Weka - Einführung
Die Grundlage jeder Anwendung für maschinelles Lernen sind Daten - nicht nur kleine Daten, sondern große Datenmengen, die als bezeichnet werden Big Data in der aktuellen Terminologie.
Um die Maschine für die Analyse von Big Data zu trainieren, müssen Sie verschiedene Überlegungen zu den Daten anstellen -
- Die Daten müssen sauber sein.
- Es sollte keine Nullwerte enthalten.
Außerdem sind nicht alle Spalten in der Datentabelle für die Art der Analyse nützlich, die Sie erreichen möchten. Die irrelevanten Datenspalten oder 'Features', wie sie in der Terminologie des maschinellen Lernens genannt werden, müssen entfernt werden, bevor die Daten in einen Algorithmus für maschinelles Lernen eingespeist werden.
Kurz gesagt, Ihre Big Data müssen viel vorverarbeitet werden, bevor sie für maschinelles Lernen verwendet werden können. Sobald die Daten fertig sind, wenden Sie verschiedene Algorithmen für maschinelles Lernen an, z. B. Klassifizierung, Regression, Clustering usw., um das Problem an Ihrem Ende zu lösen.
Die Art der Algorithmen, die Sie anwenden, basiert weitgehend auf Ihrem Domänenwissen. Selbst innerhalb desselben Typs, beispielsweise der Klassifizierung, stehen mehrere Algorithmen zur Verfügung. Möglicherweise möchten Sie die verschiedenen Algorithmen unter derselben Klasse testen, um ein effizientes Modell für maschinelles Lernen zu erstellen. Dabei bevorzugen Sie die Visualisierung der verarbeiteten Daten und benötigen daher auch Visualisierungstools.
In den nächsten Kapiteln erfahren Sie mehr über Weka, eine Software, die all das mühelos erledigt und es Ihnen ermöglicht, bequem mit Big Data zu arbeiten.