INFORME WEKA

INTELIGENCIA ARTIFICIAL
AVANZADA
Informe Weka

Datos Informativos del Componente Educativo:

UTPLECTS

CICLO
10

TITULACIÓN

CREDITOS
4

Ingeniería Sistemas
Informáticos y
Computación.

Datos informativos:
AUTOR:
DOCENTE:

Daniel Rafael Valdivieso Alarcón
Ing. Héctor Gómez

FECHA:

2015-05-27
LOJA-ECUADOR

INFORME WEKA
Que es Weka?
Es una herramienta de aprendizaje de minería de datos máquinadesarrollada por el
Departamento de Ciencias de la Computación de la Universidad de Waikato , Nueva
Zelanda .
Weka es una colección de algoritmos de aprendizaje automático para tareas de minería de
datos.
DESCARGA
Sitio Web: http://www.cs.waikato.ac.nz/~ml/weka/index.html
Soporte de múltiples plataformas ( escrito en Java ) :
Windows, Mac OS X y Linux
Manual Weka :http://transact.dl.sourceforge.net/sourceforge/weka/WekaManual-3.6.0.pdf
Entrada Programa
Tres interfaces gráficas de usuario
" El Explorador " ( análisis exploratorio de datos )
" El experimentador " (entorno experimental)
" El KnowledgeFlow " (interfaz inspirada nuevo modelo de proceso)
CLI simple ( Símbolo del sistema )
Ofrece algunas funciones no están disponibles a través de la interfaz gráfica de usuario

Explorer:Procesamiento


Pre proceso: Elegir y modificar los datos que se actuaron sucesivamente.



Clasificar: esquemas de Tren y de aprendizaje de prueba que clasifican o realizan
regresión.



Cluster: Aprenda racimos de los datos.



Asociado: Aprenda las reglas de asociación de los datos.



Seleccionar atributos: Seleccione los atributos más relevantes en los datos.



Visualizar : Ver un diagrama 2Dinteractiva de los datos

Usamos el fichero iris.arff, que ya viene en el formato de datos de Weka (formato
arff).

Al importar el ejemplo Iris.arff en la interfaz de trabajo Explorer el programa nos
mostrara la siguiente ventana

Si queremos podemos visualizar el desglose de todos los atributos a la vez. Si hay pocos
atributos, es más rápido esto que irlos visualizando uno a uno.
Pulsemos elbotón Visualize All, que está en la parte superior derecha del gráfico coloreado
con el desglose.

A partir de esto nos permite comprobar cómo de efectivo es cada uno de los atributos,
considerados por separado.

2.1. El Explorer, Clasificación (classify)
Vamos ahora a construir un primer clasificador para los datos. Pulsemos la pestaña
Classify, que está arriba del todo a la izquierda en la ventanadel Explorer. Primero
tendremos que elegir el clasificador, en Choose, arriba a la izquierda (actualmente está
seleccionado ZeroR)

Antes de lanzarlo, seleccionemos la opción Crossvalidation (10) para hacer el test. Ahora
pulsemos el botón Start. Observaremos que obtenemos un 33% de aciertos (lógico, puesto
que las tres clases tienen 50 datos y ninguna es la mayoritaria).

Vamos a probar ahoracon otro clasificador. Por ejemplo, el clasificador PART, que
construye reglas.

En el pantallazo anterior, no hemos visto el modelo (clasificador) construido, que en este
caso es un conjunto de reglas. Para verlo tenemos que subir la pantalla un poco hacia arriba,
usando la barra de scroll. Hay tres reglas. Los números (a/b) entre paréntesis indican
cuantos datos clasifica la regla (a) y cuántos deellos lo hace incorrectamente (b). La
primera de las reglas es:
IF (petalwidth <= 0.6) THEN clase = Iris-setosa (50.0)
La segunda:
IF (petalwidth <= 1.7) AND (petallength <= 4.9)

THEN clase = Iris-versicolor (48.0/1.0)
Y si no se cumplen ninguna de las condiciones, entonces clasificar por omisión
como:
Clase = Iris-virginica (52.0/3.0)

Probar a seleccionar y ejecutar otros algoritmos y ver losresultados. En la siguiente gráfica
se puede ver el J48 (tree, árbol de decisión) y el SVM (function, una función usada para
clasificar). Ambos consiguen lo mismo: 96% de aciertos, algo mejor que el 94% de PART.
Comprobad que en la parte inferior izquierda, podemos seleccionar y ver los experimentos
realizados anteriormente anteriores.

2.2 El Explorer, selección de atributos

Atributos del...