Giới thiệu phần mềm WEKA

GIỚI THIỆU PHẦN MỀM
GIỚI THIỆU PHẦN MỀM
WEKA
WEKA
Giáo viên hướng dẫn thực hành:
Nguyễn Ngọc Thảo
Nguyễn Hải Minh
Trường Đại học Khoa học Tự nhiên
Khoa Công nghệ Thông tin
NỘI DUNG TRÌNH BÀY
NỘI DUNG TRÌNH BÀY
Giới thiệu phần mềm Weka
Các chức năng của phần mềm
Tìm hiểu ứng dụng Explorer
2
NỘI DUNG TRÌNH BÀY
NỘI DUNG TRÌNH BÀY
Giới thiệu phần mềm Weka
Các chức năng của phần mềm
Tìm hiểu ứng dụng Explorer
3
LỊCH SỬ PHÁT TRIỂN
LỊCH SỬ PHÁT TRIỂN
WEKA – Waikato Environment for
Knowledge Analysis.
Là phần mềm khai thác dữ liệu,
thuộc dự án nghiên cứu của đại
học Waikato, New Zealand.
Mục tiêu: xây dựng một công cụ hiện đại nhằm phát triển các kỹ
thuật máy học và áp dụng chúng vào bài toán khai thác dữ liệu trong
thực tế.

4
LỊCH SỬ PHÁT TRIỂN
LỊCH SỬ PHÁT TRIỂN
1993 – Đại học Waikato, New
Zealand, khởi động dự án, xây
dựng phiên bản đầu tiên của Weka.
1997 – Quyết định xây dựng lại
Weka từ đầu bằng Java, có cài đặt
các thuật toán mô hình hóa.
2005 – Weka nhận giải thưởng SIGKDD Data Mining and
Knowledge Discovery Service Award.
Xếp hạng trên Sourceforge.net từ 25-06-2007: 241 (907,318 lượt).
5
CÁU TRÚC PHẦN MỀM
CÁU TRÚC PHẦN MỀM
WEKA được xây dựng bằng ngôn ngữ Java, cấu trúc gồm hơn 600
lớp, tổ chức thành 10 packages.
Các chức năng chính của phần mềm:
Khảo sát dữ liệu: tiền xử lí dữ liệu, phân lớp, gom nhóm dữ liệu,
và khai thác luật kết hợp.
Thực nghiệm mô hình: cung cấp phương tiện để kiểm chứng,
đánh giá các mô hình học.
Biểu diễn trực quan dữ liệu bằng nhiều dạng đồ thị khác nhau.
6
TRANG CHỦ WEKA
TRANG CHỦ WEKA
Trang chủ: />7
TRANG CHỦ WEKA
TRANG CHỦ WEKA
Dự án máy học Weka

Phần mềm Weka
Lịch sử phát triển
Phiên bản cài đặt
Thành phần nhân sự
Bài báo công bố
Tài liệu tham khảo
Hướng dẫn sử dụng
Các tập dữ liệu
8
CÁC PHIÊN BẢN WEKA
CÁC PHIÊN BẢN WEKA
Snapshots là các bản vá lỗi mới nhất, thường là được cập nhật
hàng đêm.
Developer versions là các phiên bản thử nghiệm, hỗ trợ nhiều tính
năng mới nhưng còn chưa ổn định.
Book versions là các phiên bản thể hiện những chức
năng được mô tả trong quyển sách Data Mining:
Practical Machine Learning Tools and Techniques
(2nd Edition) của Ian.H.Witten và Eibe Frank.
9
NỘI DUNG TRÌNH BÀY
NỘI DUNG TRÌNH BÀY
Giới thiệu phần mềm Weka
Các chức năng của phần mềm
Hướng dẫn sử dụng ứng dụng Explorer
10
KHẢO SÁT DỮ LIỆU
KHẢO SÁT DỮ LIỆU
Explorer: là ứng dụng con cho phép thực nghiệm các nhiệm vụ
khai thác dữ liệu thường gặp như:

Tiền xử lý dữ liệu
Khai thác luật kết hợp
Phân lớp
Gom nhóm
11
KHẢO SÁT DỮ LIỆU
KHẢO SÁT DỮ LIỆU
12
THỰC NGHIỆM MÔ HÌNH
THỰC NGHIỆM MÔ HÌNH
Experimenter: là ứng dụng con cung cấp môi trường thực nghiệm
để kiểm chứng các mô hình học, so sánh với nhau để đánh giá.
13
KẾT NỐI THÔNG TIN
KẾT NỐI THÔNG TIN
ArffViewer: là ứng dụng con trình bày nội dung tập dữ liệu có định
dạng *.ARFF thành bảng dữ liệu.
SqlViewer: cho phép kết nối với cơ sở dữ liệu (MySQL, PostGre…)
và truy vấn để lấy thông tin.
14
BIỂU DIỄN TRỰC QUAN
BIỂU DIỄN TRỰC QUAN
Weka hỗ trợ người dùng biểu diễn trực quan dữ liệu qua những
dạng biểu đồ thông dụng: biểu đồ trục, cây, đồ thị, biểu đồ vùng….
15
BIỂU DIỄN TRỰC QUAN
BIỂU DIỄN TRỰC QUAN
16
BIỂU DIỄN TRỰC QUAN
BIỂU DIỄN TRỰC QUAN

17
NỘI DUNG TRÌNH BÀY
NỘI DUNG TRÌNH BÀY
Giới thiệu phần mềm Weka
Các chức năng của phần mềm
Tìm hiểu ứng dụng Explorer
18
CÁC CHỨC NĂNG
CÁC CHỨC NĂNG
Tiền xử lý
dữ liệu
Khai thác
LKH
Phân lớp
Gom
nhóm
Chọn lọc
thuộc tính
19
TIỀN XỬ LÝ DỮ LIỆU
TIỀN XỬ LÝ DỮ LIỆU
Hiển thị thông tin về dữ liệu đang xét
Tập dữ liệu: tên, số mẫu, số thuộc tính.
Các thuộc tính: tên, kiểu dữ liệu, giá trị thuộc tính, tỷ lệ %
Biểu đồ minh họa thông tin.
Cung cấp các bộ lọc dữ liệu thông dụng, ví dụ:
ReplaceMissingValues: thay thế giá trị thiếu.
Normalize: chuẩn hóa dữ liệu về đoạn [0, 1].
Discretize: rời rạc hóa dữ liệu.
20

TIỀN XỬ LÝ DỮ LIỆU
TIỀN XỬ LÝ DỮ LIỆU
21
KHAI THÁC LUẬT KẾT HỢP
KHAI THÁC LUẬT KẾT HỢP
Cung cấp các thuật toán khai thác luật kết hợp
Apriori
PredictiveApriori: là cải tiến của thuật toán Apriori.
22
KHAI THÁC LUẬT KẾT HỢP
KHAI THÁC LUẬT KẾT HỢP
23
PHÂN LỚP
PHÂN LỚP
Cung cấp rất nhiều thuật toán phân lớp, được gom thành các nhóm
dựa trên cơ sở lý thuyết hoặc chức năng.
Bayes: mạng Bayes, Naïve Bayes
Hàm: SVM, các phương pháp hồi quy, hậu tuyến tính…
Cây: ID3, C4.5 (J58)…
Các phương pháp phân lớp dựa trên luật.
Bagging, AdaBoost…
24
PHÂN LỚP
PHÂN LỚP
25