In questa seconda parte, analizziamo il modo in cui il codice sorgente di WEKA possa essere integrato in un‘applicazione Java-based per il Data Mining, finalizzata alla classificazione di dati meteo. L‘interfaccia grafica utilizza componenti Swing ed è sviluppata secondo un approccio event-driven.
In questo articolo presenteremo un case-study dell‘utilizzo del tool WEKA relativo a dati meteorologici per la creazione di un indice locale di nebbia utilizzando tecniche di Data Mining. WEKA è stato usato per supportare tutte le fasi previste dalla metodologia CRISP-DM: dall‘analisi e preparazione dei dati alla creazione di modelli e la loro valutazione.
Un sistema di Knowledge Discovery in Data (KDD) è composto da un insieme di componenti che tutte insieme possono identificare ed estrarre relazioni dai dati memorizzati nella base di dati che siano nuove, utili ed interessanti. Vediamo in questo articolo il componente Experimenter.
Integriamo all‘interno del framework Weka un generico algoritmo di classificazione. Come caso di studio analizzeremo un semplice schema di apprendimento basato su un albero di decisione e ne implementeremo una semplice versione che estende gli algoritmi di classificazione di Weka.
In questo articolo esamineremo il processo di estrazione della conoscenza, noto in letteratura col nome di Knowledge Discovery to Data (KDD), analizzando come viene implementato nel framework Weka e fornendo un semplice esempio pratico.
In questo articolo analizzeremo il workbench Weka: una avanzata raccolta di algoritmi e tecniche di preprocessamento del machine learning, che prevede il supporto per tutto il processo sperimentativo del data mining. Esamineremo gli ambienti operativi che il framework Weka mette a disposizione e valuteremo un semplice caso di studio.
Utilizziamo i cookie per favorire la migliore esperienza di navigazione sul nostro sito. Continuando a utilizzare questo sito accetti l'uso dei cookie.OKMaggiori informazioni