tìm hiểu phần mềm weka

Trang 1

TÌM HIӆU PHҪN MӄM

WEKA

GVHD: THҪY NGUYӈN VĂN CHӬC

THӴC HIӊN: NHÓM 15

Trang 2

NӜI DUNG TRÌNH BÀY

Giӟi thiӋu chӭc năng phân lӟp

Mӝt sӕ bӝ phân lӟp phә biӃn

Cây quyӃt đӏnh ID3

NaiveBayes

Tәng kӃt

Trang 3

Giӟi thiӋu chӭc năng phân lӟp

NaiveBayes

Tәng kӃt

Trang 4

PHÂN LӞP LÀ GÌ?

ahân lӟp (classify) là mӝt nhiӋm vө khai thác dӳ liӋu, trong đó: chotrưӟc mӝt tұp hӧp các lӟp, tìm cách gán mӝt mүu mӟi vào phân lӟpsao cho có đӝ chính xác cao nhҩt có thӇ

Ví dө:

Dӵ đoán khӕi u là u lành hay u ác

ahân loҥi văn bҧn theo chӫ đӅ tin tӭc, thӇ thao, giáo dөc

Weka hӛ trӧ phân lӟp trong phҫn chӭc năng Explorer cӫa nhómchӭc năng Applications

Trang 5

PHÂN LӞP VӞI WEKA

Trang 6

þây là chӭc năng cho phép ngưӡi

dùng chӑn lӵa mӝt trong các thuұt toán

phân lӟp đã cài đһt sҹn đӇ áp dөng lên

dӳ liӋu

Bưӟc 1: nhҩn nút O đӇ mӣ

hӝp thoҥi chӑn thuұt toán

Trang 7

þây là chӭc năng cho phép ngưӡi

dùng chӑn lӵa mӝt trong các thuұt

toán phân lӟp đã cài đһt sҹn đӇ áp

dөng lên dӳ liӋu

Bưӟc 2: nhҩn vào ô chӳ hiӇn

thӏ thuұt toán đӇ mӣ hӝp thoҥi

chӑn tham sӕ

Trang 8

þây là chӭc năng cho phép ngưӡi dùng chӑn lӵa mӝt trong cácthuұt toán phân lӟp đã cài đһt sҹn đӇ áp dөng lên dӳ liӋu

Bưӟc 1: nhҩn nút O đӇ mӣ hӝp thoҥi chӑn thuұt toán

Bưӟc 2: nhҩn vào ô chӳ hiӇn thӏ thuұt toán đӇ mӣ hӝp thoҥichӑn tham sӕ

Bưӟc 3: nhҩn nút  đӇ chҥy thuұt toán vӟi dӳ liӋu hiӋn có

Trang 9

þây là dӳ liӋu thu đưӧc sau khi thӵc hiӋn thành công, gӗm

,   (cây quyӃt đӏnh, giá trӏ xác suҩt«),

  trên tұp dӳ liӋu kiӇm thӱ và

Trang 10

þây là bҧng lưu lҥi thông tin các lҫn chҥy Ta có thӇ ghi lҥi kӃt quҧchҥy thuұt toán sang tұp tin đӇ lưu trӳ

Trang 11

þây là bҧng chӑn lӵa chӃ đӝ kiӇm thӱ đӇ đánh giá hiӋu quҧ cӫa bӝphân lӟp đã đưӧc xây dӵng

Use training set: sӱ dөng tұp

huҩn luyӋn làm tұp kiӇm thӱ

Trang 12

Supplied test set: chӍ đӏnh tұp dӳ

liӋu mӟi làm tұp kiӇm thӱ

Trang 13

Cross-validation: kiӇm thӱ bҵng

phương pháp cross-validation

Trang 14

aercentage split: chia tұp dӳ liӋu

ban đҫu thành tұp huҩn luyӋn và

tұp kiӇm thӱ theo tӍ lӋ %

Trang 15

Các lӵa chӑn tiӋn ích khác

ӵa chӑn xuҩt kӃt quҧ

ӵa chӑn thuӝc tính phân lӟp

Trang 16

Mӝt sӕ bӝ phân lӟp phә biӃn

NaiveBayes

Tәng kӃt

Trang 17

CÁC THUҰT TOÁN PHÂN LӞP

Weka hӛ trӧ tương đӕi đa dҥng các thuұt toán phân lӟp

Các thuұt toán đưӧc chia thành nhiӅu nhóm dӵa theo tính chҩt hoҥtđӝng, có thӇ kӇ đӃn mӝt sӕ đҥi diӋn như:

Bayes: mҥng Bayes, NaiveBayes«

Functions: SVM, hàm hӗi qui«

Trees: ID3, J48«

Rules: các phương pháp khai thác dӵa trên luұt

Trang 18

CÂY QUYӂT ĐӎNH

à mô hình phân lӟp dҥng cây sao cho bҳt đҫu tӯ mӝt sӕ thuӝc tínhnào đó (nút trung gian) có thӇ đi đӃn quyӃt đӏnh phân lӟp cho mӝtmүu (nút lá)

Ví dө: ID3, J48«

Trang 19

CÁC BƯӞC THӴC HIӊN

Trang 20

Tên thuұt toán Tham sӕ đi kèm

Thông tin tóm tҳt vӅ lưӧt chҥy: thuұt toán sӱ dөng, dӳ liӋu đҫu vào(tên, các thuӝc tính«), kiӇu test

Trang 21

| humidity = normal : yes

outlook = overcast : yes

outlook = rainy

| windy = TRUE : no

| windy = FALSE : yes

Time taken to build model: 0 seconds

Cây quyӃt đӏnh đưӧc xây dӵng tӯ thuұt toán ID3 và dӳ liӋu weather

Trang 22

PHÂN TÍCH KӂT QUҦ

=== Predictions on test data ===

inst#, thӵc sӵ dӵ báo error probability distribution

Trang 23

Mean absolute error 0.1429

Root mean squared error 0.378

Relative absolute error 30 %

Root relative squared error 76.6097 %

Total Number of Instances 14

Thӕng kê vӅ tӍ lӋ phân lӟp đúng/sai, kèm theo mӝt sӕ thông sӕ vӅnhӳng đӝ đo lӛi phә biӃn

Trang 24

Ví dө: Cӝt a có 9 mүu Weka phân lӟp 9 mүu thuӝc lӟp a, nhưng

9 mүu này thuӝc hai dòng a = yes (8) và b = no (1) Weka phânlӟp sai 1 mүu

Trang 26

PHÂN TÍCH KӂT QUҦ

=== Classifier model (full training set) ===

Naive Bayes (simple)

Trang 27

NaiveBayes

Tәng kӃt

Trang 28

TӘNG KӂT

ahân lӟp (classify) đưӧc hӛ trӧ trong chӭc năng Explorer cӫaWeka þây là chӭc năng giúp ngưӡi dùng phân lӟp dӳ liӋu dӵa trênquá trình gӗm 2 bưӟc:

Huҩn luyӋn: xây dӵng bӝ phân lӟp dӵa trên dӳ liӋu huҩn luyӋn

Định dạng
Số trang	28
Dung lượng	371,53 KB