Weka
Weka, acronimo di "Waikato Environment for Knowledge Analysis", è un software per l'apprendimento automatico sviluppato nell'università di Waikato in Nuova Zelanda. È open source e viene distribuito con licenza GNU General Public License. Curiosamente la sigla corrisponde al nome di un simpatico animale simile al Kiwi (vedi foto), presente solo nelle isole della Nuova Zelanda.
| WEKA software | |
|---|---|
_logo.png){kind=logo} | |
 | |
| Genere | Analisi dei dati Apprendimento automatico (non in lista) |
| Sviluppatore | University of Waikato (NZ) |
| Ultima versione | 3.6.10 (25 gennaio 2013) |
| Ultima beta | 3.7.10 (21 febbraio 2013) |
| Sistema operativo | Multipiattaforma |
| Linguaggio | Java |
| Licenza | GNU General Public License (licenza libera) |
| Sito web | www.cs.waikato.ac.nz/ml/weka/ |
Caratteristiche modifica
Weka è un ambiente software interamente scritto in Java. Un semplice metodo per utilizzare questo software consiste nell'applicare dei metodi di apprendimento automatici (learning methods) ad un set di dati (dataset), e analizzarne il risultato. È possibile attraverso questi metodi, avere quindi una previsione dei nuovi comportamenti dei dati.
L'interfaccia grafica di Weka è composta da:
- Simple CLI: l'interfaccia dalla riga di comando;
- Explorer: ambiente che consente di esplorare i dati attraverso i comandi Weka:
- Preprocess permette di caricare i dati da una base dati o da un CSV e di applicare dei filtri ai dati;
- Classify applica algoritmi di classificazione e regressione;
- Cluster permette di usare tecniche di clustering;
- Associate cerca di estrarre delle Regole di associazione;
- Select attributes esegue degli algoritmi che permettono di valutare gli attributi in base alla loro utilità per la classificazione;
- Visualize visualizza un Grafico di dispersione;
- Experimenter: compie test statistici fra i diversi algoritmi di data mining;
- Knowledge Flow.
Il dataset modifica
Insieme di valori e attributi presenti all'interno di una relazione. In una tabella di un database relazionale le istanze corrispondono alle righe e gli attributi alle colonne. Il formato utilizzato in Weka per la lettura dei dataset è l'ARFF(Attribute Relationship File Format), è simile al più famoso CSV (Comma-separated values) ed è equivalente alla tabella di un database relazionale.
La matrice di confusione modifica
Vengono utilizzate per la valutazione dei classificatori utilizzati in Weka.
| a | b | classified as |
|---|---|---|
| 7 | 2 | a = yes |
| 3 | 2 | b = no |
Le colonne della matrice rappresentano le istanze che sono state classificate come appartenenti a quella classe. Nell'esempio la prima colonna mostra che in totale sono state classificate 10 istanze “a” da Weka, e 4 sono state classificate come “b”.
Le righe della matrice di confusione rappresentano le reali istanze che appartengono a quella classe. Attraverso questo meccanismo la matrice è in grado di fornire il numero di casi che sono stati classificati correttamente e il numero di casi classificati in modo scorretto.
Utilizzo all'interno di codice Java modifica
Oltre ad utilizzare WEKA da interfaccia grafica, è anche possibile usarlo all'interno di programmi scritti in Java.
Un esempio di training incrementale è il seguente[1]:
// carica di dati dal file di tipo ARFF
ArffLoader loader = new ArffLoader();
loader.setFile(new File("/some/where/data.arff"));
Instances structure = loader.getStructure();
// usa i dati caricati per allenare il clusterer Cobweb
Cobweb cw = new Cobweb();
cw.buildClusterer(structure);
Instance current;
while ((current = loader.getNextInstance(structure)) != null)
cw.updateClusterer(current);
cw.updateFinished();
È possibile anche eseguire l'allenamento in modalità batch, ovvero su tutte le istanze insieme:
import weka.core.Instances;
import java.io.BufferedReader;
import java.io.FileReader;
import weka.clusterers.EM;
...
BufferedReader reader = new BufferedReader(
new FileReader("/some/where/data.arff"));
Instances data = new Instances(reader);
reader.close();
String[] options = new String[2];
options[0] = "-I"; // numero massimo di interazioni
options[1] = "100";
EM clusterer = new EM(); // crea una nuova istanza del clusterer
clusterer.setOptions(options); // imposta le opzioni
clusterer.buildClusterer(data); // costruisci il clusterer
Note modifica
- ^ Use WEKA in your Java code, su weka.wikispaces.com. URL consultato il 2 gennaio 2014.
Altri progetti modifica
Wikimedia Commons contiene immagini o altri file su Weka
Collegamenti esterni modifica
- Sito ufficiale, su cs.waikato.ac.nz.
- Sito su Sourceforge [collegamento interrotto], su weka.wiki.sourceforge.net.
- Articolo Weka su Mokabyte, su www2.mokabyte.it (archiviato dall'url originale il 30 agosto 2007).
- WEKA: classificazione di dati meteo con tecniche di Data Mining - I parte: Creazione dei modelli, su www2.mokabyte.it. URL consultato il 16 ottobre 2022 (archiviato dall'url originale il 13 aprile 2013).
