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

@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

=== 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) ===

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 :

Size of the tree :

Time taken to build model: 0 seconds

=== Stratified cross-validation ===

=== Summary ===
Correctly Classified Instances
20
Incorrectly Classified Instances
4
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

83.3333 %
16.6667 %

=== 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
5
1
0

b c <-- classified as
0 0 | a = Lentes_gelatinosas
12 2 | b = Sem_lentes
1 3 | c = Lentes_duras

Trabalho - WEKA

15

Grupo: at 2 alunos

Data de entrega: 30/06/2015

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.

http://archive.ics.uci.edu/ml/
https://www.lendingclub.com/info/downloaddata.action
http://repository.seasr.org/Datasets/UCI/arff/

FIM

10