Weka Coleção de algoritmos de aprendizado de máquina implementado em Java Tanto é API como aplicativo!!! Open source software Framework para o desenvolvimento.

Apresentação em tema: "Weka Coleção de algoritmos de aprendizado de máquina implementado em Java Tanto é API como aplicativo!!! Open source software Framework para o desenvolvimento."— Transcrição da apresentação:

1 Weka Coleção de algoritmos de aprendizado de máquina implementado em Java Tanto é API como aplicativo!!! Open source software Framework para o desenvolvimento de algoritmos Tutorial e a Biblioteca encontrados em:

2 Métodos de aprendizado suportados
Aprendizagem Supervisionada decision tree inducers rule learners naive Bayes decision tables locally weighted regression support vector machines instance-based learners logistic regression voted perceptrons neural networks

3 E ainda ... Aprendizagem Não Supervisionada Meta Aprendizagem Filtros
Cobweb EM Meta Aprendizagem bagging boosting stacking Filtros Transformação dos Dados Seleção de Atributos Entre outros ...

4 Mais ainda ... Ferramentas de Visualização dos Dados
Algoritmos de Associação Experimenter

5 Preparando os dados O weka lê os dados no formato .arff
Uma lista de todas as instâncias, onde o valor dos atributos são separados por vírgula mais um cabeçalho Ex(weather.arff): @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

6 Instalando o software 1. Crie um diretório chamada ´Weka´ na raiz da sua área h:\weka 2.Copiando os arquivos: weka.jar weather.arff soybean.arff 3.Certifique-se de que os dados foram salvos no formato correto.

7 Executando o software Inicialize o ambiente jdk1.2.2
menu: programs\Linguagens\Java\JDK1.2.2 Execute no diretório ´h:\weka’ java –jar weka.jar Obs: Pode usar validação cruzada Pode salvar os resultados (API)

8 Weka: Aprendizado de árvores de decisão
Dados do tempo Algoritmo weka.classifier.j48.J48 <=75 >75

9 J48 - Parametros Binary Splits – criação de árvores binárias
nimMunObj – numero mínimo de instancias em folhas Reduced Error Pruning – poda através de conjunto de validação NumFolds – especifica o tamanho do conjunto de validação Unprunned – não usar poda Default – poda confidenceFactor??? ...

10 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 : 5 Size of the tree : 8

11 Exercício Abrir o arquivo soybean.arff
Variar parâmetros do J48 e observar o que acontece ...

12 IBk Parametros: Distance weigth Knn Window size …

13 Considerações Facilidade de uso Extensibilidade
é fácil fazer experimentos distintos rapidamente Extensibilidade Algumas implementações não contem parâmetros importantes Performance é deteriorada no uso de grandes conjuntos de dados Weka requer muita memória; Documentação não cobre todas as técnicas disponíveis