Tiểu luận khai phá dữ liệu Xây dựng tập dữ liệu cho Weka

Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 MỤC LỤC 1 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 LỜI NÓI ĐẦU Chúng em xin chân thành cảm ơn PGS.TS. Đỗ Phúc đã truyền đạt những kiến thức quý báu từ những kinh nghiệm sống đến những vấn đề khoa học mới nhất trong bộ môn Khai phá dữ liệu. Trong những năm gần đây, việc nắm bắt được thông tin được coi là chìa khóa của kinh doanh. Ai thu thập, phân tích và hiểu được thông tin và hành động được nhờ vào những thông tin đó là kẻ thắng cuộc trong thời đại thông tin này. Chính vì vậy, việc tạo ra thông tin và mức tiêu thụ thông tin ngày nay ngày càng gia tăng. Khai phá dữ liệu (Data Mining) là một lĩnh vực khoa học liên ngành mới xuất hiện gần đây nhằm đáp ứng nhu cầu này. Các kết quả nghiên cứu cùng với những ứng dụng thành công trong khai phá dữ liệu, khám phá tri thức cho thấy khai phá dữ liệu là một lĩnh vực khoa học tiềm năng, mang lại nhiều lợi ích, đồng thời có ưu thế hơn hẳn so với các công cụ phân tích dữ liệu truyền thống. Trong phạm vi tiểu luận này, em muốn chia sẽ những khái quát và những hiểu biết bản thân về phần mềm mã nguồn mở Weka và ví dụ ứng dụng Weka để khai phá dữ liệu, phân lớp tập dữ liệu các động vật trong vườn thú thành từng loại động vật khác nhau. 2 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 Chương 1: Giới thiệu 1.1 Giới thiệu về khai thác dữ liệu 1.1.1 Khái niệm Dữ liệu trên thế giới và xung quanh cuộc sống của chúng ta ngày càng tăng, không có điểm dừng. Máy tính mặt ở khắp nơi nên dữ liệu dễ dàng để lưu những thông tin mà trước đây chúng ta vứt bỏ đi sau khi xem. Đĩa và lưu trữ trực tuyến không tốn kém làm trì hoãn quyết định phải làm gì với tất cả các dữ liệu này, đơn giản là có được nhiều bộ nhớ hơn và giữ lại tất cả. Những dữ liệu được ghi lại đó là các quyết định của, sự lựa chọn của khách hàng trong các siêu thị, thói quen tài chính của khách hàng, nơi đi và đến, … Khi khối lượng dữ liệu tăng lên, tỷ lệ người hiểu khối dữ liệu đó giảm đến đáng báo động. Nằm ẩn trong các dữ liệu này là thông tin có khả ăng hữu ích. Khai thác dữ liệu là việc thực hiện tự động tìm kiếm trong các kho dữ liệu lớn để khám các mô hình và xu hướng. Khai thác dữ liệu sử dụng các thuật toán toán học tinh vi để phân đoạn dữ liệu và đánh giá xác suất của các sự kiện trong tương lai. Khai thác dữ liệu còn được gọi là khám phá tri thức trong dữ liệu (Knowledge Discovery in Data - KDD) Các thuộc tính quan trọng của khai thác dữ liệu là: - Tự động khám phá các mẫu - Dự đoán kết quả tương tự - Tạo ra các thông tin có thể thực hiện - Tập trung vào các tập dữ liệu và cơ sở dữ liệu lớn 1.1.2 Tự động khám phá Khai phá dữ liệu được thực hiện bằng việc xây dựng các mô hình. Một mô hình sử dụng một thuật toán để hoạt động trên một tập hợp các dữ liệu. Khái niệm tự động phát hiện liên quan đến việc thực hiện các mô hình khai phá dữ liệu. Các mô hình khai phá dữ liệu có thể được sử dụng để khai phá dữ liệu mà chúng được xây dựng, nhưng hầu hết các loại mô hình khái quát các dữ liệu mới. Quá trình áp dụng một mô hình dữ liệu mới được biết đến như scoring. 1.1.3 Dự đoán Nhiều hình thức khai phá dữ liệu dự đoán. Ví dụ, một mô hình có thể dự đoán thu nhập dựa trên giáo dục và các yếu tố nhân khẩu học khác. 3 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 Một số hình thức khai phá dữ liệu dự đoán tạo ra quy tắc. Ví dụ, một quy tắc có thể xác định rằng một người có bằng cử nhân trong một khu vực nhất định có khả năng thu nhập lớn hơn mức trung bình trong khu vực. 1.1.4 Sự gom nhóm Các hình thức khai phá dữ liệu xác định các nhóm tự nhiên trong dữ liệu. Ví dụ, một mô hình có thể xác định các phân đoạn dân số có thu nhập trong một phạm vi nhất định, có một hồ sơ lái xe tốt, và thuê một chiếc xe mới hàng năm. 1.1.5 Thông tin hữu ích Khai phá dữ liệu có thể lấy được thông tin hữu từ khối lượng lớn dữ liệu. Ví dụ, thị trấn có thể sử dụng một mô hình dự báo thu nhập dựa trên nhân khẩu học để phát triển một kế hoạch cho nhà ở thu nhập thấp. Một cơ quan cho thuê xe hơi có thể sử dụng một mô hình xác định phân khúc khách hàng để thiết kế một chương trình khuyến mãi nhắm mục tiêu khách hàng giá trị cao. 1.1.6 Khai phá dữ liệu và thống kê Có rất nhiều chồng chéo giữa khai thác dữ liệu và thống kê. Trong thực tế hầu hết các kỹ thuật được sử dụng trong khai thác dữ liệu có thể được đặt trong một khuôn khổ thống kê. Tuy nhiên, kỹ thuật khai thác dữ liệu không giống như các kỹ thuật thống kê truyền thống. Phương pháp truyền thống thống kê, nói chung, đòi hỏi rất nhiều sự tương tác của người dùng để xác nhận sự đúng đắn của một mô hình. Kết quả là, các phương pháp thống kê có thể được khó khăn để tự động hóa. Hơn nữa, phương pháp thống kê thường không quy mô tốt để tập hợp dữ liệu rất lớn. Phương pháp thống kê dựa vào thử nghiệm giả thuyết hoặc tìm kiếm mối tương quan dựa trên nhỏ hơn, các mẫu đại diện của một dân số lớn hơn. Phương pháp khai thác dữ liệu phù hợp với dữ liệu lớn và có thể được tự động dễ dàng hơn. Trong thực tế, các thuật toán khai thác dữ liệu thường yêu cầu các tập dữ liệu lớn cho việc tạo ra các mô hình chất lượng. 1.1.7 Khai phá dữ liệu và OLAP OLAP có thể được định nghĩa là phân tích nhanh chóng chia sẻ đa chiều dữ liệu. OLAP và khai phá dữ liệu là những hoạt động khác nhau nhưng bổ sung cho nhau. OLAP hỗ trợ các hoạt động như dữ liệu tổng kết, phân bổ chi phí, phân tích chuỗi thời gian, và phân tích what-if. Tuy nhiên, hầu hết hệ thống OLAP không có khả năng suy luận quy nạp vượt ra ngoài sự hỗ trợ cho dự báo chuỗi thời gian. Suy luận quy nạp, 4 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 quá trình đạt đến một kết luận chung từ các ví dụ cụ thể, là một đặc tính của khai phá dữ liệu. Suy luận quy nạp còn được gọi là học tính toán. Hệ thống OLAP cung cấp một cái nhìn đa chiều của dữ liệu, bao gồm hỗ trợ đầy đủ cho hệ thống phân cấp. Xem các dữ liệu này là một cách tự nhiên để phân tích các doanh nghiệp và tổ chức. Khai phá dữ liệu, mặt khác thường là không có một khái niệm về kích thước và phân cấp. Khai phá dữ liệu và OLAP có thể được tích hợp trong một số cách. Ví dụ, khai phá dữ liệu có thể được sử dụng để lựa chọn kích thước cho một khối lập phương, tạo ra giá trị mới cho một kích thước, hoặc tạo ra các biện pháp mới cho một khối lập phương. OLAP có thể được sử dụng để phân tích các kết quả khai phá dữ liệu ở các cấp độ khác nhau của granularity. Khai phá dữ liệu có thể giúp bạn xây dựng các hình khối thú vị và hữu ích hơn. Ví dụ, kết quả của khai phá dữ liệu tiên đoán có thể được thêm vào như là các biện pháp tùy chỉnh để một khối lập phương. Những biện pháp này có thể cung cấp các thông tin như "có khả năng mặc định" hoặc "có khả năng mua" cho mỗi khách hàng. Quá trình OLAP sau đó có thể tổng hợp và tóm tắt các khả năng. 1.1.8 Khai phá dữ liệu và kho dữ liệu Dữ liệu có thể được khai phá cho dù nó được lưu trữ trong các tập tin phẳng, bảng tính, bảng cơ sở dữ liệu, hoặc một số định dạng lưu trữ khác. Các tiêu chí quan trọng đối với dữ liệu không phải là định dạng lưu trữ, mà là là khả năng giải quyết được vấn đề. Làm sạch và chuẩn bị dữ liệu phù hợp là rất quan trọng để khai phá dữ liệu, và một kho dữ liệu có thể tạo điều kiện thuận lợi cho các hoạt động này. Tuy nhiên, một kho dữ liệu sẽ không được sử dụng nếu nó không chứa các dữ liệu bạn cần để giải quyết vấn đề. Với một ngoại lệ, Oracle khai phá dữ liệu đòi hỏi dữ liệu được trình bày theo dạng single-record. Điều này có nghĩa rằng các dữ liệu cho mỗi bản ghi phải được quy định trong một hàng duy nhất. Trường hợp ngoại lệ là các dữ liệu được chấp nhận bởi thuật toán Apriori để tính toán luật kết hợp. Các dữ liệu cho luật kết hợp có thể được trình bày như là các giao dịch, các dữ liệu cho mỗi trường hợp quy định trên nhiều hàng. 1.2 Giới thiệu về phần mềm mã nguồn mở Weka 1.2.1 Giới thiệu Weka Khai thác dữ liệu không phải là chỉ đơn thuần là lĩnh vực của các công ty lớn và phần mềm đắt tiền. Trong thực tế, có một phần của phần mềm mà hầu như tất cả những điều tương tự như những tính năng đắt tiền của phần mềm - phần mềm được gọi là WEKA . 5 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 WEKA là sản phẩm của Đại học Waikato (New Zealand) và lần đầu tiên được thực hiện vào năm 1997. Nó sử dụng bản quyền GNU General Public License (GPL). Phần mềm này được viết bằng ngôn ngữ Java và có một giao diện để tương tác với các tập tin dữ liệu và xuất ra các kết quả trực quan (như là bảng và các biểu đồ). Nó cũng có một API thông dụng, vì vậy bạn có thể nhúng WEKA, giống như bất kỳ thư viện khác, trong các ứng dụng của riêng bạn để những thứ như nhiệm vụ khai thác dữ liệu phía máy chủ tự động. Weka là một tập hợp các thuật toán máy học tập cho các nhiệm vụ khai thác dữ liệu. Các thuật toán có thể được áp dụng trực tiếp vào dữ liệu hoặc gọi từ mã Java của riêng bạn. Weka chứa các công cụ cho: - Tiền xử lý dữ liệu (Pre-processing on data) - Phân lớp (Classification) - Hồi quy (Regression) - Gom nhóm (Clustering) - Luật kết hợp (Association Rules) - Trực quan hóa (Visualization). Nó cũng rất phù hợp cho việc phát triển các chương trình máy học máy mới. Website của phần mềm Weka: http://www.cs.waikato.ac.nz/~ml/weka/index.html 1.2.2 Giao diện Weka Explorer Cách dễ nhất để sử dụng Weka là thông qua một giao diện người dùng đồ họa được gọi là Explorer. Điều này cho phép truy cập đến tất cả các chức năng bằng cách sử dụng menu và form. 1.2.2.1 Xây dựng dữ liệu cho Weka Dữ liệu có thể được nhập vào từ một tập tin có khuôn dạng: ARFF, CVS, hoặc từ một cơ sở dữ liệu thông qua JDBC. Phương pháp ưa tiên của Weka để tải dữ liệu theo định dạng tập tin ARFF (File Format Attribute-Relation File Format), tập tin này có thể xác định các loại dữ liệu được nạp, sau đó cung cấp các dữ liệu chính nó. Trong tập tin, bạn xác định mỗi cột và mỗi cột có chứa những gì. Trong trường hợp của mô hình hồi quy, bạn bị giới hạn một cột NUMERIC hoặc một cột DATE . Cuối cùng, bạn cung cấp mỗi dòng dữ liệu trong một định dạng phân cách bằng dấu phẩy. Ví dụ: định dạng của tập dữ liệu 6 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 1.2.2.2 Tiền xử lý dữ liệu Một số công cụ tiền xử lý dữ liệu của Weka được gọi là filters: - Rời rạc hóa (Discretization): Một số kỹ thuật như khai thác luật kết hợp có thể được thực hiện trên dữ liệu phân lớp. Điều này đòi hỏi phải thực hiện rời rạc trên các thuộc tính số hoặc liên tục. - Chuẩn hóa (Normalization): - Lấy mẫu (Re-sampling) - Lựa chọn thuộc tính (Attribute selection) - Chuyển đổi (Transforming) và kết hợp (Combining) các thuộc tính - … 1.2.2.3 Các bộ phân lớp Các bộ phân lớp (Classifiers) của Weka tương ứng với các mô hình dự đoán các đại lượng kiểu định danh (phân lớp) hoặc các đạ lượng kiểu số (hồi quy/dự đoán) Một số kỹ thuật phân lớp được hỗ trợ bởi Weka: - Phân lớp Naive Bayes và mạng Bayesian (Naïve Bayesclassifier and Bayesian networks) - Cây quyết định (Decision trees) - Phân lớp dựa trên cá thể cần được phân lớp (Instance-based Classifiers) - Máy phân lớp sử dụng vectơ hỗ trợ (Support Vector Machines) - Mạng Nơ-ron (Neural networks) - … Lựa chọn các tùy chọn cho việc kiểm tra: 7 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 - Use trainning set: Bộ phân lớp học được sẽ được đánh giá trên tập học - Supplied test set: Sử dụng một tập dữ liệu khác (với tập học) để cho việc đánh giá. - Cross validation: Tập dữ liệu sẽ được chia đều thành k tập (folds) có kích thước xấp xỉ nhau và bộ phân lớp học được sẽ được đánh giá bởi phương pháp cross- validation. - Percentage split: Chỉ định tỷ lệ phân chia tập dữ liệu đối với việc đánh giá. - Output model: Hiển thị bộ phân lớp học được - Output per-class stats: hiển thị các thông tin thống kê về percision/recall đối với mỗi lớp - Output confusion matrix: hiển thị thông tin về ma trận lỗi phân lớp (confusion matrix) đối với phân lớp học được - Store predictions for visualization: các dự đoán của bộ phân lớp được lưu lại trong bộ nhớ, để có thể được hiển thị sau đó - Output predictions: hiển thị chi tiết các dự đoán đối với tập kiểm tra - Cost-sensitive evaluation: các lỗi (của bộ phân lớp) được xác định dựa trên ma trận chi phí (cost matrix) chỉ định - Random seed for Xval / % Split: chỉ dịnh giá trị random seed được sử dụng cho quá trình lựa chọn ngẫu nhiên các ví dụ cho tập kiểm tra. Result list: cung câp một số tính năng hữu ích: - Save model: lưu lại mô hình tương ứng với bộ phân lớp học được vào trong một tập tin nhị phân - Load model: đọc lại một mô hình đã được học trước đó từ một tập nhị phân - Re-evaluate model on current test set: đánh giá một mô hình (bộ phân lớp) học được trước đó đối với tập kiểm ta (test set) hiện tại - Visualize classifier errors: hiển thị cửa sổ biểu đồ thể hiện các kết quả của việc phân lớp 1.2.2.4 Các bộ phân cụm (Clustering) Các bộ phân cụm (Cluster Builders) của WEKA tương ứng với các mô hình tìm các nhóm của các ví dụ tương tự dối với một tập dữ liệu. Các kỹ thuật phân cụm được Weka hỗ trợ như: Expectation maximization (EM), K-Means, … Các bộ phân cụm có thể được hiển thị kết quả và so sánh với các cụm (lớp) thực tế. Lựa chọn chế độ phân cụm (cluster mode): - Use tranning set: các cụm học được sẽ được kiểm tra đối với tập học - Supplied test set: sử dụng một tập dữ liệu khác để kiểm tra các cụm học được 8 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 - Percentage split: chỉ định tỷ lệ phân chia tập dữ liệu ban ddầu cho việc xây dựng tập kiểm tra - Classes to clusters evaluation: so sánh độ chính xác của các cụm học được đối với các lớp được chỉ định Store clusters for visualization: Lưu lại các bộ phân lớp trong bộ nhớ, để có thể hiển thị sau đó Ignore attributes: Lựa chọn các thuộc tính sẽ không tham gia vào quá trình học các cụm 1.2.2.5 Luật kết hợp (Association Rules) Để lựa chọn một mô hình (giải thuật) phát hiện luật kết hợp Associator output: hiển thị các thông tin quan trọng: - Run information: các tùy chọn đối với mô hình phát hiện luật kết hợp, tên của tập dữ liệu, số lượng các ví dụ, các thuộc tính - Associator model (full trainning set): biểu diễn (dạng text) của tập các luật kết hợp được phát hiện o Độ hỗ trợ tối thiểu (mininum support) o Độ tin cậy tối thiểu (minimum confidence) o Kích thước của các tập mục thường xuyên (large/frequent itemsets) o Liệt kê các luật kết hợp tìm được 1.2.2.6 Lựa chọn thuộc tính (Attribute selection) Để xác định những thuộc tính nào là quạn trọng nhất Trong Weka, một phương pháp lựa chọn thuộc tính bao gồm 2 phần: - Attribute Evaluator: để xác định một phương pháp đsanh giá mức độ phù hợp của các thuộc tính Ví dụ: correlation-based, wrapper, information gain, chisquared,… - Search Method: để xác định một phương pháp (thứ tự) xét các thuộc tính Ví dụ: best-first, random, exhaustive, ranking, … 1.2.2.7 Hiển thị dữ liệu - Hiển thị dữ liệu rất cần thiết trong thực tế: giúp để xác định mức đọ khó khăn của bài toán học - Weka có thể hiển thị: Mỗi thuộc tính riêng lẻ (1-D visualization), mỗt cặp thuộc tính (2-D visualization) - Các giá trị (các nhãn) lớp khác nhau sẽ được hiển thị bằng các màu khác nhau 9 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 - Thanh trượt Jitter hỗ trợ việc hiển thị rõ ràng hơn, khi có quá nhiều ví dụ (điểm) tập xung quanh một vị trí trên biểu đồ - Tính năng phóng to/thu nhỏ ( bằng cách tăng/giảm giá trị của Plotsize và Pointsize) 1.2.3 Cách sử dụng Weka Weka có 3 giao điện đồ họa để sử dụng: Explorer, Experimenter, KnowledgeFlow. Cách dễ nhất để sử dụng Weka là thông qua một giao diện người dùng đồ họa được gọi là Explorer. Điều này cho phép truy cập đến tất cả các chức năng bằng cách sử dụng menu và form. Ví dụ, bạn có thể nhanh chóng đọc trong một tập dữ liệu từ một tập tin ARFF (hoặc spreadsheet) và xây dựng một cây quyết định từ nó. Nhưng học cây quyết định chỉ là khởi đầu: nhiều thuật toán khác để khám phá. Giao diện Explorer sẽ giúp bạn làm việc đó.Nó hướng dẫn bạn bằng cách đưa ra sự lựa chọn menu, bằng cách buộc bạn phải làm việc trong một trật tự thích hợp các lựa chọn cho đến khi chúng được áp dụng và bằng cách điền vào các form. Công cụ tool-tips hiển thị cửa sổ mô tả khi con trỏ chuột đi qua các mục trên màn hình để giải thích những gì họ làm. Giá trị mặc định hợp lý đảm bảo rằng bạncó thể nhận được kết quả mà chỉ cần công sức bỏ ra nhỏ nhất, nhưng bạn sẽ phải suy nghĩ về những gì bạn đang làm để hiểu kết quả có ý nghĩa gì. Giao diện Knowledge Flow cho phép bạn thiết kế cấu hình cho trực tiếp xử lý dữ liệu. Một bất lợi cơ bản của giao diện Explorer là nó nắm giữ tất cả mọi thứ trong bộ nhớ chính khi bạn mở một tập dữ liệu, nó ngay lập tức tải tất cả lên bộ nhớ. Điều này có nghĩa rằng Explorer chỉ có thể được áp dụng cho các vấn đề kích thước nhỏ đến trung bình. Tuy nhiên, Weka chứa một số thuật toán gia tăng có thể được sử dụng để xử lý các bộ dữ liệu rất lớn. Giao diện Knowledge Flow cho phép bạn kéo hộp thoại về các thuật toán học và nguồn dữ liệu quanh màn hình và kết chúng lại với nhau thành cấu hình bạn mong 10 [...]... thể chấp nhận được 2.2 Xây dựng tập dữ liệu cho Weka Dữ liệu có thể được nhập vào từ một tập tin có khuôn dạng: ARFF, CVS, hoặc từ một cơ sở dữ liệu thông qua JDBC Phương pháp ưa tiên của Weka để tải dữ liệu theo định dạng tập tin ARFF (File Format Attribute-Relation File Format), tập tin này có thể xác định các loại dữ liệu được nạp, sau đó cung cấp các dữ liệu chính nó Trong tập tin, bạn xác định... khái niệm của việc sử dụng một "tập huấn luyện" để tạo ra các mô hình Điều này giúp làm một tập dữ liệu với 13 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 giá trị đầu ra được biết và sử dụng dữ liệu này để xây dựng mô hình Sau đó, bất cứ khi nào chúng ta có một tập dữ liệu mới, với giá trị đầu ra không rõ, chúng tôi đặt nó thông qua các mô hình và đưa ra các dữ liệu dự đoán.Tất cả điều này... cấp mỗi dòng dữ liệu trong một định dạng phân cách bằng dấu phẩy Ví dụ: định dạng của tập dữ liệu 2.3 Ứng dụng phân lớp trong Weka Sự phát triển của các ứng dụng khai thác dữ liệu chẳng hạn như phân lớp và phân nhóm đã cho thấy sự cần thiết phải các thuật toán học được áp dụng cho các dữ liệu quy mô lớn Trong phần này trình bày sự so sánh khác nhau kỹ thuật phân lớp bằng cách sử dụng WEKA WEKA là một... zoo.data và zoo.names, ta tạo ra tập tin theo định dạng ARFF để Weka có thể đọc được 2.3.2 Phân lớp dữ liệu bằng Weka - Tiền xử lý: o Mở giao diện Explorer o Mở tập tin zoo.arff vừa mới tạo ra 17 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 o Nhấn Visualize All để xem biểu đồ bộ dữ liệu Zoo - Phân lớp bằng Navie Bayes o Mở tab Classify 18 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 o... phân lớp, từ đây ta rút ra được kết luận về các luật về 7 lớp động vật: 22 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 Chương 3: Kết luận Cây phân loại là tạo ra một cây với các nhánh, các nút, và lá cho phép chúng ta lấy điểm dữ liệu không rõ và cho xuống cây, áp dụng các thuộc tính của các điểm dữ liệu cho cây cho đến khi đạt được một lá và đầu ra của dữ liệu có thể được xác định Chúng ta...Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 muốn Nó cho phép bạn chỉ định một dòng dữ liệu bằng cách kết nối các thành phần đại diện cho nguồn dữ liệu, công cụ tiền xử lý, các thuật toán học, phương pháp đánh giá, và mô-đun trực quan Nếu các bộ lọc và các thuật toán học có khả năng học tập gia tăng, dữ liệu sẽ được nạp và xử lý từng bước Giao diện thứ ba của Weka là Experimenter, giao... sử dụng WEKA WEKA là một phần mềm mã nguồn mở bao gồm một tập hợp các thuật toán máy học cho các nhiệm vụ khai thác dữ liệu Mục đích của phần này là để điều tra việc thực hiện phân lớp khác nhau hoặc phương pháp phân nhóm cho một tập hợp các dữ 15 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 liệu lớn Các thuật toán hoặc các phương pháp thử nghiệm các thuật toán Bayes Network, Radial Basis... hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 Chương 2: Chức năng phân lớp sử dụng trong Weka 2.1 Phân lớp dữ liệu trong Weka Phân lớp (còn được gọi là cây phân lớp hoặc cây quyết định) là một thuật toán khai thác dữ liệu tạo ra một hướng dẫn từng bước làm thế nào để xác định sản lượng của một trường hợp dữ liệu mới Cây nó tạo ra là chính xác rằng: một cây mà mỗi nút trong cây đại diện cho một vị... nút trong cây đại diện cho một vị trí mà một quyết định phải được tạo ra dựa trên dữ liệu đầu vào và sau đó di chuyển đến nút tiếp theo và tiếp theo cho đến khi tới nút lá cho biết dự đoán đầu ra Ví dụ: Từ dữ liệu thô đầu vào là bảng dữ liệu quyết định đi chơi tennis dựa vào thời tiết 12 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 Cây phân lớp đơn giản này tìm cách trả lời câu hỏi "Bạn sẽ... Function, Pruned Tree, Single Conjunctive Rule Learner and Nearest Neighbors 2.3.1 Dữ liệu đầu vào Sử dụng tập dữ liệu của sở thú để phân lớp nhóm động vật Cơ sở dữ liệu đầu vào gồm 2 tập tin: zoo.data và zoo.names (Nguồn: http://archive.ics.uci.edu/ml/machinelearning-databases/zoo/ ) Mô tả dữ liệu: - - Đây là một cơ sở dữ liệu đơn giản có chứa 17 thuộc tính giá trị Boolean Thuộc tính “type” là thuộc tính . trên một tập hợp các dữ liệu. Khái niệm tự động phát hiện liên quan đến việc thực hiện các mô hình khai phá dữ liệu. Các mô hình khai phá dữ liệu có thể được sử dụng để khai phá dữ liệu mà chúng được. được. 2.2 Xây dựng tập dữ liệu cho Weka Dữ liệu có thể được nhập vào từ một tập tin có khuôn dạng: ARFF, CVS, hoặc từ một cơ sở dữ liệu thông qua JDBC. Phương pháp ưa tiên của Weka để tải dữ liệu. tập dữ liệu với 13 Bài thu hoạch: Môn Khai phá dữ liệu Cao học CNTT khóa 6 giá trị đầu ra được biết và sử dụng dữ liệu này để xây dựng mô hình. Sau đó, bất cứ khi nào chúng ta có một tập dữ liệu