Weka - ลักษณนาม

แอปพลิเคชันการเรียนรู้ของเครื่องจำนวนมากเกี่ยวข้องกับการจำแนกประเภท ตัวอย่างเช่นคุณอาจต้องการจัดประเภทของเนื้องอกว่าเป็นมะเร็งหรือไม่ร้ายแรง คุณอาจต้องการตัดสินใจว่าจะเล่นเกมนอกบ้านขึ้นอยู่กับสภาพอากาศ โดยทั่วไปการตัดสินใจนี้ขึ้นอยู่กับคุณสมบัติ / เงื่อนไขหลายประการของสภาพอากาศ ดังนั้นคุณอาจต้องการใช้ลักษณนามต้นไม้ในการตัดสินใจว่าจะเล่นหรือไม่

ในบทนี้เราจะเรียนรู้วิธีสร้างตัวจำแนกต้นไม้ดังกล่าวบนข้อมูลสภาพอากาศเพื่อตัดสินใจเกี่ยวกับสภาพการเล่น

การตั้งค่าข้อมูลการทดสอบ

เราจะใช้ไฟล์ข้อมูลสภาพอากาศที่ประมวลผลล่วงหน้าจากบทเรียนที่แล้ว เปิดไฟล์ที่บันทึกไว้โดยใช้ไฟล์Open file ... ตัวเลือกภายใต้ Preprocess คลิกที่แท็บ Classify และคุณจะเห็นหน้าจอต่อไปนี้ -

ก่อนที่คุณจะเรียนรู้เกี่ยวกับตัวแยกประเภทที่มีให้เราตรวจสอบตัวเลือกการทดสอบ คุณจะสังเกตเห็นตัวเลือกการทดสอบสี่แบบตามรายการด้านล่าง -

• ชุดฝึก
• ชุดทดสอบที่ให้มา
• Cross-validation
• การแบ่งเปอร์เซ็นต์

เว้นแต่คุณจะมีชุดการฝึกอบรมของคุณเองหรือชุดทดสอบที่ลูกค้าจัดหาให้คุณจะใช้ตัวเลือกการตรวจสอบความถูกต้องข้ามหรือการแบ่งเปอร์เซ็นต์ ภายใต้การตรวจสอบความถูกต้องคุณสามารถกำหนดจำนวนพับที่จะแบ่งข้อมูลทั้งหมดและใช้ระหว่างการฝึกซ้ำแต่ละครั้งได้ ในการแบ่งเปอร์เซ็นต์คุณจะแบ่งข้อมูลระหว่างการฝึกและการทดสอบโดยใช้เปอร์เซ็นต์การแบ่งชุด

ตอนนี้ให้ใช้ค่าเริ่มต้น play ตัวเลือกสำหรับคลาสเอาต์พุต -

ถัดไปคุณจะเลือกลักษณนาม

การเลือกลักษณนาม

คลิกที่ปุ่มเลือกและเลือกลักษณนามต่อไปนี้ -

weka→classifiers>trees>J48

สิ่งนี้แสดงในภาพหน้าจอด้านล่าง -

คลิกที่ Startปุ่มเพื่อเริ่มกระบวนการจัดหมวดหมู่ หลังจากนั้นไม่นานผลการจัดประเภทจะปรากฏบนหน้าจอของคุณดังที่แสดงไว้ที่นี่ -

ให้เราตรวจสอบผลลัพธ์ที่แสดงทางด้านขวามือของหน้าจอ

มันบอกว่าขนาดของต้นไม้คือ 6 คุณจะเห็นภาพของต้นไม้ในไม่ช้า ในสรุประบุว่าอินสแตนซ์ที่จัดประเภทอย่างถูกต้องเป็น 2 และอินสแตนซ์ที่จัดประเภทไม่ถูกต้องเป็น 3 นอกจากนี้ยังระบุด้วยว่าข้อผิดพลาดสัมบูรณ์สัมพัทธ์คือ 110% นอกจากนี้ยังแสดงเมทริกซ์ความสับสน การวิเคราะห์ผลลัพธ์เหล่านี้อยู่นอกเหนือขอบเขตของบทช่วยสอนนี้ อย่างไรก็ตามคุณสามารถสรุปได้อย่างง่ายดายจากผลลัพธ์เหล่านี้ว่าการจัดประเภทไม่เป็นที่ยอมรับและคุณจะต้องมีข้อมูลเพิ่มเติมสำหรับการวิเคราะห์เพื่อปรับแต่งการเลือกคุณสมบัติของคุณสร้างแบบจำลองใหม่และอื่น ๆ จนกว่าคุณจะพอใจกับความแม่นยำของแบบจำลอง อย่างไรก็ตามนั่นคือสิ่งที่ WEKA เป็นข้อมูลเกี่ยวกับ ช่วยให้คุณทดสอบความคิดของคุณได้อย่างรวดเร็ว

เห็นภาพผลลัพธ์

หากต้องการดูการแสดงภาพของผลลัพธ์ให้คลิกขวาที่ผลลัพธ์ในไฟล์ Result listกล่อง. ตัวเลือกต่างๆจะปรากฏขึ้นบนหน้าจอดังที่แสดงไว้ที่นี่ -

เลือก Visualize tree เพื่อให้เห็นภาพของต้นไม้ข้ามผ่านดังที่เห็นในภาพหน้าจอด้านล่าง -

กำลังเลือก Visualize classifier errors จะพล็อตผลลัพธ์ของการจำแนกตามที่แสดงไว้ที่นี่ -

ก cross แสดงถึงอินสแตนซ์ที่จัดประเภทอย่างถูกต้องในขณะที่ squaresแสดงถึงอินสแตนซ์ที่จัดประเภทไม่ถูกต้อง ที่มุมล่างซ้ายของพล็อตคุณจะเห็นไฟล์cross ที่ระบุว่า outlook ตอนนั้นแดดจัด playเกม. นี่คืออินสแตนซ์ที่ถูกจัดประเภทอย่างถูกต้อง หากต้องการค้นหาอินสแตนซ์คุณสามารถแนะนำความกระวนกระวายใจได้โดยเลื่อนไฟล์jitter แถบเลื่อน

พล็อตปัจจุบันคือ outlook เทียบกับ play. ซึ่งจะระบุโดยกล่องรายการแบบเลื่อนลงสองช่องที่ด้านบนสุดของหน้าจอ

ตอนนี้ลองเลือกตัวเลือกอื่นในแต่ละกล่องเหล่านี้และสังเกตว่าแกน X & Y เปลี่ยนไปอย่างไร สามารถทำได้โดยใช้แถบแนวนอนทางด้านขวามือของพล็อต แต่ละแถบแสดงถึงคุณลักษณะ คลิกซ้ายที่แถบจะตั้งค่าแอตทริบิวต์ที่เลือกบนแกน X ในขณะที่การคลิกขวาจะตั้งค่าบนแกน Y

มีแผนการอื่น ๆ อีกมากมายสำหรับการวิเคราะห์เชิงลึกของคุณ ใช้พวกเขาอย่างรอบคอบเพื่อปรับแต่งโมเดลของคุณ หนึ่งในพล็อตดังกล่าวCost/Benefit analysis แสดงไว้ด้านล่างสำหรับการอ้างอิงอย่างรวดเร็วของคุณ

การอธิบายการวิเคราะห์ในแผนภูมิเหล่านี้อยู่นอกเหนือขอบเขตของบทช่วยสอนนี้ ขอแนะนำให้ผู้อ่านทำความเข้าใจเกี่ยวกับการวิเคราะห์อัลกอริทึมการเรียนรู้ของเครื่อง

ในบทถัดไปเราจะเรียนรู้ชุดถัดไปของอัลกอริทึมการเรียนรู้ของเครื่องนั่นคือการทำคลัสเตอร์