1

1

WEKA

Biblioteca de algoritmos de Aprendizado de Mquina implementados em Java

Paradigmas implementados: estatstico, instance-based e proposicional. Por exemplo: J48 (verso Java do C4.5), ID3, Naive Bayes, entre outros

Os algoritmos podem ser utilizados isoladamente ou por uma aplicao Java escrita pelo usurio

Pode ser conseguida em: http://www.cs.waikato.ac.nz/ml/weka

2

@relation lentes.symbolic @attribute idade {Jovem, Media, Senior} @attribute prescricao {Miope, Hipermiope} @attribute astigmatico {Nao, Sim} @attribute lagrimas {Normal, Reduzida} @attribute lentes {Lentes_gelatinosas, Sem_lentes,

Lentes_duras} @data Jovem,Miope,Nao,Normal,Lentes_gelatinosas Jovem,Miope,Nao,Reduzida,Sem_lentes Jovem,Miope,Sim,Normal,Lentes_duras Jovem,Miope,Sim,Reduzida,Sem_lentes Jovem,Hipermiope,Nao,Normal,Lentes_gelatinosas

Jovem,Hipermiope,Nao,Reduzida,Sem_lentes Jovem,Hipermiope,Sim,Normal,Lentes_duras Jovem,Hipermiope,Sim,Reduzida,Sem_lentes Media,Miope,Nao,Normal,Lentes_gelatinosas Media,Miope,Nao,Reduzida,Sem_lentes Media,Miope,Sim,Normal,Lentes_duras Media,Miope,Sim,Reduzida,Sem_lentes Media,Hipermiope,Nao,Normal,Lentes_gelatinosas Media,Hipermiope,Nao,Reduzida,Sem_lentes Media,Hipermiope,Sim,Normal,Sem_lentes Media,Hipermiope,Sim,Reduzida,Sem_lentes Senior,Miope,Nao,Normal,Sem_lentes Senior,Miope,Nao,Reduzida,Sem_lentes Senior,Miope,Sim,Normal,Lentes_duras Senior,Miope,Sim,Reduzida,Sem_lentes Senior,Hipermiope,Nao,Normal,Lentes_gelatinosas Senior,Hipermiope,Nao,Reduzida,Sem_lentes Senior,Hipermiope,Sim,Normal,Sem_lentes Senior,Hipermiope,Sim,Reduzida,Sem_lentes

3

4

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

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

=== 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

8

15

Trabalho - WEKA

Grupo: at 2 alunos

Data de entrega: 30/06/2015

9

Utilizando a ferramenta Weka: Definir um domnio para representar os

exemplos.

Representar os exemplos no formato de arquivo do Weka.

Aplicar o algoritmo de rvores de deciso 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 documentao necessria : Arquivo .arff

Arquivo em Word:

Capa com ttulo do trabalho e nomes dos alunos.

Definio do domnio.

Representao da rvore de deciso gerada e das regras geradas.

Apresentao dos dois modelos gerados pelo Weka, comparando resultados, mostrando e discutindo os erros obtidos.

10

http://archive.ics.uci.edu/ml/

https://www.lendingclub.com/info/download-data.action

http://repository.seasr.org/Datasets/UCI/arff/

FIM