Weka - wybór funkcji

Gdy baza danych zawiera dużą liczbę atrybutów, będzie kilka atrybutów, które nie będą miały znaczenia w analizie, której aktualnie szukasz. W związku z tym usuwanie niepożądanych atrybutów ze zbioru danych staje się ważnym zadaniem w tworzeniu dobrego modelu uczenia maszynowego.

Możesz wizualnie zbadać cały zbiór danych i zdecydować o nieistotnych atrybutach. Może to być ogromne zadanie w przypadku baz danych zawierających dużą liczbę atrybutów, takich jak przypadek supermarketu, który widziałeś na wcześniejszej lekcji. Na szczęście WEKA udostępnia zautomatyzowane narzędzie do wyboru cech.

W tym rozdziale przedstawiono tę funkcję w bazie danych zawierającej dużą liczbę atrybutów.

Ładowanie danych

w Preprocess w eksploratorze WEKA, wybierz plik labor.arffplik do załadowania do systemu. Po załadowaniu danych zobaczysz następujący ekran -

Zauważ, że istnieje 17 atrybutów. Naszym zadaniem jest stworzenie zredukowanego zbioru danych poprzez wyeliminowanie niektórych atrybutów, które nie mają znaczenia dla naszej analizy.

Funkcje ekstrakcji

Kliknij na Select attributesTAB. Pojawi się następujący ekran -

Pod Attribute Evaluator i Search Methodznajdziesz kilka opcji. Użyjemy tutaj tylko wartości domyślnych. wAttribute Selection Modeużyj opcji pełnego zestawu treningowego.

Kliknij przycisk Start, aby przetworzyć zbiór danych. Zobaczysz następujący wynik -

U dołu okna wyników pojawi się lista Selectedatrybuty. Aby uzyskać reprezentację wizualną, kliknij prawym przyciskiem myszy wynik w plikuResult lista.

Dane wyjściowe pokazano na poniższym zrzucie ekranu -

Kliknięcie dowolnego kwadratu spowoduje wyświetlenie wykresu danych do dalszej analizy. Poniżej przedstawiono typowy wykres danych -

Jest to podobne do tych, które widzieliśmy we wcześniejszych rozdziałach. Baw się różnymi dostępnymi opcjami, aby analizować wyniki.

Co dalej?

Do tej pory widzieliście siłę WEKA w szybkim tworzeniu modeli uczenia maszynowego. Użyliśmy narzędzia graficznego o nazwieExplorerdo opracowania tych modeli. WEKA zapewnia również interfejs wiersza poleceń, który zapewnia więcej możliwości niż w eksploratorze.

Kliknięcie Simple CLI przycisk w GUI Chooser aplikacja uruchamia ten interfejs wiersza poleceń, który pokazano na zrzucie ekranu poniżej -

Wpisz swoje polecenia w polu wprowadzania na dole. Będziesz mógł zrobić wszystko, co zrobiłeś do tej pory w eksploratorze, a także znacznie więcej. Więcej informacji można znaleźć w dokumentacji WEKA (https://www.cs.waikato.ac.nz/ml/weka/documentation.html).

Wreszcie WEKA jest rozwijana w Javie i zapewnia interfejs dla swojego API. Jeśli więc jesteś programistą Java i chcesz włączyć implementacje WEKA ML do swoich własnych projektów Java, możesz to łatwo zrobić.

Wniosek

WEKA to potężne narzędzie do tworzenia modeli uczenia maszynowego. Zapewnia implementację kilku najczęściej używanych algorytmów ML. Przed zastosowaniem tych algorytmów do zbioru danych można również wstępnie przetworzyć dane. Typy obsługiwanych algorytmów są sklasyfikowane w atrybutach Klasyfikuj, Klaster, Skojarz i Wybierz. Rezultat na różnych etapach przetwarzania można wizualizować za pomocą pięknej i potężnej reprezentacji wizualnej. Ułatwia to analitykowi danych szybkie zastosowanie różnych technik uczenia maszynowego w swoim zbiorze danych, porównanie wyników i stworzenie najlepszego modelu do ostatecznego wykorzystania.