سه شنبه 29 خرداد 1397 | Tuesday 19 th of June 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
4-2-1 معرفی نرم افزار weka

نرم ­افزارWekaدر دانشگاهWaikatoواقع در نیوزلند توسعه یافته است و اسم ان ازعبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنینWeka، نام پرنده­ای با طبیعت جستجوگر است که پرواز نمی‏­کند و در نیوزلند، یافتمی‏­شود. این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیرGNUانتشار یافته است. Wekaتقریباً روی هر پلت فرمیاجرا می‏­شود و نیز تحت سیستم عامل­‏های لینوکس، ویندوز، و مکینتاش، و حتی روی یکمنشی دیجیتالی شخصی، ازمایش شده است.

این نرم­افزار، یک واسط همگون برای بسیاری از الگوریتم­‏های یادگیری متفاوت، فراهمکرده است که از طریق ان روش­‏های پیش پردازش، پس از پردازش  و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده­‏ موجود،قابل اعمال است.

  نرم افزارWeka پیاده سازی الگوریتم­‏های مختلف یادگیری را فراهم می‏­کند وبه اسانی می‏­توان انها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم­افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه­‏هایداده­‏ها، همانند الگوریتم­‏های گسسته سازیمی‏­باشد. در این محیط می‏­توان یک مجموعه داده را پیش پردازش کرد، ان را به یکطرح یادگیری وارد نمود، و دسته بندی حاصله و کارایی­اش را مورد تحلیل قرار داد. همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه­ای میسر است.

  این محیط، شامل روش­‏هایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون،رده‏بندی، خوشه­بندی، کاوش قواعد انجمنی و انتخاب ویژگی می‏­باشد. با در نظر گرفتناینکه، داده­‏ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده­‏ها ومصورسازی انها فراهم گشته است. همه الگوریتم­‏ها، ورودی­‏های خود را به صورت یکجدول رابطه­ایبه فرمتARFFدریافت می‏­کنند. این فرمت داده­‏ها، می‏­تواند از یک فایل خوانده شده یا به وسیله یک درخواست ازپایگاه داده­ای تولید گردد.

  یکی از راه­‏های به کارگیریWeka، اعمال یک روش یادگیری به یک مجموعه داده وتحلیل خروجی ان برای شناخت چیزهای بیشتری راجع به ان اطلاعات می‏­باشد. راه دیگراستفاده از مدل یادگیری شده برای تولید پیش‏بینی­‏هایی در مورد نمونه­‏های جدیداست. سومین راه، اعمال یادگیرنده­‏های مختلف و مقایسه کارایی انها به منظور انتخابیکی از انها برای تخمین می‏­باشد. روش­‏های یادگیریClassifierنامیده می‏­شوند ودر واسط تعاملی  Weka ، می‏­توان هر یک از انهارا از منوانتخاب نمود. بسیاری ازclassifier‏ها پارامترهای قابل تنظیم دارند که می‏­توان از طریق صفحه ویژگی‏‏ها یاobject editorبه انها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‏گیری کارایی همهclassifierبه کار می‏­رود.

  پیاده سازی­‏های چارچوب­‏های یادگیری واقعی، منابع بسیار ارزشمندی هستند کهWekaفراهم می‏­کند. ابزارهایی که برای پیش پردازش داده­‏ها استفاده می‏­شوند. filterنامیده می‏­شوند. همانندclassifier‏ها، می‏­توانfilter‏ها را از منویمربوطه انتخاب کرده و انها را با نیازمندی­‏های خود، سازگار نمود.

  علاوه بر موارد فوق، Wekaشامل پیاده سازی الگوریتم­‏هایی برای یادگیری قواعدانجمنی، خوشه­بندی داده­‏ها در جایی که هیچ دسته­ای تعریف نشده است، و انتخابویژگی‏های مرتبط  در داده­‏ها می‏­شود.

برای یادگیری و اموزش کار با نرم افزار weka به پیوست الف مراجعه نمایید. 

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26