Weka - Выбор функций

Когда база данных содержит большое количество атрибутов, будет несколько атрибутов, которые не станут важными для анализа, который вы в настоящее время ищете. Таким образом, удаление нежелательных атрибутов из набора данных становится важной задачей при разработке хорошей модели машинного обучения.

Вы можете визуально изучить весь набор данных и выбрать нерелевантные атрибуты. Это может быть огромной задачей для баз данных, содержащих большое количество атрибутов, таких как случай супермаркета, который вы видели на предыдущем уроке. К счастью, WEKA предоставляет автоматизированный инструмент для выбора функций.

В этой главе демонстрируется эта функция на базе данных, содержащей большое количество атрибутов.

Загрузка данных

в Preprocess тега WEKA explorer выберите labor.arffфайл для загрузки в систему. Когда вы загрузите данные, вы увидите следующий экран -

Обратите внимание на 17 атрибутов. Наша задача - создать сокращенный набор данных, исключив некоторые атрибуты, не имеющие отношения к нашему анализу.

Особенности извлечения

Нажми на Select attributesTAB. Вы увидите следующий экран -

Под Attribute Evaluator и Search Method, вы найдете несколько вариантов. Здесь мы просто будем использовать значения по умолчанию. вAttribute Selection Mode, используйте опцию полного обучающего набора.

Нажмите кнопку «Пуск», чтобы обработать набор данных. Вы увидите следующий вывод -

Внизу окна результатов вы увидите список Selectedатрибуты. Чтобы получить визуальное представление, щелкните правой кнопкой мыши результат вResult список.

Результат показан на следующем снимке экрана -

Нажав на любой из квадратов, вы получите график данных для дальнейшего анализа. Типичный график данных показан ниже -

Это похоже на те, которые мы видели в предыдущих главах. Поиграйте с различными вариантами, доступными для анализа результатов.

Что дальше?

До сих пор вы видели силу WEKA в быстрой разработке моделей машинного обучения. Мы использовали графический инструмент под названиемExplorerдля разработки этих моделей. WEKA также предоставляет интерфейс командной строки, который дает вам больше возможностей, чем в проводнике.

Нажав на Simple CLI кнопка в GUI Chooser приложение запускает этот интерфейс командной строки, который показан на скриншоте ниже -

Введите свои команды в поле ввода внизу. Вы сможете делать все, что уже сделали, в проводнике, а также многое другое. Дополнительные сведения см. В документации WEKA (https://www.cs.waikato.ac.nz/ml/weka/documentation.html).

Наконец, WEKA разработана на Java и предоставляет интерфейс для своего API. Так что если вы разработчик Java и хотите включить реализации WEKA ML в свои собственные проекты Java, вы можете сделать это легко.

Заключение

WEKA - мощный инструмент для разработки моделей машинного обучения. Он обеспечивает реализацию нескольких наиболее широко используемых алгоритмов машинного обучения. Прежде чем эти алгоритмы будут применены к вашему набору данных, они также позволят вам предварительно обработать данные. Типы поддерживаемых алгоритмов классифицируются по атрибутам Classify, Cluster, Associate и Select. Результат на различных этапах обработки может быть визуализирован с помощью красивого и мощного визуального представления. Это позволяет специалисту по данным быстро применять различные методы машинного обучения к своему набору данных, сравнивать результаты и создавать наилучшую модель для окончательного использования.