Ασκήσεις WEKA

Ανοίξτε το WEKA και ενεργοποιήστε το περιβάλλον Explorer Ανοίξτε το dataset “weather.arff” Πόσα παραδείγματα περιλαμβάνει το dataset? Πόσα χαρακτηριστικά χρησιμοποιούνται για να παρουσιάσουμε τα παραδείγματα? Ποιος είναι ο τύπος κάθε χαρακτηριστικού που περιλαμβάνεται στο dataset? (e.g., numeric, nominal, etc.) Πόσες πιθανές τιμές έχει το κάθε χαρακτηριστικό?

Κατηγοριοποίηση – μέθοδος ZeroR Είναι η πιο απλή μέθοδος ταξινόμησης Βασίζεται στο στόχο Ο ταξινομητής ZeroR προβλέπει απλώς την πλειοψηφική τάξη. Αλγόριθμος: Κατασκευάστε ένα πίνακα συχνοτήτων για το στόχο και να επιλέγει την πιο συχνή τιμή του.

Κατηγοριοποίηση Μετατοπιστείται στην καρτέλα Classify. Επιλέξτε την κατηγοροποίηση ZeroR. Σαν δοκιμαστική λειτουργία επιλέξτε “Use training set”. Τρέξτε τον κατηγοριοποιητή και παρατηρήστε τα αποτελέσματα που εμφανίζονται στο παράθυρο “Classifier output” Πόσα παραδείγματα δεν είναι σωστά κατηγοροιοποιημένα? Τι μπορείτε να συμπεράνεται από τις πληροφορίες που εμφανίζονται στον πίνακα σύγχυσης?

Επιλέξτε τον τρόπο “Percentage split” (66% for training). Τρέξτε τον κατηγοριοποιητή ZeroR και παρατηρήστε τα αποτελέσματα στο παράθυρο “Classifier output” Πόσα παραδείγματα δεν είναι σωστά κατηγοριοποιημένα? Για πιο λόγο αυτός ο αριθμός είναι μικρότερος από το προηγούμενο test?

Κατηγοριοποίηση – μέθοδος NaiveBayes Ο ταξινομητής Naive Bayesian με βάση το θεώρημα του Bayes λειτουργεί με υποθέσεις ανεξαρτησία ανάμεσα στις προβλέψεις. Παρά την απλότητά του, η Naive Bayesian ταξινομητής συχνά λειτουργεί εκπληκτικά καλά και χρησιμοποιείται ευρέως Αλγόριθμος: Θεώρημα του Bayes παρέχει έναν τρόπο υπολογισμού της εκ των υστέρων πιθανότητα, P (c | x), P (c), P (x) και P (X | c). Naive Bayes ταξινομητής υποθέτει ότι η επίδραση της αξίας του προγνωστικού (x) σε μια δεδομένη κατηγορία (c) είναι ανεξάρτητα από τις τιμές των άλλων προγνωστικών. Αυτή η υπόθεση αποκαλείται τάξη ανεξαρτησίας υπό όρους.

Κατηγοριοποίηση – μέθοδος NaiveBayes Επιλέξτε την "cross-validation" (10 φορές) δοκιμαστική λειτουργία. Εκτελέστε το Naive Bayes ταξινομητή και παρατηρήστε τα αποτελέσματα που εμφανίζονται στο παράθυρο "εξόδου Κατηγοριοποιητή". Πόσες περιπτώσεις έχουν ταξινομηθεί εσφαλμένα; Συγκρίνετε αυτά τα αποτελέσματα με εκείνα που παρατηρήθηκαν για τον ταξινομητή Zeror Ποιος ταξινομητής, Zeror ή NaiveBayes, δείχνει μια καλύτερη πρόβλεψη επιδόσεις για το τρέχον σύνολο δεδομένων και τον τρόπο δοκιμής ενδοπιστοποίηση;

Επιλέξτε τη δοκιμαστική λειτουργία “Percentage split” (66% for training). Εκτελέστε το Naive Bayes ταξινομητή και παρατηρήστε τα αποτελέσματα που εμφανίζονται στο παράθυρο "εξόδου Κατηγοριοποιητή". Πόσες περιπτώσεις έχουν ταξινομηθεί εσφαλμένα; Να γίνει σύγκριση των αποτελεσμάτων του ταξινομητή Naive Bayes για τις 2 δοκιμές λειτουργίας. Σε ποια δοκιμαστική λειτουργία ο ταξινομητής παράγει ένα καλύτερο αποτέλεσμα (δηλαδή, ένα μικρότερο σφάλμα); Ποιος ταξινομητής, Zeror ή NaiveBayes, δείχνει μια καλύτερη απόδοση για την πρόβλεψη του τρέχον σύνολο δεδομένων;