ݺߣ

ݺߣShare a Scribd company logo
WEKA PROJECT
กรองกาญจน์ โพธิ์งาม 55102010985
การทาClassification : Status(Fat,Trin)
ในการทา Classification จาแนกคน Fat และ Trin
ทาการเตรียมไฟล์ train และ ไฟล์ test โดยใช้ ZeroR จนได้ ไฟล์ .arff ทั้ง 2 ไฟล์
และทาการสร้างโมเดล โดยใช้ MultilayerPerceptron
และทาการทดสอบ
การทาClassification : Status(Fat,Trin)
Traing Time = 100
การทาClassification : Status(Fat,Trin)
การทาClassification : Status(Fat,Trin)
การทาClassification : Status(Fat,Trin)
Traing Time = 200
การทาClassification : Status(Fat,Trin)
การทาClassification : Status(Fat,Trin)
การทาClustering
เตรียมข้อมูลสาหรับการ Clustering
การทาClustering
ใช้ SimpleKMeans ในการหา Clustering
numClusters = 2
การทาClustering
numClusters = 3
การทาClustering
numClusters = 4
การทาClustering
numClusters = 5
การทาClustering
numClusters = 6
การทาClustering
numClusters = 7
การทาClustering
numClusters = 8
การทาClustering
numClusters = 9
การทาClustering
numClusters = 10
การทาClustering
Knee Curve ที่ได้จากการ Clustering
Knee Curve อยู่ที่ numCluster 5
การทาAssociation
โดยการใช้ Apriori
การทาAssociation
Best rules found:
1. Ice-Cream=t 42 ==> Water=t 42 <conf:(1)> lift:(2.56) lev:(0.2) [25] conv:(25.59)
2. Ice-Cream=t Sandwich=t 36 ==> Water=t 36 <conf:(1)> lift:(2.56) lev:(0.17) [21] conv:(21.94)
3. Milk=t Ice-Cream=t 26 ==> Water=t 26 <conf:(1)> lift:(2.56) lev:(0.12) [15] conv:(15.84)
4. Milk=t Ice-Cream=t Sandwich=t 23 ==> Water=t 23 <conf:(1)> lift:(2.56) lev:(0.11) [14] conv:(14.02)
5. TissuePaper=t Sandwich=t 14 ==> Water=t 14 <conf:(1)> lift:(2.56) lev:(0.07) [8] conv:(8.53)
6. Milk=t Sandwich=t 27 ==> Water=t 26 <conf:(0.96)> lift:(2.47) lev:(0.12) [15] conv:(8.23)
7. MoneyCard=t 25 ==> Bread=t 23 <conf:(0.92)> lift:(3.27) lev:(0.12) [15] conv:(5.99)
8. Sandwich=t 45 ==> Water=t 41 <conf:(0.91)> lift:(2.33) lev:(0.18) [23] conv:(5.48)

More Related Content

การวิเคราะห์ข้อมูลด้วย Weka