống kê về precision/recall đối với mỗi lớp • Output entropy evaluation measures. Hiển thị đánh giá độ hỗn tạp entropy evaluation measures Hi th giá độ (entropy) của tập dữ liệu • Output confusion matrix. Hiển thị thông tin về ma trận lỗi phân lớp (confusion matrix) đối với phân lớp học được • Store predictions for visualization. Các dự đoán của bộ phân lớp được lưu lại trong bộ nhớ, để có thể được hiển thị sau đó • Output predictions. Hiển thị chi tiết các dự đoán đối với tập kiểm tra • Cost-sensitive evaluation. Các lỗi (của bộ phân lớp) được xác định dựa trên ma trận chi phí (cost matrix) chỉ định • Random seed for XVal / % Split. Chỉ định giá trị random seed được sử dụng cho quá trình lựa chọn ngẫu nhiên các ví dụ cho tập kiểm tra ki Khai Phá Dữ Liệu 11WEKA Explorer: Các bộ phân lớp (4) Classifier output hiển thị các thông tin quan trọng • Run information. Các tùy chọn đối với mô hình học, tên của tập information Các tùy ch đố mô hình tên dữ liệu, số lượng các ví dụ, các thuộc tính, và f.f. thí nghiệm • Classifier model (full training set). Biểu diễn (dạng text) của bộ phân lớp học được phân đượ • Predictions on test data. Thông tin chi tiết về các dự đoán của bộ phân lớp đối với tập kiểm tra • Summary.

Xem thêm: Lưới Đường Chuyền Cấp 2 Là Gì ? Có Mấy Loại? Có Mấy Loại



Xem thêm: Quy Hoạch Chi Tiết Xây Dựng Khu Quy Hoạch Xuân Phú Huế Tháng 07/2021

Các thống kê về mức độ chính xác của bộ phân lớp, Cá th kê độ đối với f.f. thí nghiệm đã chọn • Detailed Accuracy By Class. Thông tin chi tiết về mức độ chính xác của bộ phân lớp đối với mỗi lớp đố • Confusion Matrix. Các thành phần của ma trận này thể hiện số lượng các ví dụ kiểm tra (test instances) được phân lớp đúng và bị phân lớp sai Khai Phá Dữ Liệu 12WEKA Explorer: Các bộ phân lớp (5) Result list cung cấp một số chức năng hữu ích • Save model. Lưu lại mô hình tương ứng với bộ phân lớp học model mô hình phân được vào trong một tập tin nhị phân (binary file) • Load model. Đọc lại một mô hình đã được học trước đó từ một tập tin nhị phân tin nh phân • Re-evaluate model on current test set. Đánh giá một mô hình (bộ phân lớp) học được trước đó đối với tập kiểm tra (test set) hi hiện tại • Visualize classifier errors. Hiển thị cửa sổ biểu đồ thể hiện các kết quả của việc phân lớp Các ví dụ được phân lớp chính xác sẽ được biểu diễn bằng ký hiệu bởi dấu chéo (x), còn các ví dụ bị phân lớp sai sẽ được biểu diễn bằng ký hiệu ô vuông ( ) •… Khai Phá Dữ Liệu 13WEKA Explorer: Các bộ phân cụm (1) Các bộ phân cụm (Cluster builders) của WEKA tương ứng với các mô hình tìm các nhóm của các ví dụ tương các mô hình tìm các nhóm các ví tự đối với một tập dữ liệu Các kỹ thuật phân cụm được hỗ trợ bởi WEKA thu phân đượ tr WEKA • Expectation maximization (EM) • k-Means • ... Các bộ phân cụm có thể được hiển thị kết quả và so sánh với các cụm (lớp) thực tế (l th→Hãy xem giao diện của WEKA Explorer … Khai Phá Dữ Liệu 14WEKA Explorer: Các bộ phân cụm (2) Lựa chọn một bộ phân cụm (cluster builder) Lựa chọn chế độ phân cụm (cluster mode) • Use training set. Các cụm học được sẽ được kiểm tra đối với tập học • Supplied test set. Sử dụng một tập dữ liệu khác để kiểm tra các cụm học được • Percentage split. Chỉ định tỷ lệ phân chia tập dữ liệu ban đầu cho việc xây dựng tập kiểm tra • Classes to clusters evaluation. So sánh độ chính xác của các cụm to c l So sánh học được đối với các lớp được chỉ định Store clusters for visualization → Lưu lại các bộ phân lớp trong bộ nhớ, để có thể hiện thị sau đó Ignore attributes → Lựa chọn các thuộc tính sẽ không tham gia vào quá trình học các cụm Khai Phá Dữ Liệu 15WEKA Explorer: Luật kết hợpLựa chọn một mô hình (giải thuật) phát hiện luật kết hợpAssociator output hiển thị các thông tin quan trọng quan • Run information. Các tùy chọn đối với mô hình phát hiện luật kết hợp, tên của tập dữ liệu, số lượng các ví dụ, các thuộc tính • Associator model (full training set). Biểu diễn (dạng text) của tập các luật kết hợp phát hiện được • Độ hỗ trợ tối thiểu (minimum support) • Độ tin cậy tối thiểu (minimum confidence) • Kích thước của các tập mục thường xuyên (large/frequent itemsets) • Liệt kê các luật kết hợp tìm được → Hãy xem giao diện của WEKA Explorer… Khai Phá Dữ Liệu 16WEKA Explorer: Lựa chọn thuộc tính Để xác định những thuộc tính nào là quan trọng nhất Trong WEKA, một phương pháp lựa chọn thuộc tính (attribute selection) bao gồm 2 phần: • Attribute Evaluator. Để xác định một phương pháp đánh giá mức Evaluator Để độ phù hợp của các thuộc tính Vd: correlation-based, wrapper, information gain, chi- squared,… • Search Method. Để xác định một phương pháp (thứ tự) xét các thuộc tính Vd: best-first, random, exhaustive, ranking,…→ Hãy xem giao diện của WEKA Explorer… Khai Phá Dữ Liệu 17WEKA Explorer: Hiển thị dữ liệu Hiển thị dữ liệu rất cần thiết trong thực tế Giúp để xác định mức độ khó khăn của bài toán học WEKA có thể hiển thị • Mỗi thuộc tính riêng lẻ (1-D visualization) • Một cặp thuộc tính (2-D visualization) thu tính (2 visualization) Các giá trị (các nhãn) lớp khác nhau sẽ được hiển thị bằng các màu khác nhau Th Thanh trượt Jitter hỗ trợ việc hiển thị rõ ràng hơn, hi th Jitt khi có quá nhiều ví dụ (điểm) tập trung xung quanh một vị trí trên biểu đồ Tính năng phóng to/thu nhỏ (bằng cách tăng/giảm giá trị của PlotSize và PointSize)→Hãy xem giao diện của WEKA Explorer… Khai Phá Dữ Liệu 18