Weka-기능 선택
데이터베이스에 많은 속성이 포함 된 경우 현재 찾고있는 분석에서 중요하지 않은 속성이 여러 개 있습니다. 따라서 데이터 세트에서 원하지 않는 속성을 제거하는 것은 좋은 기계 학습 모델을 개발하는 데 중요한 작업이됩니다.
전체 데이터 세트를 시각적으로 검사하고 관련없는 속성을 결정할 수 있습니다. 이것은 이전 강의에서 본 슈퍼마켓 케이스와 같은 많은 속성을 포함하는 데이터베이스에 대한 엄청난 작업이 될 수 있습니다. 다행히 WEKA는 기능 선택을위한 자동화 된 도구를 제공합니다.
이 장에서는 많은 속성을 포함하는 데이터베이스에서이 기능을 보여줍니다.
데이터로드
에서 Preprocess WEKA 탐색기의 태그에서 labor.arff시스템에로드하기위한 파일입니다. 데이터를로드하면 다음 화면이 표시됩니다.

17 개의 속성이 있습니다. 우리의 임무는 분석과 관련이없는 일부 속성을 제거하여 축소 된 데이터 세트를 만드는 것입니다.
특징 추출
클릭 Select attributesTAB. 다음 화면이 표시됩니다-

아래의 Attribute Evaluator 과 Search Method, 몇 가지 옵션을 찾을 수 있습니다. 여기서는 기본값 만 사용합니다. 에서Attribute Selection Mode, 전체 훈련 세트 옵션을 사용하십시오.
시작 버튼을 클릭하여 데이터 세트를 처리합니다. 다음 출력이 표시됩니다.

결과 창 하단에 다음 목록이 표시됩니다. Selected속성. 시각적 표현을 얻으려면 결과를 마우스 오른쪽 버튼으로 클릭하십시오.Result 명부.
출력은 다음 스크린 샷에 표시됩니다.

사각형 중 하나를 클릭하면 추가 분석을위한 데이터 플롯이 제공됩니다. 일반적인 데이터 플롯은 다음과 같습니다.

이것은 이전 장에서 본 것과 유사합니다. 결과를 분석하는 데 사용할 수있는 다양한 옵션을 사용해보십시오.
무엇 향후 계획?
지금까지 기계 학습 모델을 빠르게 개발하는 데있어 WEKA의 힘을 보았습니다. 우리가 사용한 것은Explorer이러한 모델을 개발합니다. WEKA는 또한 탐색기에서 제공하는 것보다 더 많은 기능을 제공하는 명령 줄 인터페이스를 제공합니다.
클릭 Simple CLI G의 버튼UI Chooser 응용 프로그램은 아래 스크린 샷에 표시된이 명령 줄 인터페이스를 시작합니다.

하단의 입력 상자에 명령을 입력하십시오. 탐색기에서 지금까지 수행 한 모든 작업과 더 많은 작업을 수행 할 수 있습니다. 자세한 내용은 WEKA 문서 (https://www.cs.waikato.ac.nz/ml/weka/documentation.html)를 참조하십시오.
마지막으로 WEKA는 Java로 개발되었으며 API에 대한 인터페이스를 제공합니다. 따라서 Java 개발자이고 자체 Java 프로젝트에 WEKA ML 구현을 포함하려는 경우 쉽게 수행 할 수 있습니다.
결론
WEKA는 기계 학습 모델을 개발하기위한 강력한 도구입니다. 가장 널리 사용되는 여러 ML 알고리즘의 구현을 제공합니다. 이러한 알고리즘을 데이터 세트에 적용하기 전에 데이터를 사전 처리 할 수도 있습니다. 지원되는 알고리즘 유형은 분류, 클러스터, 연관 및 선택 속성으로 분류됩니다. 다양한 처리 단계의 결과를 아름답고 강력한 시각적 표현으로 시각화 할 수 있습니다. 이를 통해 데이터 과학자는 자신의 데이터 세트에 다양한 기계 학습 기술을 신속하게 적용하고 결과를 비교하며 최종 사용에 가장 적합한 모델을 쉽게 만들 수 있습니다.