Programa Open Source WEKA • Introducción. • Instalación del WEKA. • Uso del WEKA. • Repositorios del WEKA.
Elaborado por: Jean Sánchez
Introducción El sistema WEKA (Waikato Environment for Knowledge Analysis) fue desarrollado en la Universidad de Waikato en Nueva Zelanda. Está bajo licencia GNU implementado en Java y ha sido probado en Windows, Linux y Macintosh. Implementa algoritmos de minería de datos que pueden aplicarse a bases de datos desde su línea de comando o bien desde su interfaz gráfica. Este sistema incluye una variedad de herramientas para transformar conjuntos de datos. Permite realizar preprocesamientos de datos para transformarlos en un esquema de aprendizaje, a fin de que sus resultados puedan ser analizados. WEKA permite aplicar un método de aprendizaje a conjuntos de datos y analizar los resultados para extraer información. Otra forma es aplicar varios métodos de aprendizaje y comparar sus resultados en orden de escoger una predicción. Estos métodos son llamados clasificadores. La implementación de los esquemas de aprendizaje son los recursos más valiosos de WEKA. Las herramientas para el preprocesamiento de datos, llamados filtros, WEKA centra su atención en los algoritmos de clasificación y filtro, sin embargo, también incluye la implementación de algoritmos para el aprendizaje de reglas de asociación y el agrupamiento de datos (clustering).
Instalación de WEKA Descargar desde la página web de la Universidad de Waikato http://www.cs.waikato.ac.nz/ml/weka/ Permitirá la instalación de la máquina virtual java. Comenzará la instalación automática del programa. Se mostraran las ventanas que se muestran a continuación
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa siguiente
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa Estoy de Acuerdo
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa siguiente
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa siguiente
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa Instalar
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa siguiente
Instalaci贸n de WEKA Se mostrar谩 la siguiente ventana
Pulsa Finalizar
Uso del WEKA La pantalla principal del WEKA se muestra a continuaci贸n:
Uso del WEKA Se muestran las 4 opciones posibles interfaces de trabajo con WEKA Explorer: es la opción que permite ejecutar los algoritmos de análisis y comparar resultados sobre un único conjunto de datos. Experimenter: es la opción que permite definir experimentos complejos y almacenar resultados. Knowledge Flow: es la opción que permite llevar a cabo las mismas operaciones que Experimenter pero representado como un grafo dirigido. Simple Cli: es “CommandLine Interfaz” es una ventana de comandos java para ejecutar las clases WEKA.
Uso del WEKA Explorer: Como se observa con seis subentornos de ejecución: Preprocess: permite el uso de las herramientas y filtros para cargar y manipular los datos. Classification: permite el acceso a las técnicas de clasificación y regresión. Cluster: permite integrar varios métodos de agrupamiento. Associate: permite incluir las reglas de asociación. Select Attributes: permite aplicar las técnicas de reducción de atributos. Visualize: permite visualizar el comportamiento de los datos.
Uso del WEKA Explorer: Preprocesamiento de Datos. • Se pueden importar datos en varios formatos: ARFF, CVS, C.45, binarios. • Los datos pueden provenir desde un URL o de una base de datos (usando JDBC). •Herramientas de preprocesado: Filters. • Filtros para: discretización, normalización, selección de atributos, ...
Uso del WEKA Explorer: Las flores de las plantas Iris (liliáceas) se clasifican a base de las dimensiones de sus pétalos y sépalos
Es un problema académico planteado por Fisher en 1936, que consta de las mediciones de 150 ejemplares de tres subclases: Setosa, Versicolor, Virginica.
Uso del WEKA Explorer: Los datos son introducidos como archivos ARFF los cuales poseen las siguientes características: Cabecera con el nombre de la relación: iris Declaración de atributos: {a1,a2,..,an} enumerado REAL numérico
Conjunto de datos: 150 instancias. Ordenadas de 50 en 50.
@RELATION iris @ATTRIBUTE sepallength REAL @ATTRIBUTE sepalwidth REAL @ATTRIBUTE petallength REAL @ATTRIBUTE petalwidth REAL @ATTRIBUTE class {Iris-setosa,Iris-versicolor,Iris-virginica} @DATA 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa … 5.2,2.7,3.9,1.4,Iris-versicolor 5.0,2.0,3.5,1.0,Iris-versicolor … 7.2,3.6,6.1,2.5,Iris-virginica 6.5,3.2,1.4,2.0,Iris-virginica
Uso del WEKA Explorer: Preprocess
Pulse para abrir archivo
Uso del WEKA Explorer: Preprocess
Pulse para seleccionado
abrir
archivo
Uso del WEKA Explorer: Preprocess
Uso del WEKA Explorer: Preprocess
Pulse sobre el atributo class
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n Visualiza todo
Uso del WEKA Explorer: Preprocess Como se observa los cinco atributos de las plantas Iris: sepallenght: longitud del sépalo. sepalwidth: anchura del sépalo. petallenght: longitud del pétalo. petalwidth: anchura del pétalo. class: especies que componen la planta Iris.
Uso del WEKA Explorer: Preprocess
Pulse sobre el atributo petalwidth
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n Elegir
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n de la herramienta de preprocesamineto no supervisada
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n de la herramienta de preprocesamineto no supervisada para el tratamiento de los atributos
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n de filtros
Uso del WEKA Explorer: Preprocess
Marca sobre la opciones filtros que considere necesarias y pulsa Esta bien
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n de la herramienta de preprocesamineto no supervisada para el tratamiento de los atributos escogiendo Discretizar
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n aplicar
Uso del WEKA Explorer: Preprocess
Uso del WEKA Explorer: Preprocess
Usaremos ahora de la herramienta de preprocesamineto no supervisada para el tratamiento de los atributos escogiendo Discretizar las opciones que posee pulsando sobre el
Uso del WEKA Explorer: Preprocess
Colocar en verdadero para hacer iguales el nĂşmero de las frecuencias. Se puede tambiĂŠn modificar cualquiera de las opciones a nuestra conveniencia
Uso del WEKA Explorer: Preprocess
En la secci贸n Acerca de se muestra la informaci贸n sobre la herramienta de Preprocesamiento utilizada.
Pulsar sobre la opci贸n esta bien
Uso del WEKA Explorer: Preprocess
Pulse sobre la opci贸n aplicar
Uso del WEKA Explorer: Preprocess
Uso del WEKA Explorer: Classify WEKA ofrece cuatro opciones en el Test options: Use trainig set: la muestra es usada para entrenar y probar al mismo tiempo. Los resultados obtenidos no corresponden con la realidad. Supplied test set: los atributos de los datos son escritos en un nuevo archivo de formato ARFF sobre el cual se efectuar谩 la clasificaci贸n. Cross-validation: permite dividir la muestra en k partes, sobre estas se procede a entrenar el clasificador con las k1 partes y evaluar con la parte k actual. Percentage split: indica el porcentaje de la muestra que empleara para probar el clasificador.
Uso del WEKA Explorer: Classify
Pulsar sobre la opci贸n Elegir
Uso del WEKA Explorer: Classify WEKA ofrece ocho opciones para clasificar: Bayes: métodos basados en el aprendizaje de Bayes. Functions: métodos matemáticos. Lazy: métodos basados en el aprendizaje del perezoso. Meta: métodos que resultan de la combinación de diferentes métodos de aprendizaje. Mi: métodos que aprenden mediante la variación de la densidad de los algoritmos. Misc: métodos que aprenden como si leyeran los datos. Trees: métodos que aprenden mediante arboles de decisión. Rules: métodos que aprenden y esto se puede expresar como reglas.
Uso del WEKA Explorer: Classify (bayes)
Pulsar sobre la de filtros
Uso del WEKA Explorer: Classify (bayes)
Marca sobre la opciones filtros que considere necesarios y pulsa Esta bien
Uso del WEKA Explorer: Classify (bayes)
Pulsar sobre NaiveBayes para que se muestren las opciones que este posee
Uso del WEKA Explorer: Classify (bayes)
En la secci贸n Acerca de se muestra la informaci贸n sobre la herramienta de Clasificaci贸n utilizada.
Pulsa Esta bien luego de realizar las modificaciones en las opciones de ser necesario.
Uso del WEKA Explorer: Classify (bayes)
Pulsar sobre MĂĄs opciones con lo cual se desplegara un menĂş emergente
Uso del WEKA Explorer: Classify (bayes)
Pulsa Esta bien luego de realizar las modificaciones en las opciones de ser necesario.
Uso del WEKA Explorer: Classify (bayes)
Pulsa sobre Comienzo para que el algoritmo empiece a ejecutarse
Uso del WEKA Explorer: Classify (bayes)
Se muestra el resultado del algoritmo, deberรกs pulsar sobre la ventana deslizante hasta llegar al final de la misma
Uso del WEKA Explorer: Classify (bayes)
Se muestra el resultado del algoritmo, deberรกs pulsar sobre la ventana deslizante hasta llegar al final de la misma
Uso del WEKA Explorer: Classify (bayes)
Se muestra el resultado del algoritmo
Uso del WEKA Explorer: Classify (bayes)
Pulsando bot贸n contrario del rat贸n se desplegara la siguiente ventana emergente
Uso del WEKA Explorer: Classify (bayes)
Pulsa sobre la opci贸n visualizar los errores clasificados
Uso del WEKA Explorer: Classify (bayes) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (bayes)
Pulsa sobre la opci贸n visualizar la curva marginal
Uso del WEKA Explorer: Classify (bayes) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (bayes)
Pulsa sobre la opci贸n visualizar el umbral de la curva
Uso del WEKA Explorer: Classify (bayes) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (bayes)
Pulsa sobre la opci贸n visualizar la curva de costos
Uso del WEKA Explorer: Classify (bayes) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (trees)
Pulsar sobre la opci贸n Arboles de decisi贸n
Uso del WEKA Explorer: Classify (trees)
Pulsar sobre la opci贸n J48 que usa el algoritmo C4.5
Uso del WEKA Explorer: Classify (trees)
Pulsar sobre la de filtros
Uso del WEKA Explorer: Classify (trees)
Marca sobre la opciones filtros que considere necesarias y pulsa Esta bien
Uso del WEKA Explorer: Classify (trees)
Pulsar sobre J48 para que se muestren las opciones que este posee
Uso del WEKA Explorer: Classify (trees)
En la secci贸n Acerca de se muestra la informaci贸n sobre la herramienta de Clasificaci贸n utilizada.
Pulsa Esta bien luego de realizar las modificaciones en las opciones de ser necesario.
Uso del WEKA Explorer: Classify (trees)
Pulsar sobre MĂĄs opciones con lo cual se desplegara un menĂş emergente
Uso del WEKA Explorer: Classify (trees)
Pulsa Esta bien luego de realizar las modificaciones en las opciones de ser necesario.
Uso del WEKA Explorer: Classify (trees)
Pulsa sobre Comienzo para que el algoritmo empiece a ejecutarse
Uso del WEKA Explorer: Classify (trees)
Se muestra el resultado del algoritmo, deberรกs pulsar sobre la ventana deslizante hasta llegar al final de la misma
Uso del WEKA Explorer: Classify (trees)
Se muestra el resultado del algoritmo, deberรกs pulsar sobre la ventana deslizante hasta llegar al final de la misma
Uso del WEKA Explorer: Classify (trees)
Se muestra el resultado del algoritmo
Uso del WEKA Explorer: Classify (trees)
Pulsando bot贸n contrario del rat贸n se desplegara la siguiente ventana emergente
Uso del WEKA Explorer: Classify (trees)
Pulsa sobre la opción visualizar Árbol de Decisión
Uso del WEKA Explorer: Classify (trees) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (trees)
Pulsa sobre la opci贸n visualizar los errores clasificados
Uso del WEKA Explorer: Classify (trees) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (trees)
Pulsa sobre la opci贸n visualizar la curva marginal
Uso del WEKA Explorer: Classify (trees) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (trees)
Pulsa sobre la opci贸n visualizar el umbral de la curva
Uso del WEKA Explorer: Classify (trees) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify (trees)
Pulsa sobre la opci贸n visualizar la curva de costos
Uso del WEKA Explorer: Classify (trees) Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Classify Principales Algoritmos utilizados en Clasificar •BayesNet: Aprende redes Bayesianas. •NaiveBayes: Clasificador discriminador de Bayes. •Id3: Arboles de decisión usando el divide y vencerás. •J48: Arboles de decisión usando el C4.5. •RandomForest: Contruye un bosque aleatorio. •JRip: Construye reglas con el algoritmo RIPPER. •M5Rules: Construye reglas M5 desde árboles. •LinearRegression: Utiliza la regresión lineal. •MultilayerPerceptron: Usa Red Neuronal de Retroprogramación. •RBFNetwork: Usa Red de función en Radio Base. •SMO: Basado en Vectores de Soporte. •Ibk: Usa k vecinos más cercanos. •LWL: Aprendizaje basados en Pesos Locales. •Entre muchos otros…
Uso del WEKA Explorer: Classify Principales Algoritmos utilizados en Clasificar •BayesNet: Aprende redes Bayesianas. •NaiveBayes: Clasificador discriminador de Bayes. •Id3: Arboles de decisión usando el divide y vencerás. •J48: Arboles de decisión usando el C4.5. •RandomForest: Contruye un bosque aleatorio. •JRip: Construye reglas con el algoritmo RIPPER. •M5Rules: Construye reglas M5 desde árboles. •LinearRegression: Utiliza la regresión lineal. •MultilayerPerceptron: Usa Red Neuronal de Retroprogramación. •RBFNetwork: Usa Red de función en Radio Base. •SMO: Basado en Vectores de Soporte. •Ibk: Usa k vecinos más cercanos. •LWL: Aprendizaje basados en Pesos Locales. •Entre muchos otros…
Uso del WEKA Explorer: Cluster WEKA ofrece cuatro opciones en el Cluster mode: Use trainig set: la muestra es usada para entrenar y probar al mismo tiempo. Los resultados obtenidos no corresponden con la realidad. Supplied test set: los atributos de los datos son escritos en un nuevo archivo de formato ARFF sobre el cual se efectuar谩 la clasificaci贸n. Percentage split: indica el porcentaje de la muestra que empleara para probar el clasificador. Classes to cluster evaluation: permite escoger el atributo a agrupar
Uso del WEKA Explorer: Cluster
Pulsar sobre la opci贸n Elegir
Uso del WEKA Explorer: Cluster WEKA ofrece nueve algoritmos para agrupar datos: •CobWeb: utiliza el algoritmo CobWeb. •DBScan: utiliza el algoritmo DBScan. •EM: utiliza el algoritmo EM. •FarthestFirst: utiliza el algoritmo FarthestFirst. •FilteredCluster: agupra los datos arbitrariamente y luego son pasados por un filtro arbitrario. •MakeDensityBasedClusterer: los datos son envueltos en clases y devuelven su distribución y densidad. •OPTICS: utiliza el algoritmo OPTICS. •SimpleKMeans: utiliza el algoritmo de k-medias. •XMeans: utiliza el algoritmo de x-medias.
Uso del WEKA Explorer: Cluster
Pulsa sobre la opci贸n filtros
Uso del WEKA Explorer: Cluster
Marca sobre la opciones filtros que considere necesarias y pulsa Esta bien
Uso del WEKA Explorer: Cluster
Pulsa sobre la opci贸n del algoritmo CobWeb
Uso del WEKA Explorer: Cluster
Pulsar sobre CobWeb para que se muestren las opciones que este posee
Uso del WEKA Explorer: Cluster
En la secci贸n Acerca de se muestra la informaci贸n sobre la herramienta de Agrupamiento de datos utilizada.
Pulsa Esta bien luego de realizar las modificaciones en las opciones de ser necesario.
Uso del WEKA Explorer: Cluster
Pulsa sobre Comienzo para que el algoritmo empiece a ejecutarse
Uso del WEKA Explorer: Cluster
Se muestra el resultado del algoritmo, deberรกs pulsar sobre la ventana deslizante hasta llegar al final de la misma
Uso del WEKA Explorer: Cluster
Se muestra el resultado del algoritmo
Uso del WEKA Explorer: Cluster
Pulsando bot贸n contrario del rat贸n se desplegara la siguiente ventana emergente
Uso del WEKA Explorer: Cluster
Pulsa sobre la opción visualizar Árbol
Uso del WEKA Explorer: Cluster Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Cluster
Pulsa sobre la opci贸n visualizar los grupos formados
Uso del WEKA Explorer: Cluster Pulsa sobre X para cerrar la ventana emergente
Uso del WEKA Explorer: Associate
Pulsar sobre la opci贸n Elegir
Uso del WEKA Explorer: Associate WEKA ofrece cinco algoritmos para asociar datos: •Apriori: utiliza el algoritmo Apriori. •FilteredAssociator: utiliza el algoritmo que asocia los datos arbitrariamente además de filtrarlos arbitrariamente también. •GeneralizedSequentialPatterns: utiliza el algoritmo GSP •PredictiveApriori: utiliza el algoritmo Apriori para hacer reglas de asociación. •Tertius: utiliza el algoritmo de Tertius.
Uso del WEKA Explorer: Associate
Pulsa sobre la opci贸n filtros
Uso del WEKA Explorer: Associate
Marca sobre la opciones filtros que considere necesarias y pulsa Esta bien
Uso del WEKA Explorer: Associate
Pulsa sobre la opci贸n del algoritmo FilteredAssociator
Uso del WEKA Explorer: Associate
Pulsar sobre FilteredAssociator para que se muestren las opciones que este posee
Uso del WEKA Explorer: Associate
En la secci贸n Acerca de se muestra la informaci贸n sobre la herramienta de Asociaci贸n de datos utilizada.
Pulsa Esta bien luego de realizar las modificaciones en las opciones de ser necesario.
Uso del WEKA Explorer: Associate
Pulsa sobre Comienzo para que el algoritmo empiece a ejecutarse
Uso del WEKA Explorer: Associate
Se muestra el resultado del algoritmo
Uso del WEKA Explorer: Associate
Pulsando bot贸n contrario del rat贸n se desplegara la siguiente ventana emergente
Uso del WEKA Explorer: Visualize
Uso del WEKA Experimenter: Como se observa con tres subentornos de ejecuci贸n: Setup: permite la carga de los archivos as铆 como la creaci贸n de los mismos. Run: permite ejecutar el archivo con los algoritmos indicados en Setup. Analyse: permite configurar las pruebas sobre los datos.
Uso del WEKA KnowledgeFlow: Como se observa con ocho subentornos de ejecución: DataSources: permite leer los datos en los diferentes tipos de archivos: ARFF, C45, CVS, LIBSVM, XRFF. DataSkin: permite guardar los datos en los diferentes tipos de archivos: ARFF, C45, CVS, LIBSVM, XRFF. Filters: permite efectuar el preprocesamiento de los datos, se dividen supervisados y no supervisados. Classifiers: permite efectuar la clasificación de los datos, se dividen en: bayes, functions, lazy, meta, mi, misc, trees y rules. Clusterers: permite aplicar las técnicas de agrupamiento de datos. Associations: permite aplicar las técnicas de asociación de los datos. Evaluation: permite evaluar o designar el conjunto de datos para el entrenamiento. Visualization: permite visualizar ya sea como texto o grafico el resultado de los algoritmos.
Uso del WEKA KnowledgeFlow: Como primer paso es necesario cargar los datos. Para esto se debe: 1) Pulsar sobre la pestaĂąa de DataSources 2) Pulsar sobre la el icono de ArffLoader
3) Pulsar doble clic y aparecerĂĄ el icono de ArffLoader
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario sobre el icono de ArffLoader y aparecerá un menú desplegable sobre este elegirás la opción Configure, esto para indicarle la ubicación del archivo ARFF
Uso del WEKA KnowledgeFlow:
Pulsar clic sobre el archivo ARFF de nuestra elecci贸n el cual ser谩 inmediatamente cargado como fuente de datos
Uso del WEKA KnowledgeFlow: Como segundo paso es necesario evaluar los datos. Para esto se debe: 1) Pulsar sobre la pestaĂąa de Evaluation 2) Pulsar sobre la el icono de ClassAssigener
3) Pulsar doble clic y aparecerĂĄ el icono de ClassAssigner
ClassAssigner es un algoritmo que divide los datos en grupos (clases)
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción dataSet.
Uso del WEKA KnowledgeFlow:
La flecha indica que se efectúa la conexión entre el conjunto de los datos “dataSet” en formato ARFF (icono ArffLoader) y serán evaluados dicho conjunto de datos (icono ClassAssigner) Cada uno de los iconos u objetos sólo se conectaran con los atributos comunes a los mismos, en este caso es común el conjunto de datos “dataSet” y es la única forma de comunicación entre la carga del conjunto de datos (ArffLoader) y la evaluación de los mismos (ClassAsigner).
Uso del WEKA KnowledgeFlow:
Pulsar sobre la el icono CrossValidationFoldMaker
de
Pulsar doble clic y aparecer谩 el icono de CrossValidationFoldMaker
CrossValidationFolderMaker es un algoritmo de evaluaci贸n que divide un conjunto de datos al efectuar una validaci贸n cruzada, para esto separa el entrenamiento y las pruebas de los datos que son producidas por cada k-partes
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción dataSet.
Uso del WEKA KnowledgeFlow:
La flecha indica que se efectúa la conexión entre el conjunto de los datos “dataSet” formados por el método de agrupar en clases (icono ClassAssigner) y serán evaluados dicho conjunto de datos (icono CrossValidationFolderMaker)
Uso del WEKA KnowledgeFlow: Como tercer paso es necesario efectuar la clasificación de los datos. Para esto se debe: 1) Pulsar sobre la pestaña de Classifiers
2) Pulsar sobre la el icono de SMO
3) Pulsar doble clic y aparecerá el icono de SMO
SMO es una función que implementa el algoritmo de secuencia mínima optima de John Platt.
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción trainingSet y luego de igual manera pulsaras clic contrario aparecerá el menú emergente y luego pulsaras sobre la opción testSet.
Uso del WEKA KnowledgeFlow:
La flecha indica que se efectúa la conexión entre el evaluador (icono CrossValidationFoldMaker) ya sea tanto por entrenamiento de los datos “trainingSet” o por pruebas de los datos “testSet” al clasificador SMO.
Uso del WEKA KnowledgeFlow:
Pulsar sobre NaiveBayes
la
el
icono
de
3) Pulsar doble clic y aparecer谩 el icono de NaiveBayes
NaiveBayes es una funci贸n que se usa para estimar las clases
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción trainingSet y luego de igual manera pulsaras clic contrario aparecerá el menú emergente y luego pulsaras sobre la opción testSet.
Uso del WEKA KnowledgeFlow:
La flecha indica que se efectúa la conexión entre el evaluador (icono CrossValidationFoldMaker) ya sea tanto por entrenamiento de los datos “trainingSet” o por pruebas de los datos “testSet” al clasificador NaiveBayes.
Uso del WEKA KnowledgeFlow: Como cuarto es necesario efectuar la visualización de los datos. Para esto se debe: 1) Pulsar sobre la pestaña de Visualization
2) Pulsar sobre la el icono de TextViewer
3) Pulsar doble clic y aparecerá el icono de TextViewer
TextViewer es un visualizador que permite observar por pantalla los resultados generales del experimento
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción text
Uso del WEKA KnowledgeFlow:
La flecha indica que se efectúa la conexión entre el clasificador (icono MSO) que envía el resultado tipo texto “text” al visualizador TextViewer
Pulsar TextViewer y luego pulsar doble clic y aparecerá el icono de TextViewer
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción text
Uso del WEKA KnowledgeFlow:
La flecha indica que se efectúa la conexión entre el clasificador (icono NaiveBayes) que envía el resultado tipo texto “text” al visualizador TextViewer
Uso del WEKA KnowledgeFlow: Como quinto paso es necesario cargar los datos.
Pulsar clic contrario sobre los datos (icono titanic.txt) aparecerá un menú emergente donde escogerás la opción Start loading, con esto se iniciará la carga de los datos en el modelo creado.
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción ShowResults
Uso del WEKA KnowledgeFlow:
Estos son los resultados en forma de texto del clasificador implementado.
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción ShowResults
Uso del WEKA KnowledgeFlow:
Estos son los resultados en forma de texto del clasificador implementado.
Uso del WEKA KnowledgeFlow:
Pulsar sobre la el icono de J48
Pulsar doble clic y aparecer谩 el icono de J48
J48 es una funci贸n que genera un 谩rbol de decisi贸n usando el algoritmo C4.5
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción trainingSet y luego de igual manera pulsaras clic contrario aparecerá el menú emergente y luego pulsaras sobre la opción testSet.
Uso del WEKA KnowledgeFlow: Como sexto paso y para efectuar comparación con los algoritmos de árboles de decisión, es necesario volver a cargar los datos.
Pulsar clic contrario sobre los datos (icono titanic.txt) aparecerá un menú emergente donde escogerás la opción Start loading, con esto se iniciará la carga de los datos en el modelo creado.
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción ShowResults
Uso del WEKA KnowledgeFlow:
Estos son los resultados en forma de texto del clasificador implementado.
Uso del WEKA KnowledgeFlow:
Pulsar clic contrario aparecerá el menú emergente pulsaras sobre la opción ShowResults
Uso del WEKA KnowledgeFlow:
Este es el resultado en forma de รกrbol del clasificador implementado.
Uso del WEKA SimpleCLI: Como se observa con los siete comandos posibles son: java <classname> <args>. break. kill. cls. history. exit. help <command>
Repositorios de WEKA SimpleCLI: Como se observa con los siete comandos posibles son: java <classname> <args>. break. kill. cls. history. exit. help <command>