Weka

WEKA
Jacques Robin
João Batista
Marcelino Pereira

junho/2001

Roteiro


Introdução



Conceitos



Exemplos práticos



Chamada ao aplicativo

WEKA


Universidade de Waikato - Nova Zelândia



Waikato Environment for Knowledge Analysis



Coleção de algoritmos de aprendizagem de máquina para resolução de problemas de Data
Mining



implementado em Java



open source software



http://www.cs.waikato.ac.nz/ml/weka/

Métodos de aprendizagem suportados


decision tree inducers



rule learners



naive Bayes



decision tables



locally weighted regression



support vector machines



instance-based learners



logistic regression



voted perceptrons

Origem dos Dados


Arquivo local no formato .arf



Arquivo em URL no formato .arf



Tabelas de Banco de Dados via JDBC

Preparando os dados


O weka lê os dados no formato .arf
• Uma lista de todas as instâncias, onde o valor dos atributos são separados por vírgula mais um cabeçalho



Ex(weather.arf):
@relation weather
%Nome do arquivo
@attribute outlook {sunny, overcast, rainy}
@attribute temperature real %Atributo e tipo
@attribute humidity real
@attribute windy {TRUE, FALSE}
@attribute play {yes, no}
@data
%Início dos dados sunny,85,85,FALSE,no overcast,83,86,FALSE,yes

Weka: Aprendizado de árvores de decisão



Dados do tempo
Algoritmo weka.classifier.j48.J48

>75

<=75

Aprendizado de árvores de decisão
J48 pruned tree
-----------------outlook = sunny
|
humidity <= 75: yes (2.0)
|
humidity > 75: no (3.0) outlook = overcast: yes (4.0) outlook = rainy
|
windy = TRUE: no (2.0)
|
windy = FALSE: yes (3.0)
Number of Leaves

:

Size of the tree :

5
8

Gerando regras de associação



APRIORI
Algoritmo para minerar regras de associação.
IF
IF
IF
IF
IF
IF
IF

umidade = normal AND vento = não THEN jogar = sim umidade = normal AND jogar = sim THEN vento = não vento = não AND jogar = sim THEN umidade = normal umidade = normal THEN vento = não AND jogar = sim vento = não THEN umidade =