Weka डेटा माइनिंग सेवाओं के लिए मशीन लर्निंग एल्गोरिदम का एक समूह है। एल्गोरिदम को सीधे डेटासेट पर लागू किया जा सकता है या आपके अपने Java प्रोग्राम से। इसमें डेटा प्री-प्रोसेसिंग, वर्गीकरण, प्रतिगमन, क्लस्टरिंग, एसोसिएशन नियम, और विज़ुअलाइज़ेशन के लिए उपकरण शामिल हैं। यह नई मशीन लर्निंग योजनाओं के निर्माण के लिए भी लागू है।
Weka का उपयोग करने की एक विधि एक सीखने के दृष्टिकोण को डेटासेट पर लागू करना और इसके आउटपुट का विश्लेषण करना है ताकि रिकॉर्ड के बारे में अधिक जान सकें। दूसरी सीखे गए मॉडल का उपयोग नए उदाहरणों पर भविष्यवाणी करने के लिए करना है।
तीसरा कई शिक्षार्थियों का उपयोग करना और भविष्यवाणी के लिए एक का चयन करने के लिए उनके प्रदर्शन की तुलना करना है। इंटरैक्टिव Weka इंटरफेस में, यह एक मेनू से आवश्यक सीखने की विधि का चयन कर सकता है। कई विधियों में समायोज्य पैरामीटर होते हैं, जिन्हें प्रॉपर्टी शीट या ऑब्जेक्ट एडिटर के माध्यम से बनाया जा सकता है। सभी क्लासिफायर के प्रदर्शन की गणना के लिए एक सामान्य कम्प्यूटेशन संरचना का उपयोग किया जाता है।
यह दिखा सकता है कि विभिन्न फिल्टर का उपयोग कैसे किया जा सकता है, फ़िल्टरिंग एल्गोरिदम सूचीबद्ध कर सकता है, और उनके पैरामीटर्स का वर्णन कर सकता है। Weka में एसोसिएशन नियम सीखने के लिए एल्गोरिदम के कार्यान्वयन भी शामिल हैं, जिस डेटा के लिए कोई कक्षा मूल्य निर्दिष्ट नहीं है उसे क्लस्टर करना, और डेटा में प्रासंगिक विशेषताओं का चयन करना।
Weka का उपयोग करने की सबसे सरल विधि एक ग्राफिकल यूजर इंटरफेस के माध्यम से है जिसे एक्सप्लोरर के रूप में जाना जाता है। यह मेनू चयन और फॉर्म भरने का उपयोग करके इसकी कुछ सुविधाओं तक पहुंच प्रदान करता है। उदाहरण के लिए, यह ARFF दस्तावेज़ (या स्प्रेडशीट) से एक डेटासेट को तेजी से पढ़ सकता है और उससे एक निर्णय वृक्ष बना सकता है।
एक्सप्लोरर इंटरफेस हमें विकल्पों को मेनू के रूप में प्रस्तुत करके, उपयुक्त विकल्पों तक उपयुक्त क्रम में काम करने के लिए मजबूर करके जब तक वे उपयुक्त न हों, और विकल्पों को भरने के लिए फॉर्म के रूप में प्रदर्शित करके अनुमति देता है। यह लाभकारी टूलटिप्स हैं जो स्क्रीन पर तत्वों पर माउस पास करने पर पॉप अप होते हैं यह समझने के लिए कि वे क्या करते हैं। समझदार डिफ़ॉल्ट मान सुनिश्चित करते हैं कि यह न्यूनतम प्रयास के साथ परिणाम प्राप्त कर सकता है - लेकिन यह समझने के लिए कि परिणामों का क्या मतलब है, इसके बारे में सोचना होगा।
नॉलेज फ्लो इंटरफेस हमें स्ट्रीम्ड सूचना प्रसंस्करण के लिए एक संरचना बनाने की अनुमति देता है। एक्सप्लोरर इंटरफेस की सीमा यह है कि जब यह एक डेटासेट खोल सकता है, तो यह मेन मेमोरी में सब कुछ प्रभावित करता है, यह सीधे इसे सभी लोड करता है।
इसका मतलब है कि एक्सप्लोरर का उपयोग छोटे-से-मध्यम आकार की समस्याओं के लिए किया जा सकता है। हालांकि, Weka में कुछ वृद्धिशील एल्गोरिदम शामिल हैं जिनका उपयोग बड़े डेटासेट को प्रोसेस करने के लिए किया जा सकता है। नॉलेज फ्लो इंटरफेस हमें सीखने के एल्गोरिदम और डेटा स्रोतों को परिभाषित करने वाले बॉक्स को स्क्रीन के चारों ओर खींचने और उन्हें उस कॉन्फ़िगरेशन में कनेक्ट करने की अनुमति देता है जिसकी आवश्यकता है।
यह हमें डेटा स्रोतों, प्रीप्रोसेसिंग टूल्स, सीखने के एल्गोरिदम, गणना विधियों, और विज़ुअलाइज़ेशन मॉड्यूल को परिभाषित करने वाले घटकों को जोड़कर एक डेटा स्ट्रीम को परिभाषित करने की अनुमति देता है। यदि फिल्टर और सीखने के एल्गोरिदम वृद्धिशील सीखने के लिए पर्याप्त हैं, तो डेटा को अतिरिक्त रूप से लोड और प्रोसेस किया जाएगा।
