Weka - Pemilihan Fitur

Ketika database berisi sejumlah besar atribut, akan ada beberapa atribut yang tidak menjadi signifikan dalam analisis yang Anda cari. Dengan demikian, menghapus atribut yang tidak diinginkan dari kumpulan data menjadi tugas penting dalam mengembangkan model pembelajaran mesin yang baik.

Anda dapat memeriksa seluruh dataset secara visual dan memutuskan atribut yang tidak relevan. Ini bisa menjadi tugas besar untuk database yang berisi banyak atribut seperti kasus supermarket yang Anda lihat di pelajaran sebelumnya. Untungnya, WEKA menyediakan alat otomatis untuk pemilihan fitur.

Bab ini mendemonstrasikan fitur ini pada database yang berisi sejumlah besar atribut.

Memuat Data

Dalam Preprocess tag penjelajah WEKA, pilih labor.arfffile untuk dimuat ke dalam sistem. Saat Anda memuat data, Anda akan melihat layar berikut -

Perhatikan bahwa ada 17 atribut. Tugas kita adalah membuat kumpulan data yang dikurangi dengan menghilangkan beberapa atribut yang tidak relevan dengan analisis kita.

Fitur Ekstraksi

Klik pada Select attributesTAB. Anda akan melihat layar berikut -

Di bawah Attribute Evaluator dan Search Method, Anda akan menemukan beberapa opsi. Kami hanya akan menggunakan default di sini. DalamAttribute Selection Mode, gunakan opsi set pelatihan lengkap.

Klik pada tombol Start untuk memproses dataset. Anda akan melihat output berikut -

Di bagian bawah jendela hasil, Anda akan mendapatkan daftar Selectedatribut. Untuk mendapatkan representasi visual, klik kanan pada hasil diResult daftar.

Outputnya ditunjukkan pada tangkapan layar berikut -

Mengklik salah satu kotak akan memberi Anda plot data untuk analisis lebih lanjut. Plot data tipikal ditunjukkan di bawah ini -

Ini mirip dengan yang telah kita lihat di bab-bab sebelumnya. Bermain-main dengan berbagai opsi yang tersedia untuk menganalisis hasil.

Apa berikutnya?

Anda telah melihat sejauh ini kekuatan WEKA dalam model pembelajaran mesin yang berkembang dengan cepat. Apa yang kami gunakan adalah alat grafis yang disebutExploreruntuk mengembangkan model ini. WEKA juga menyediakan antarmuka baris perintah yang memberi Anda lebih banyak kekuatan daripada yang disediakan di penjelajah.

Mengklik Simple CLI tombol di GUI Chooser aplikasi memulai antarmuka baris perintah ini yang ditunjukkan pada gambar di bawah -

Ketik perintah Anda di kotak input di bagian bawah. Anda akan dapat melakukan semua yang telah Anda lakukan sejauh ini di penjelajah dan banyak lagi. Lihat dokumentasi WEKA (https://www.cs.waikato.ac.nz/ml/weka/documentation.html) untuk detail lebih lanjut.

Terakhir, WEKA dikembangkan di Java dan menyediakan antarmuka ke API-nya. Jadi, jika Anda adalah pengembang Java dan ingin memasukkan implementasi WEKA ML dalam proyek Java Anda sendiri, Anda dapat melakukannya dengan mudah.

Kesimpulan

WEKA adalah alat yang ampuh untuk mengembangkan model pembelajaran mesin. Ini menyediakan implementasi dari beberapa algoritma ML yang paling banyak digunakan. Sebelum algoritme ini diterapkan ke kumpulan data Anda, ini juga memungkinkan Anda untuk memproses data terlebih dahulu. Jenis algoritme yang didukung diklasifikasikan dalam atribut Klasifikasi, Cluster, Associate, dan Select. Hasil dari berbagai tahapan pemrosesan dapat divisualisasikan dengan representasi visual yang indah dan kuat. Ini memudahkan Data Scientist untuk dengan cepat menerapkan berbagai teknik pembelajaran mesin pada set data-nya, membandingkan hasil, dan membuat model terbaik untuk penggunaan akhir.