O documento discute a biblioteca Weka para mineração de dados, que implementa vários algoritmos de aprendizado de máquina em Java como J48, ID3 e Naive Bayes. Ele também apresenta um exemplo de conjunto de dados sobre prescrição de lentes e os resultados da aplicação do algoritmo J48 para gerar uma árvore de decisão nesse conjunto.
Apresentação Power Embedded - Descubra uma nova forma de compartilhar relatór...
Trabalho weka
1. 1
1
WEKA
Biblioteca de algoritmos de Aprendizado de
Máquina implementados em Java
Paradigmas implementados: estatístico,
instance-based e proposicional. Por exemplo:
J48 (versão Java do C4.5), ID3, Naive Bayes,
entre outros
Os algoritmos podem ser utilizados
isoladamente ou por uma aplicação Java
escrita pelo usuário
Pode ser conseguida em:
◦ http://www.cs.waikato.ac.nz/ml/weka
5. 5
=== Run information ===
Scheme: weka.classifiers.trees.J48 -C 0.25 -M 2
Relation: lentes.symbolic
Instances: 24
Attributes: 5
idade
prescricao
astigmatico
lagrimas
lentes
Test mode: 10-fold cross-validation
=== Classifier model (full training set) ===
6. 6
J48 pruned tree
------------------
lagrimas = Normal
| astigmatico = Nao: Lentes_gelatinosas (6.0/1.0)
| astigmatico = Sim
| | prescricao = Miope: Lentes_duras (3.0)
| | prescricao = Hipermiope: Sem_lentes (3.0/1.0)
lagrimas = Reduzida: Sem_lentes (12.0)
Number of Leaves : 4
Size of the tree : 7
Time taken to build model: 0 seconds
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances 20 83.3333 %
Incorrectly Classified Instances 4 16.6667 %
Kappa statistic 0.71
Mean absolute error 0.1444
Root mean squared error 0.3173
Relative absolute error 38.3858 %
Root relative squared error 73.3306 %
Total Number of Instances 24
7. 7
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC
Area Class
1 0.053 0.833 1 0.909 0.947
Lentes_gelatinosas
0.8 0.111 0.923 0.8 0.857 0.833
Sem_lentes
0.75 0.1 0.6 0.75 0.667 0.819
Lentes_duras
Weighted Avg. 0.833 0.097 0.851 0.833 0.836
0.855
=== Confusion Matrix ===
a b c <-- classified as
5 0 0 | a = Lentes_gelatinosas
1 12 2 | b = Sem_lentes
0 1 3 | c = Lentes_duras
8. 8
15
Trabalho - WEKA
Grupo: até 2 alunos (uma única entrega por
grupo)
Entrega no AVA
Data de entrega: 18/06/2017 às 23h50
9. 9
Utilizando a ferramenta Weka:
◦ Definir um domínio para representar os
exemplos.
◦ Representar os exemplos no formato de arquivo
do Weka.
◦ Aplicar o algoritmo de árvores de decisão J48 do
Weka para gerar modelo.
◦ Aplicar um algoritmo de regras para gerar outro
modelo.
◦ Comparar os modelos e resultados.
Trabalho a ser entregue e a documentação
necessária :
◦ Arquivo .arff
◦ Arquivo em Word:
Capa com título do trabalho e nomes dos alunos.
Definição do domínio.
Representação da árvore de decisão gerada e das
regras geradas.
Apresentação dos dois modelos gerados pelo
Weka, comparando resultados, mostrando e
discutindo os erros obtidos.