![การทาAssociation
Best rules found:
1. IceCream=t 40 ==> Water=t 40 <conf:(1)> lift:(3.2) lev:(0.21) [27] conv:(27.5)
2. Water=t 40 ==> IceCream=t 40 <conf:(1)> lift:(3.2) lev:(0.21) [27] conv:(27.5)
3. IceCream=t Sandwich=t 39 ==> Water=t 39 <conf:(1)> lift:(3.2) lev:(0.21) [26] conv:(26.81)
4. Water=t Sandwich=t 39 ==> IceCream=t 39 <conf:(1)> lift:(3.2) lev:(0.21) [26] conv:(26.81)
5. MoneyCard=t 25 ==> Bread=t 25 <conf:(1)> lift:(5.12) lev:(0.16) [20] conv:(20.12)
6. Bread=t 25 ==> MoneyCard=t 25 <conf:(1)> lift:(5.12) lev:(0.16) [20] conv:(20.12)
7. Milk=t IceCream=t 25 ==> Water=t 25 <conf:(1)> lift:(3.2) lev:(0.13) [17] conv:(17.19)
8. Water=t Milk=t 25 ==> IceCream=t 25 <conf:(1)> lift:(3.2) lev:(0.13) [17] conv:(17.19)
9. Water=t Milk=t 25 ==> Sandwich=t 25 <conf:(1)> lift:(2.91) lev:(0.13) [16] conv:(16.41)
10. Milk=t IceCream=t 25 ==> Sandwich=t 25 <conf:(1)> lift:(2.91) lev:(0.13) [16] conv:(16.41)](https://image.slidesharecdn.com/wekaproject-150531061023-lva1-app6891/85/Weka-2-15-320.jpg)
การวิเคราะห์ข้อมูลด้วย Weka 2
- 1. WEKA PROJECT กรองกาญจน์ โพธิ์งาม 55102010985
- 2. การทาClassification : Status(Fat,Thin) ขั้นตอนการเตรียมไฟล์ .arff - เปิดไฟล์ data.csv - ทาการ Classify - แล้ว save data.arff โดยกด Visualize classifier errors - ไฟล์ predict.csv ก็ทาเช่นเดียวกัน จนได้ไฟล์ predict.arff
- 3. การทาClassification : Status(Fat,Thin) - เปิดไฟล์ data.arff - ทาการ Classify โดยเลือก MultiLayerPerceptron กด Start
- 4. การทาClassification : Status(Fat,Thin) - ทาการ Save model ที่ได้จากการ Classify ด้วย Thining time = 500 - แล้วทาการ Load model ที่เราได้เซฟไป
- 5. การทาClassification : Status(Fat,Thin) - เลือก Supplied test set กด set เลือกไฟล์ predict.arff เพื่อทาการ test
- 6. การทาClassification : Status(Fat,Thin) - กด Re-evaluate model on current test set จะได้ ค่าดังภาพ
- 7. การทาClassification : Status(Fat,Thin) - ทาการเซฟผลลัพธ์ที่ได้เป็นไฟล์ .arff แล้วทาการเปิดใน ArffViewer ผมลัพธ์จาก Training time = 500
- 8. การทาClassification : Status(Fat,Thin) ผมลัพธ์จาก Training time = 1000
- 10. การทาClustering Knee Curve ที่ได้จากการ Clustering ด้วย SimpleKMeans Knee Curve อยู่ที่ numCluster 11
- 11. การทาClustering - ทาการ Clutering แบ่งเป็น 11 กลุ่ม - ทาการเซฟข้อมูลเพื่อใช้ในการ ดูว่าแต่ละ record อยู่ใน Cluster ไหน
- 12. การทาClustering - นาไฟล์ข้อลูการแบ่งกลุ่มมาเปืดใน ArffViewer จะทาให้บอกได้ว่าแต่ละ record อยู่ใน cluster ใดบ้าง
- 13. การทาAssociation - ทาการเตรียมไฟล์ สาหรบกรทา Association โดยจะทาได้ลบค่า f แล้วเปลื่ยนเป็น ? แทน เพื่อให้ WEKA วิเคราะห์แค่ค่าที่เป็น t เท่านั้น
- 15. การทาAssociation Best rules found: 1. IceCream=t 40 ==> Water=t 40 <conf:(1)> lift:(3.2) lev:(0.21) [27] conv:(27.5) 2. Water=t 40 ==> IceCream=t 40 <conf:(1)> lift:(3.2) lev:(0.21) [27] conv:(27.5) 3. IceCream=t Sandwich=t 39 ==> Water=t 39 <conf:(1)> lift:(3.2) lev:(0.21) [26] conv:(26.81) 4. Water=t Sandwich=t 39 ==> IceCream=t 39 <conf:(1)> lift:(3.2) lev:(0.21) [26] conv:(26.81) 5. MoneyCard=t 25 ==> Bread=t 25 <conf:(1)> lift:(5.12) lev:(0.16) [20] conv:(20.12) 6. Bread=t 25 ==> MoneyCard=t 25 <conf:(1)> lift:(5.12) lev:(0.16) [20] conv:(20.12) 7. Milk=t IceCream=t 25 ==> Water=t 25 <conf:(1)> lift:(3.2) lev:(0.13) [17] conv:(17.19) 8. Water=t Milk=t 25 ==> IceCream=t 25 <conf:(1)> lift:(3.2) lev:(0.13) [17] conv:(17.19) 9. Water=t Milk=t 25 ==> Sandwich=t 25 <conf:(1)> lift:(2.91) lev:(0.13) [16] conv:(16.41) 10. Milk=t IceCream=t 25 ==> Sandwich=t 25 <conf:(1)> lift:(2.91) lev:(0.13) [16] conv:(16.41)