Tutorial para herramienta Weka

Análisis de Datos en WEKA

Capítulo 1. Técnicas de
Análisis de Datos en WEKA
CAPÍTULO 1. TÉCNICAS DE ANÁLISIS DE DATOS EN WEKA

1

1.1. Introducción

2

1.2. Preparación de los datos
1.2.1. Muestra de datos
1.2.2. Objetivos del análisis

3
3
4

1.3. Ejecución de WEKA

5

1.4. Preprocesado de los datos
1.4.1. Características de los atributos
1.4.2. Trabajo con Filtros.Preparación de ficheros de muestra
1.4.2.1. Filtros de atributos
1.4.2.2. Filtros de instancias

7
8
9
10
14

1.5. Visualización
1.5.1. Representación 2D de los datos
1.5.2. Filtrado “gráfico” de los datos

15
15
19

1.6. Asociación

20

1.7. Agrupamiento
1.7.1. Agrupamiento numérico
1.7.2. Agrupamiento simbólico

25
26
31

1.8. Clasificación
1.8.1. Modos de evaluacióndel clasificador
1.8.2. Selección y configuración de clasificadores
1.8.3. Predicción numérica
1.8.4. Aprendizaje del modelo y aplicación a nuevos datos.

33
34
37
45
51

1.9. Selección de atributos

53

1

Análisis de Datos en WEKA

1.1. Introducción
En este capítulo se presenta de forma concisa y práctica la herramienta de
minería de datos WEKA. WEKA, acrónimo de WaikatoEnvironment for
Knowledge Analysis, es un entorno para experimentación de análisis de datos
que permite aplicar, analizar y evaluar las técnicas más relevantes de análisis
de datos, principalmente las provenientes del aprendizaje automático, sobre
cualquier conjunto de datos del usuario. Para ello únicamente se requiere que
los datos a analizar se almacenen con un cierto formato, conocido comoARFF
(Attribute-Relation File Format).
WEKA se distribuye como software de libre distribución desarrollado en Java.
Está constituido por una serie de paquetes de código abierto con diferentes
técnicas de preprocesado, clasificación, agrupamiento, asociación, y
visualización, así como facilidades para su aplicación y análisis de prestaciones
cuando son aplicadas a los datos de entradaseleccionados. Estos paquetes
pueden ser integrados en cualquier proyecto de análisis de datos, e incluso
pueden extenderse con contribuciones de los usuarios que desarrollen nuevos
algoritmos. Con objeto de facilitar su uso por un mayor número de usuarios,
WEKA además incluye una interfaz gráfica de usuario para acceder y
configurar las diferentes herramientas integradas.
Este capítulo tiene unenfoque práctico y funcional, pretendiendo servir de guía
de utilización de esta herramienta desde su interfaz gráfica, como material
complementario a la escasa documentación disponible. Para ello se obviarán
los detalles técnicos y específicos de los diferentes algoritmos, que se
presentan en un capítulo aparte, y se centrará en su aplicación, configuración y
análisis dentro de laherramienta. Por tanto, se remite al lector al capítulo con
los detalles de los algoritmos para conocer sus características, parámetros de
configuración, etc. Aquí se han seleccionado algunas de las técnicas
disponibles para aplicarlas a ejemplos concretos, siguiendo el acceso desde la
herramienta al resto de técnicas implementadas, una mecánica totalmente
análoga a la presentada a modo ilustrativo.Para reforzar el carácter práctico de este capítulo, además se adoptará un
formato de tipo tutorial, con un conjunto de datos disponibles sobre el que se
irán aplicando las diferentes facilidades de WEKA. Se sugiere que el lector
aplique los pasos indicados y realice los análisis sugeridos para cada técnica
con objeto de familiarizarse y mejorar su comprensión.
Los ejemplos
seleccionados soncontienen datos provenientes del campo de la enseñanza,
correspondientes a alumnos que realizaron las pruebas de selectividad en los
años 1993-2003 procedentes de diferentes centros de enseñanza secundaria
de la comunidad de Madrid. Por tanto, esta guía ilustra la aplicación y análisis
de técnicas de extracción de conocimiento sobre datos del campo de la
enseñanza, aunque sería directa su...