Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Weka i Abonnez-vous à DeepL Pro pour éditer ce document. Visitez www.DeepL.com/

Weka i Abonnez-vous à DeepL Pro pour éditer ce document. Visitez www.DeepL.com/Pro pour en savoir plus. Weka i À propos du tutoriel Il s'agit d'un logiciel complet qui permet de préparer les grandes données, d'appliquer différents algorithmes d'apprentissage automatique sur les grandes données et de comparer différents résultats. Ce logiciel permet de travailler facilement avec des données volumineuses et de former une machine à l'aide d' algorithmes d'apprentissage automatique. Le didacticiel vous guidera dans l'utilisation de la WEKA pour satisfaire aux exigences ci-dessus. Audience Les didacticiels répondent aux besoins des utilisateurs de l'apprentissage automatique qui souhaitent apprendre à utiliser Weka et répondent aux besoins d'apprentissage des débutants et des experts en apprentissage automatique. Conditions préalables Ce tutoriel est destiné aux lecteurs qui sont supposés avoir des connaissances de base sur l'extraction de données et les algorithmes d'apprentissage automatique. Si vous avez un nouveau sujet, nous vous conseillons de suivre un tutoriel avant de commencer votre apprentissage avec Weka. Droits d'auteur et clause de n o n - r e s p o n s a b i l i t é  Copyright2019byTutorialsPoint(I)Pvt.Ltd. Tout le contenu et les graphiques publiés dans ce livre sont la propriété de TutorialsPoint(I) Pvt.Ltd. L'utilisateur de ce livre est interdit d'utiliser, de conserver, de copier, de distribuer ou de publier tout ou partie du contenu de ce livre de la même manière sans le consentement écrit de l'éditeur. TutorialsPoint(I)Pvt. Ltd. ne garantit pas l'exactitude, l'actualité ou l'exhaustivité de notre site Web ou de son contenu, y compris le didacticiel. Si vous découvrez un miroir sur votre site Web ou sur inthistutorial,pleasenotifyusatcontact@tutorialspoint.com Table des matières À propos de the Tutorial......................................................................................i Audience.........................................................................................................i Prerequisites...........................................................................................................i Copyright & Disclaimer........................................................................................i Tableau of Contents...........................................................................................ii 1. WEKA — Introduction........................................................................................1 2. WEKA - Quoi is WEKA?.......................................................................................2 3. WEKA — Installation..........................................................................................4 4. WEKA - Launching Explorer.................................................................................6 5. WEKA - Loading Data.........................................................................................8 Chargement Data from Local File System..................................................................8 Chargement des données from Web.......................................................................10 Chargement des données from DB.........................................................................11 6. WEKA - File Formats........................................................................................12 Arff Format....................................................................................................13 Autres Formats...............................................................................................15 7. WEKA — Preprocessing the Data.........................................................................16 Comprendre Data............................................................................................18 Suppression de Attributes...................................................................................20 Candidature Filters..........................................................................................21 8. WEKA — Classifiers..........................................................................................23 Cadre Test Data..............................................................................................23 En sélectionnant Classifier..................................................................................25 Visualiser Results.............................................................................................27 9. WEKA — Clustering..........................................................................................31 Chargement Data.............................................................................................31 Clustering.....................................................................................................32 Examiner Output.............................................................................................34 Visualisation Clusters........................................................................................36 Candidature Hierarchical Clusterer.......................................................................38 10. WEKA — Association........................................................................................41 Chargement Data.............................................................................................41 Associator.....................................................................................................42 11. WEKA - Feature Selection.................................................................................45 Chargement Data.............................................................................................45 Caractéristiques Extraction.................................................................................46 Qu'est-ce que Next?..........................................................................................49 Conclusion.....................................................................................................51 Weka 1. WEKA - Introduction 1 La fondation de toute machine d'apprentissage de l'application des données n'est pas seulement une question d'embrassement, mais aussi de grandes données dans la terminologie actuelle. Si vous voulez analyser des données importantes, vous devez avoir plusieurs points de vue sur les données :  Thedatamustbeclean.  Il ne devrait pas contenir de valeurs nulles. En outre, les colonnes qui ne sont pas utilisables ne seraient pas utiles pour le type d'analyse que vous essayez d'effectuer. Leurs colonnes de données pertinentes ou leurs caractéristiques, appelées dans la terminologie de l'apprentissage automatique, doivent être supprimées avant que les données ne soient introduites dans un algorithme d'apprentissage automatique. En bref, vous disposez d'un grand nombre de données de prétraitement avant de les utiliser pour l'apprentissage machine. Une fois que vous êtes prêt, vous pouvez appliquer différents algorithmes d'apprentissage machine tels que la classification, la régression, le regroupement et la résolution des problèmes. Le type d'algorithme que vous appliquez est basé en grande partie sur la connaissance du domaine. Même au sein de ce type, par exemple la classification, il existe plusieurs algorithmes disponibles. Vous pouvez noter les différents algorithmes sous ce modèle d'apprentissage machine efficace, mais vous préférerez la visualisation des données traitées et vous aurez également besoin d'outils de visualisation. Dans les prochains chapitres, vous découvrirez Weka, un logiciel qui complète les chapitres précédents et vous permet de travailler confortablement avec des données importantes. Weka 2. WEKA - Qu'est-ce que WEKA ? 2 Les logiciels de WEKA fournissent des outils pour le prétraitement, la mise en œuvre de plusieurs algorithmes d'apprentissage automatique et des outils de visualisation afin que vous puissiez développer des techniques d'apprentissage automatique et les appliquer à des problèmes de données du monde entier : Si vous observez le début du cycle d'enseignement, vous comprendrez qu'il y a de nombreuses étapes dans le traitement des grandes données qui se prêtent à l'apprentissage automatique : Vous commencez par les données recueillies sur le terrain, qui peuvent contenir plusieurs valeurs nulles et des champs non pertinents. Vous utilisez ces données pour le prétraitement des outils fournis par WEKA pour nettoyer les données. Ensuite, vous sauvegarderiez les données prétraitées dans votre mémoire locale pour appliquer les Weka 2. WEKA - Qu'est-ce que WEKA ? 3 algorithmes ML. 3 Weka Ensuite, selon le type de modèle ML que vous essayez de développer, vous pouvez choisir l'une des options telles que Classifier, Regrouper ou Associer. La sélection des attributs permet la sélection automatique de la création d'un ensemble de données. Il est à noter que dans chaque catégorie, WEKA fournit une mise en œuvre de plusieurs algorithmes. Vous pouvez sélectionner un algorithme de votre choix, définir les paramètres et les unités souhaités dans l'ensemble des données. Ensuite, WEKA vous fournira les résultats statistiques du traitement du modèle et vous fournira un avis sur l' outil d'inspection des données. Vous pouvez alors comparer les résultats de différents modèles et choisir le meilleur qui correspond à votre objectif. Ainsi, l'utilisation de la WEKA permet un développement rapide du modèle d'apprentissage machine dans son ensemble. Maintenant que nous avons prévu ce que fait WEKA, nous allons, dans le chapitre suivant, apprendre comment installer WEKA sur votre ordinateur local. Weka 4 java -jar weka. jar 3. WEKA - Installation Pour installer WEKA sur votre machine, visitez le site officiel de WEKA et téléchargez le fichier d'installation. WEKA supporte l'installation sur Windows, MacOSX et Linux. Vous devez simplement suivre les instructions de cette page pour installer WEKA sur votre ordinateur. Les mesures de mise en place sur Macareas suivent :  Téléchargez le fichier d'installation du Mac.  Double-cliquez sur le fichierweka-3-8-3-corretto-jvm.dmg pour le télécharger. Vous verrez l'écran suivant sur une installation réussie.  Cliquez sur le petit 3-8-3-correttojvm icontostartWeka.  Il est possible de participer depuis la ligne de commande : 5 Weka L'application WEKAGUIChoosera démarrée et vous verrez l'écran suivant : L'application de l'UICHOOSERA permet d'éviter cinq types d'applications différents, énumérés ici :  Explorer  Expérimentateur  KnowledgeFlow  Workbench  SimpleCLI WewillbeusingExplorer dans le tutoriel. Weka 6 4. WEKA - Lancement de l'explorateur Dans ce chapitre, examinons les diverses fonctionnalités que l'explorateur fournit pour travailler avec des données importantes. Lorsque vous cliquez sur le bouton de l'explorateur dans le sélecteur d'applications, l'écran suivant s'ouvre : En haut, vous trouverez plusieurs listes ici :  Préprocessus  Classifier  Cluster  Associé  SelectAttributes  Visualiser 7 Weka Sous ces rubriques, il y a des algorithmes d'apprentissage automatique déjà mis en œuvre. Onglet Préprocessus Au départ, il est facile d'ouvrir l'explorateur, seul l'onglet "Prétraitement" est activé. La première étape de l'apprentissage machine consiste à prétraiter les données. Ainsi, dans l'option Prétraitement, vous allez sélectionner le fichier de données, le traiter et le rendre apte à l'application des différents algorithmes d'apprentissage automatique. Onglet Classifier L'onglet Classifier vous fournit plusieurs algorithmes d'apprentissage automatique pour la classification de vos données. Pour en énumérer quelques-uns, vous pouvez appliquer des algorithmes tels que la régression linéaire, la régression logistique , les machines à vecteurs de soutien, les arbres de décision, RandomTree, RandomForest, NaiveBayes, etc. La liste est très exhaustive et fournit des algorithmes d' apprentissage machine supervisés et non supervisés. Onglet Cluster Sous l'onglet Clu ster, plusieurs algorithmes de regroupement sont fournis, tels que SimpleKMeans, FilteredClusterer, HierarchicalClusterer et bientôt. Onglet Associé Sous l'onglet "Associé", vous trouverez "Associé", "Associé filtré" et "Croissance". Onglet Sélectionner les attributs Select Attributes vous permet de présenter des sélections basées sur plusieurs algorithmes tels que ClassifierSubsetEval, PrinicipalComponents, etc. Visualiser l'onglet Enfin, la visualisation des options permet de visualiser les données traitées pour l'analyse. Comme vous l'avez remarqué, WEKA fournit des algorithmes prêts à l'emploi pour tester et construire vos applications d'apprentissage sur machine. Pour utiliser WEKA efficacement, vous devez avoir une bonne connaissance de ces algorithmes, de leur fonctionnement, du choix de l'algorithme à utiliser et des circonstances dans lesquelles il est utilisé, de l'efficacité de leur traitement et, bientôt, vous devez avoir de solides bases en matière d'apprentissage machine avec WEKA pour construire efficacement vos applications. Dans les prochains chapitres, vous étudierez chaque onglet de l'explorateur en profondeur. Weka 8 5. WEKA - Chargement des données Dans ce chapitre, le point de départ est le premier onglet qui vous permet de prétraiter les données, ce qui est commun à tous les algorithmes que vous appliquez pour construire votre modèle et qui est une étape commune à toutes les opérations suivantes de la WEKA. Pour que l'algorithme d'apprentissage de chaque machine soit d'une précision acceptable, il est important de le nettoyer en premier lieu, car les données recueillies sur le terrain peuvent contenir des valeurs nulles, des couleurs non pertinentes et uploads/Industriel/ weka-tutorial-1-fr.pdf