Submit Search
Upload
54102010330weka edited
•
Download as PPTX, PDF
•
0 likes
•
155 views
T
Tanawat Boonkliang
Follow
ธนาวัฒน์ บุญเกลี้ยง 54102010330 SC42 Artificial Intelligent
Read less
Read more
Education
Report
Share
Report
Share
1 of 34
Download now
Recommended
การวิเคราะห์ข้อมูลโดย Weka
การวิเคราะห์ข้อมูลโดย Weka
Mile Panuwat
จาก Dining room ถึง data mining
จาก Dining room ถึง data mining
Aj Muu
54102010330 weka
54102010330 weka
Tanawat Boonkliang
인터넷배팅=*=*=*=PuPu82,cOm=*=*=*= 토토추천 사설토토
인터넷배팅=*=*=*=PuPu82,cOm=*=*=*= 토토추천 사설토토
ryutyiu
โครงงานWeka
โครงงานWeka
Ma Pii
Weka association
Weka association
นนทวัฒน์ บุญบา
Present weka project
Present weka project
Piyada
การวิเคราะห์ข้อมูลด้วย Weka
การวิเคราะห์ข้อมูลด้วย Weka
tontong1150
Recommended
การวิเคราะห์ข้อมูลโดย Weka
การวิเคราะห์ข้อมูลโดย Weka
Mile Panuwat
จาก Dining room ถึง data mining
จาก Dining room ถึง data mining
Aj Muu
54102010330 weka
54102010330 weka
Tanawat Boonkliang
인터넷배팅=*=*=*=PuPu82,cOm=*=*=*= 토토추천 사설토토
인터넷배팅=*=*=*=PuPu82,cOm=*=*=*= 토토추천 사설토토
ryutyiu
โครงงานWeka
โครงงานWeka
Ma Pii
Weka association
Weka association
นนทวัฒน์ บุญบา
Present weka project
Present weka project
Piyada
การวิเคราะห์ข้อมูลด้วย Weka
การวิเคราะห์ข้อมูลด้วย Weka
tontong1150
54102010330
54102010330
Tanawat Boonkliang
Ai exsys 55102011012
Ai exsys 55102011012
Mile Panuwat
ศัพท์สับสน Earnings income revenue
ศัพท์สับสน Earnings income revenue
Aj Muu
54102010330_CP463_WEKA
54102010330_CP463_WEKA
Tanawat Boonkliang
Present weka mile
Present weka mile
Mile Panuwat
Project weka
Project weka
Vongsathon Yongchaiwattana
บทที่1
บทที่1
Krienkrai Chochai
การวิเคราะห์ข้อมูลด้วย Weka 2
การวิเคราะห์ข้อมูลด้วย Weka 2
Dkpoon Po-ngam
Slide ProceedingNccit 2014-69
Slide ProceedingNccit 2014-69
D2U2020
09 anomaly detection
09 anomaly detection
นนทวัฒน์ บุญบา
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
Kannikanune
Weka introducing
Weka introducing
Saran Yuwanna
Weka dataprepocessing
Weka dataprepocessing
นนทวัฒน์ บุญบา
K means cluster in weka
K means cluster in weka
นนทวัฒน์ บุญบา
Overview of Grails Object Relational Mapping (GORM)
Overview of Grails Object Relational Mapping (GORM)
Chris Richardson
Le Deces De Bon Sens
Le Deces De Bon Sens
Boumbach Evelyne
54102011144 chathawee luangmanotham weka
54102011144 chathawee luangmanotham weka
Chathawee May
1 weka introducing
1 weka introducing
นนทวัฒน์ บุญบา
06 classification 2 bayesian and instance based classification
06 classification 2 bayesian and instance based classification
นนทวัฒน์ บุญบา
More Related Content
Viewers also liked
54102010330
54102010330
Tanawat Boonkliang
Ai exsys 55102011012
Ai exsys 55102011012
Mile Panuwat
ศัพท์สับสน Earnings income revenue
ศัพท์สับสน Earnings income revenue
Aj Muu
54102010330_CP463_WEKA
54102010330_CP463_WEKA
Tanawat Boonkliang
Present weka mile
Present weka mile
Mile Panuwat
Project weka
Project weka
Vongsathon Yongchaiwattana
บทที่1
บทที่1
Krienkrai Chochai
การวิเคราะห์ข้อมูลด้วย Weka 2
การวิเคราะห์ข้อมูลด้วย Weka 2
Dkpoon Po-ngam
Slide ProceedingNccit 2014-69
Slide ProceedingNccit 2014-69
D2U2020
09 anomaly detection
09 anomaly detection
นนทวัฒน์ บุญบา
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
Kannikanune
Weka introducing
Weka introducing
Saran Yuwanna
Weka dataprepocessing
Weka dataprepocessing
นนทวัฒน์ บุญบา
K means cluster in weka
K means cluster in weka
นนทวัฒน์ บุญบา
Overview of Grails Object Relational Mapping (GORM)
Overview of Grails Object Relational Mapping (GORM)
Chris Richardson
Le Deces De Bon Sens
Le Deces De Bon Sens
Boumbach Evelyne
54102011144 chathawee luangmanotham weka
54102011144 chathawee luangmanotham weka
Chathawee May
1 weka introducing
1 weka introducing
นนทวัฒน์ บุญบา
06 classification 2 bayesian and instance based classification
06 classification 2 bayesian and instance based classification
นนทวัฒน์ บุญบา
Viewers also liked
(19)
54102010330
54102010330
Ai exsys 55102011012
Ai exsys 55102011012
ศัพท์สับสน Earnings income revenue
ศัพท์สับสน Earnings income revenue
54102010330_CP463_WEKA
54102010330_CP463_WEKA
Present weka mile
Present weka mile
Project weka
Project weka
บทที่1
บทที่1
การวิเคราะห์ข้อมูลด้วย Weka 2
การวิเคราะห์ข้อมูลด้วย Weka 2
Slide ProceedingNccit 2014-69
Slide ProceedingNccit 2014-69
09 anomaly detection
09 anomaly detection
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
Weka introducing
Weka introducing
Weka dataprepocessing
Weka dataprepocessing
K means cluster in weka
K means cluster in weka
Overview of Grails Object Relational Mapping (GORM)
Overview of Grails Object Relational Mapping (GORM)
Le Deces De Bon Sens
Le Deces De Bon Sens
54102011144 chathawee luangmanotham weka
54102011144 chathawee luangmanotham weka
1 weka introducing
1 weka introducing
06 classification 2 bayesian and instance based classification
06 classification 2 bayesian and instance based classification
54102010330weka edited
1.
นายธนาวัฒน์ บุญเกลี้ยง 54102010330 สาขาวิชาวิทยาการคอมพิวเตอร์
คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ WEKA 7-11 CP463 : ARTIFICIAL INTELLIGENT
2.
ข้อมูลที่นามาใช้
3.
CLUSTER
4.
CLUSTER • Instances :
41 • Attributes : 18 • Algorithm : Simple K Means
5.
เมื่อทาการแบ่ง 2 กลุ่ม
6.
เมื่อทาการแบ่ง 4 กลุ่ม
7.
เมื่อทาการแบ่ง 8 กลุ่ม
8.
เมื่อทาการแบ่ง 12 กลุ่ม
9.
เมื่อทาการแบ่ง 16 กลุ่ม
10.
เมื่อทาการแบ่ง 20 กลุ่ม
11.
เมื่อทาการแบ่ง 24 กลุ่ม
12.
RESULT 0 10 20 30 40 50 60 70 80 90 0 5 10
15 20 25 30 sqError Knee curve = 14
13.
cluster0 แตกต่างจาก cluster7
คือ cluster0 มีซื้อไส้กรอก แฮมเบอเกอร์ และสบู่ ส่วน cluster7 มีเต้าหู้และขนมต่างๆ ซื้อเต้าหู้ตอนดึกเนื่องจากพี่สาวข้าพเจ้ากลับดึกและต้องการทาอาหาร
14.
CLASSIFY
15.
CLASSIFY • ต้องการทานายว่าลูกค้าที่มาซื้อสิ้นค้าเล่นกีฬาหรือไม่
16.
DATA TRAIN • Instances
: 41 • Attributes : 22 • Class : sport • Algorithm : Multilayer Perceptron • Test Option Cross Validation Folds = 10
17.
DATA DEPLOY • Instances
: 10 • Attributes : 22
18.
การเตรียมไฟล์ นาไฟล์ข้อมูลมา 2 ไฟล์
ได้แก่ 1. ไฟล์ customers มีทั้งหมด 41 records 2. ไฟล์ deploy โดยเลือก records จาก customers มา 10 records
19.
ไฟล์ที่ใช้เป็นไฟล์ CSV 2
ไฟล์ คือ CUSTOMER.CSV และ DEPLOY.CSV โดยไฟล์ DEPLOY ให้ตัด ข้อมูลของคอลัมน์ที่ต้องการทานายออก แล้วเพิ่ม ? เข้าไปแทน
20.
ไฟล์ที่ใช้ในการทดสอบได้แก่ CUSTOMERS.ARFF และ
DEPLOY.ARFF จากการแปลงจากไฟล์ CSV โดย ใช้ ZEROR ผ่าน TEST OPTION : USE TRAINING SET แล้วเปิด VISUALIZE CLASSIFIER ERRORS จากนั้นทาการ SAVE เป็น (.arff)
21.
ทาการแก้ไขไฟล์ ARFF โดยใช้
NOTEPAD++ 1. ลบ ATTRIBUTE ที่ถูกเพิ่มเข้ามา
22.
2. นาข้อมูลจากไฟล์ CSV
มาใส่ ARFF โดนลบข้อมูลออกก่อน
23.
3.คัดลอก ATTRIBUTE จาก
CUSTOMER.ARFF ไปยัง DEPLOY.ARFF
24.
4. นาข้อมูลจาก DEPLOY.csv
ไปที่ไฟล์ DEPLOY.arff
25.
5.ทาการสร้างMODEL โดยเปิด CUSTOMER.ARFF
ส่วนของ CLASSIFY>CHOOSE>FUNCTIONS> MULTILAYER PERCEPTRON เลือก CROSS-VALIDATION FOLDS 10 กด START แล้วคลิกขวา เพื่อ SAVE MODEL
26.
6. เปิดไฟล์ CUSTOMER.ARFF
ทาการ LOAD MODEL จากนั้นเลือก MODEL ที่ได้ SAVE ไว้ ก่อนหน้านี้
27.
7. เลือก MULTILAYER
PERCEPTRON แล้วเลือก SUPPLIED TEST SET จากนั้นเลือกไฟล์ DEPLOY.ARFF รวมถึง CLASS ที่ต้องการทานาย
28.
8. จากนั้นคลิกขวาเลือก RE-EVALUATE
MODEL ON CURRENT TEST SET แล้ว SAVE เป็นไฟล์ ARFF ในที่นี้ต้องชื่อว่า RESULT.ARFF
29.
9. เปิดไฟล์ที่ได้โดยเปิดจากหน้าแรกของ WEKA
ไปที่ Tools> ArffViewer>เลือกเปิดไฟล์ ผลลัพธ์จากข้อ 8 สังเกตที่คอลัมเกือบสุดท้าย จะพบผลการทานาย
30.
ผลลัพธ์ที่ได้ มีความแม่นยา 100%
แต่ก็ไม่แน่นอนเนื่องจากข้อมูลมีปริมาณน้อย
31.
ASSOCIATE APRIORI
32.
การเตรียมไฟล์ • จัดให้แถวแรกเป็นรายการสินค้าทั้งหมด • ทาการแปลงเป็น
.arff
33.
เปิดไฟล์ เลือก ASSOCIATE
> APRIORI > NUM RULES = 10, MinMetric=0.1, lowerBoundMinSupport 0.08 จะผลลัพธ์ทั้ง 10 กฎ พร้อมค่า LIFT ค่า
34.
ผลลัพธ์กฎที่ได้ 1. Sunbites_snack=t Pocky_Snack=t
3 ==> Snackjack_snack=t Arigato_snack=t 3 conf:(1) < lift:(13.67)> lev:(0.07) [2] conv:(2.78) 2. Snackjack_snack=t Pocky_Snack=t 3 ==> Sunbites_snack=t Arigato_snack=t 3 conf:(1) < lift:(13.67)> lev:(0.07) [2] conv:(2.78) 3. Sunbites_snack=t Arigato_snack=t 3 ==> Snackjack_snack=t Pocky_Snack=t 3 conf:(1) < lift:(13.67)> lev:(0.07) [2] conv:(2.78) 4. Snackjack_snack=t Arigato_snack=t 3 ==> Sunbites_snack=t Pocky_Snack=t 3 conf:(1) < lift:(13.67)> lev:(0.07) [2] conv:(2.78) 5. Pocky_Snack=t 4 ==> Sunbites_snack=t Arigato_snack=t 3 conf:(0.75) < lift:(10.25)> lev:(0.07) [2] conv:(1.85) 6. Sunbites_snack=t Pocky_Snack=t 3 ==> Arigato_snack=t 3 conf:(1) < lift:(10.25)> lev:(0.07) [2] conv:(2.71) 7. Arigato_snack=t 4 ==> Sunbites_snack=t Pocky_Snack=t 3 conf:(0.75) < lift:(10.25)> lev:(0.07) [2] conv:(1.85) 8. Sunbites_snack=t Arigato_snack=t 3 ==> Pocky_Snack=t 3 conf:(1) < lift:(10.25)> lev:(0.07) [2] conv:(2.71) 9. Pocky_Snack=t 4 ==> Snackjack_snack=t Arigato_snack=t 3 conf:(0.75) < lift:(10.25)> lev:(0.07) [2] conv:(1.85) 10. Snackjack_snack=t Pocky_Snack=t 3 ==> Arigato_snack=t 3 conf:(1) < lift:(10.25)> lev:(0.07) [2] conv:(2.71)
Download now