Trước hết, để tôi nói với bạn rằng theo tôi, công cụ tốt nhất từ trước đến nay là R, nơi có hàng tấn thư viện và tiện ích tôi sẽ không liệt kê ở đây.
Hãy để tôi mở rộng cuộc thảo luận về weka
Có một thư viện cho R, được gọi là Rweka, bạn có thể dễ dàng cài đặt trong R và sử dụng nhiều chức năng từ chương trình tuyệt vời này cùng với các chức năng trong R, hãy để tôi đưa cho bạn một ví dụ mã để thực hiện một cây quyết định đơn giản đọc từ cơ sở dữ liệu tiêu chuẩn đi kèm với gói này (việc vẽ cây kết quả cũng rất dễ dàng nhưng tôi sẽ cho phép bạn thực hiện nghiên cứu về cách thực hiện, trong tài liệu Rweka:
library(RWeka)
iris <- read.arff(system.file("arff", "iris.arff", package = "RWeka"))
classifier <- IBk(class ~., data = iris)
summary(classifier)
Ngoài ra còn có một số thư viện python để làm điều này (python rất rất dễ học)
Đầu tiên hãy để tôi liệt kê các gói bạn có thể sử dụng, tôi sẽ không đi chi tiết về chúng; Weka (vâng, bạn có một thư viện cho python), NLKT (gói mã nguồn mở nổi tiếng nhất để soạn thảo văn bản bên cạnh datamining), statPy , bệnh và scipy.
Ngoài ra còn có màu cam rất xuất sắc (tôi cũng sẽ nói về nó sau), đây là một ví dụ mã để thực hiện một cây từ dữ liệu trong bảng cmpart1, cũng thực hiện xác thực 10 lần, bạn cũng có thể vẽ biểu đồ cây
import orange, orngMySQL, orngTree
data = orange.ExampleTable("c:\\python26\\orange\\cmpart1.tab")
domain=data.domain
n=10
buck=len(data)/n
l2=[]
for i in range(n):
tmp=[]
if i==n-1:
tmp=data[n*buck:]
else:
tmp=data[buck*i:buck*(i+1)]
l2.append(tmp)
train=[]
test=[]
di={'yy':0,'yn':0,'ny':0,'nn':0}
for i in range(n):
train=[]
test=[]
for j in range(n):
if j==i:
test=l2[i]
else:
train.extend(l2[j])
print "-----"
trai=orange.Example(domain, train)
tree = orngTree.TreeLearner(train)
for ins in test:
d1= ins.getclass()
d2=tree(ins)
print d1
print d2
ind=str(d1)+str(d2)
di[ind]=di[ind]+1
print di
Để kết thúc với một số gói khác tôi đã sử dụng và thấy thú vị
Orange : trực quan hóa và phân tích dữ liệu cho người mới và các chuyên gia. Khai thác dữ liệu thông qua lập trình trực quan hoặc kịch bản Python. Linh kiện cho máy học. Phần mở rộng cho tin sinh học và khai thác văn bản. (Cá nhân tôi khuyên bạn nên điều này, tôi đã sử dụng nó rất nhiều tích hợp nó trong python và nó rất xuất sắc) Tôi có thể gửi cho bạn một số mã python nếu bạn muốn tôi.
ROSETTA : bộ công cụ để phân tích dữ liệu dạng bảng trong khuôn khổ của lý thuyết tập thô. ROSETTA được thiết kế để hỗ trợ quá trình khám phá kiến thức và khai thác dữ liệu tổng thể: Từ duyệt và xử lý dữ liệu ban đầu, thông qua tính toán các tập thuộc tính tối thiểu và tạo quy tắc if-then hoặc mô tả, đến xác thực và phân tích quy tắc hoặc mẫu cảm ứng (Điều này tôi cũng rất thích sử dụng)
KEEL : đánh giá các thuật toán tiến hóa cho các vấn đề Khai thác dữ liệu bao gồm hồi quy, phân loại, phân cụm, khai thác mẫu, v.v. Nó cho phép chúng tôi thực hiện phân tích đầy đủ bất kỳ mô hình học tập nào so với mô hình hiện có, bao gồm cả mô-đun kiểm tra thống kê để so sánh.
DataPlot : để trực quan hóa khoa học, phân tích thống kê và mô hình phi tuyến tính. Người dùng Dataplot mục tiêu là nhà nghiên cứu và phân tích tham gia vào việc mô tả đặc tính, mô hình hóa, trực quan hóa, phân tích, giám sát và tối ưu hóa các quy trình khoa học và kỹ thuật.
Openstats : Bao gồm một thống kê và thống kê đo lường, thống kê mô tả, so sánh đơn giản, phân tích phương sai, tương quan, đa hồi quy, chuỗi thời gian bị gián đoạn, thống kê đa biến, thống kê không tham số, đo lường, kiểm soát quá trình thống kê, quy trình tài chính, mô phỏng