1 / 35

ก ารใช้ซอฟต์แวร์ W EKA

ก ารใช้ซอฟต์แวร์ W EKA. แ นะนำซอฟต์แวร์ W EKA. WEKA ย่อมาจาก Waikato Environment for Knowledge Analysis พัฒนาด้วยภาษาจาวาทั้งหมด พัฒนาโดยเน้นทางด้าน Machine learning และ Data mining มีโมดูลย่อยสำหรับจัดการข้อมูล ใช้ GUI และคำสั่งในการสั่งให้ซอฟต์แวร์ประมวลผล.

adia
Télécharger la présentation

ก ารใช้ซอฟต์แวร์ W EKA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. การใช้ซอฟต์แวร์ WEKA

  2. แนะนำซอฟต์แวร์ WEKA • WEKA ย่อมาจาก Waikato Environment for Knowledge Analysis • พัฒนาด้วยภาษาจาวาทั้งหมด • พัฒนาโดยเน้นทางด้าน Machine learning และ Data mining • มีโมดูลย่อยสำหรับจัดการข้อมูล • ใช้ GUI และคำสั่งในการสั่งให้ซอฟต์แวร์ประมวลผล • สามารถดาวน์โหลดฟรีได้ที่ http://www.cs.waikato.ac.nz/ml/weka/index_downloading.html WEKA Software

  3. โปรแกรมหลักของซอฟต์แวร์ WEKA • Explorer เป็นโปรแกรมที่ออกแบบในลักษณะ GUI • Experimenterเป็นโปรแกรมที่ออกแบบการทดลองและการทดสอบผล • KnowledgeFlow เป็นโปรแกรมออกแบบผังการไหลของความรู้ • Simple CLI(Command Line Interface)เป็นโปรแกรมรับคำสั่งการทำงานผ่านการพิมพ์ WEKA Software

  4. หน้าต่างหลักของ Explorer WEKA Software

  5. แถบเมนูหลัก ปุ่มเปิดแฟ้มข้อมูล ปุ่มเลือกวิธีการจัดการข้อมูล แสดงข้อมูลของลักษณะเฉพาะ ส่วนประกอบหลักของ Explorer WEKA Software

  6. เมนูหลักของ Explorer • Preprocess การเตรียมข้อมูล • Classifyเป็นโมดูลการทำเหมืองข้อมูลแบบการจำแนกประเภท (Classification) • Cluster เป็นโมดูลการทำเหมืองข้อมูลแบบการแบ่งกลุ่ม (Clustering) • Associateเป็นโมดูลการทำเหมืองข้อมูลแบบกฎความสัมพันธ์ (Association rule) • Select attributeเป็นโมดูลการเลือกลักษณะเฉพาะ • Visualizeนำเสนอข้อมูลด้วยภาพนามธรรมสองมิติ WEKA Software

  7. ประเภทของแฟ้มข้อมูลที่รับได้ประเภทของแฟ้มข้อมูลที่รับได้ • แฟ้มข้อมูลที่รับต้องเป็น ARFF หรือ CSV • ในกรณีที่แฟ้มข้อมูลอยู่ในเครือข่ายสามารถเรียกใช้ผ่าน URL ได้ • สามารถเรียกใช้มูลจากฐานข้อมูลได้ โดยเชื่อมโยงผ่าน JDBC WEKA Software

  8. แฟ้มข้อมูลแบบ ARFF • ARFFย่อมาจาก Attribute-Relation File Format • @relation nameเป็นบรรทัดที่บอกชื่อตารางข้อมูลเชิงสัมพันธ์ • @attribute att-name typeเป็นบรรทัดที่บอกชื่อลักษณะเฉพาะและชนิด • numeric หรือ real หมายถึงลักษณะเฉพาะที่เก็บค่าเป็นตัวเลข • {v1, v, …, vn} หมายถึงลักษณะเฉพาะที่เก็บค่าไม่ต่อเนื่อง • @dataเป็นบรรทัดที่บอกถึงแถวที่ตามมาจะเป็นข้อมูล โดยแต่ละแถวจะแทนหนึ่งตัวอย่างข้อมูลซึ่งเรียงตามค่าของลักษณะเฉพาะที่บอกไว้ข้างต้น ตัวอย่างแฟ้ม weather.arff @relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature real @attribute humidity real @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes … 14 instances WEKA Software

  9. ตัวอย่างแฟ้ม weather.arff WEKA Software 9

  10. แฟ้มข้อมูลแบบ CSV • สร้างแฟ้มแบบ CSV ด้วยโปรแกรม Microsoft Excel • ชุดข้อมูลตัวอย่างที่ได้จาก UCI ชื่อชุดข้อมูล Car Evaluation Data Set • Attribute Information: • Class Values: unacc, acc, good, vgood • Attributes: buying: vhigh, high, med, low. maint: vhigh, high, med, low. doors: 2, 3, 4, 5more. persons: 2, 4, more. lug_boot: small, med, big. safety: low, med, high. ตัวอย่างชุดข้อมูล Car Evaluation จาก UCI WEKA Software

  11. สร้างแฟ้มข้อมูลแบบ CSV • เปิดชุดข้อมูล Car Evaluation Data Set WEKA Software

  12. สร้างแฟ้มข้อมูลแบบ CSV • จากตัวช่วยการนำเข้าข้อความ เลือกแบบมีการใช้ตัวคั่น • กดปุ่ม ถัดไป > WEKA Software

  13. สร้างแฟ้มข้อมูลแบบ CSV • เลือกตัวคั่นแบบ จุลภาค (,) • กดปุ่ม เสร็จสิ้น WEKA Software

  14. สร้างแฟ้มข้อมูลแบบ CSV • แทรกแถวที่ 1 เพื่อระบุชื่อ Attribute WEKA Software

  15. สร้างแฟ้มข้อมูลแบบ CSV • บันทึกแฟ้ม เก็บเป็นชนิด CSV (Comma delimited) (*.csv) WEKA Software

  16. ตัวอย่างแฟ้ม car.csv WEKA Software

  17. การจำแนกประเภทข้อมูลใน WEKA WEKA Software 17

  18. การเตรียมชุดข้อมูล • กำหนด Class ให้กับชุดข้อมูล (ลักษณะเฉพาะตัวสุดท้าย) • บางอัลกอริทึมที่ใช้ในการจำแนกต้องการลักษณะเฉพาะที่มีค่าไม่ต่อเนื่อง ดังนั้นจึงต้องแปลงลักษณะเฉพาะที่มีค่าต่อเนื่องเป็นลักษณะเฉพาะที่มีค่าไม่ต่อเนื่อง WEKA Software 18

  19. ตัวอย่างการใช้งาน WEKA • เริ่มต้นเปิด WEKA Explorer • เปิดตัวอย่างชุดข้อมูล weather.nominal.arff (ลักษณะเฉพาะทุกตัวมีค่าไม่ต่อเนื่องทั้งหมด) ตัวอย่างชุดข้อมูล weather.nominal.arff WEKA Software 19

  20. เลือกแถบ Classify • กดปุ่ม choose เลือก classifiers • เลือก classifier ที่ใช้จำแนกประเภท • เช่น เลือก trees >>Id3 WEKA Software 20

  21. เลือกรูปแบบการทดสอบ • เลือกลักษณะเฉพาะ Class • กดปุ่ม Start เพื่อเริ่มต้น WEKA Software 21

  22. ผลลัพธ์ของตัวจำแนก Confusion matrix แสดงค่าที่ได้จากตัวจำแนก (ด้านบน) กับค่าจริง (ด้านล่าง) WEKA Software 22

  23. การแปลงลักษณะเฉพาะให้เป็นค่าไม่ต่อเนื่องการแปลงลักษณะเฉพาะให้เป็นค่าไม่ต่อเนื่อง • เริ่มต้นเปิด WEKA Explorer • เปิดตัวอย่างชุดข้อมูล weather.arff • จะเห็นว่าลักษณะเฉพาะ temperature และ humidity มีค่าต่อเนื่อง ตัวอย่างชุดข้อมูล weather.nominal.arff WEKA Software 23

  24. เลือก Discretize ในกล่อง Filter โดยกดปุ่ม Choose เลือก filters  unsupervised  attribute WEKA Software

  25. ปรับค่าในกล่อง bins ให้เหมาะสม เช่น กำหนดให้เป็น 3 • กดปุ่ม OK • แล้วกด Apply WEKA Software

  26. ผลที่ได้จากการแปลงเป็นค่าไม่ต่อเนื่องผลที่ได้จากการแปลงเป็นค่าไม่ต่อเนื่อง WEKA Software

  27. การจำแนกประเภทโดยใช้ J48 • เลือกแถบ Classify • กดปุ่ม choose เลือก classifiers trees  J48 • เราไม่จำเป็นต้องแปลงลักษณะเฉพาะให้เป็นค่าที่ไม่ต่อเนื่อง • เลือกรูปแบบการทดสอบแบบ Use training set • กดปุ่ม Start • จะได้ผลลัพธ์ดังรูป WEKA Software 27

  28. ถ้าใช้ J48 เราสามารถแสดงรูปของต้นไม้ได้ WEKA Software

  29. การจำแนกประเภทโดยใช้ Neural Network • เลือกแถบ Classify • กดปุ่ม choose เลือก classifiers • เลือก functions -->MultilayerPerceptron WEKA Software 29

  30. คลิกที่กล่อง Classifier เพื่อกำหนดค่า • เลือก GUI=True เพื่อแสดงภาพโครงข่ายประสาท • เลือกจำนวน hidden node • เลือกอัตราการเรียนรู้ WEKA Software

  31. จำนวน hidden nodes ประมาณได้จาก (input+output)/2 • กดปุ่ม Start เพื่อเริ่มสร้าง • กดปุ่ม Accept หลังจากการทำงานเสร็จ WEKA Software

  32. แสดงผลลัพธ์ที่ได้ Confusion matrix แสดงค่าที่ได้จากตัวจำแนก (ด้านบน) กับค่าจริง (ด้านล่าง) WEKA Software

  33. การแปลงลักษณะเฉพาะให้เป็นค่าไม่ต่อเนื่องโดยใช้ MS Excel • จากตัวอย่างชุดข้อมูล weather.arff • จะเห็นว่าลักษณะเฉพาะ temperature และ humidity มีค่าต่อเนื่อง WEKA Software 33

  34. ค่าต่อเนื่อง ค่าไม่ต่อเนื่อง • แปลงลักษณะเฉพาะ temperature และ humidity ที่มีค่าต่อเนื่องให้เป็นค่าที่ไม่ต่อเนื่อง • ลักษณะเฉพาะ temperature จะแบ่งช่วงดังนี้ =IF(B2>78,"hot",IF(B2<71,"cool","mild")) • ลักษณะเฉพาะ humidity จะแบ่งช่วงดังนี้ =IF(C2<85,"normal","high") • จากนั้นบันทึกเป็น CSV WEKA Software 34

  35. อ้างอิง • WEKA. [ออนไลน์]. เข้าถึงได้จาก : http://www.cs.waikato.ac.nz/ml/weka/ (กรกฎาคม 2554). • กรุง สินอภิรมย์สราญ. การวิเคราะห์การเกาะกลุ่มในซอฟต์แวร์ Weka. [ออนไลน์]. ภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย. เข้าถึงได้จาก : http://pioneer.netserv.chula.ac.th/~skrung/csc662/. (กรกฎาคม 2554). WEKA Software 35

More Related