Weka เป็นชุดของอัลกอริทึมการเรียนรู้ของเครื่อง (Machine Learning Algorithms) สำหรับบริการการเหมืองข้อมูล อัลกอริทึมสามารถนำไปใช้โดยตรงกับชุดข้อมูลหรือจากโปรแกรม Java ของคุณเอง มันรวมเครื่องมือสำหรับการเตรียมข้อมูลล่วงหน้า (Data Pre-processing), การจำแนกประเภท (Classification), การถดถอย (Regression), การจัดกลุ่ม (Clustering), กฎการเชื่อมโยง (Association Rules) และการแสดงภาพ (Visualization) ยังพร้อมสำหรับการสร้างโครงรูปแบบการเรียนรู้ของเครื่องใหม่ๆ
วิธีหนึ่งของการใช้ Weka คือการใช้แนวทางการเรียนรู้กับชุดข้อมูลและวิเคราะห์เอาต์พุตของมันเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับระเบียน วิธีที่สองคือการใช้โมเดลที่เรียนรู้แล้วเพื่อทำนายบนอินสแตนซ์ใหม่
วิธีที่สามคือการใช้ผู้เรียนหลายคน (Multiple Learners) และเปรียบเทียบประสิทธิภาพของพวกเขาเพื่อเลือกหนึ่งสำหรับการทำนาย ในอินเทอร์เฟซ Weka แบบโต้ตอบ (Interactive) สามารถเลือกวิธีการเรียนรู้ที่ต้องการจากเมนู วิธีหลายวิธีมีพารามิเตอร์ที่ปรับได้ (Tunable Parameters) ซึ่งสามารถสร้างผ่านแผ่นคุณสมบัติ (Property Sheet) หรือตัวแก้ไขวัตถุ (Object Editor) โครงสร้างการคำนวณทั่วไป (Common Evaluation Framework) ถูกใช้เพื่อคำนวณประสิทธิภาพของตัวแบ่งประเภททั้งหมด
สามารถแสดงได้ว่าตัวกรอง (Filters) ต่างๆ สามารถใช้ได้อย่างไร แสดงรายการอัลกอริทึมการกรอง และอธิบายพารามิเตอร์ของพวกมัน Weka ยังรวมการนำไปใช้งานของอัลกอริทึมสำหรับการเรียนรู้กฎการเชื่อมโยง (Association Rules) การจัดกลุ่มข้อมูลที่ไม่มีค่าคลาสระบุ (Clustering Data for which no class value is specified) และการเลือกแอตทริบิวต์ที่เกี่ยวข้องในข้อมูล
วิธีที่เรียบง่ายที่สุดในการใช้ Weka คือผ่านอินเทอร์เฟซผู้ใช้แบบกราฟิก (Graphical User Interface) ที่รู้จักในชื่อ Explorer (Explorer) นี้ให้การเข้าถึงบางสิ่งบางอย่างของสิ่งอำนวยความสะดวกของมันโดยการเลือกเมนูและการกรอกฟอร์ม ตัวอย่างเช่น สามารถอ่านชุดข้อมูลจากเอกสาร ARFF (หรือสเปรดชีท) ได้อย่างรวดเร็วและสร้างต้นไม้ตัดสินใจจากมัน
อินเทอร์เฟซ Explorer ช่วยให้เราสามารถ โดยการนำเสนอตัวเลือกเป็นเมนู บังคับให้เราทำงานในลำดับที่เหมาะสมโดยการทำให้ตัวเลือกเป็นสีเทาจนกว่าจะเหมาะสม และแสดงตัวเลือกเป็นฟอร์มที่ต้องกรอก มันมีประโยชน์ที่คำแนะนำเครื่องมือ (Tooltips) โผล่ขึ้นมาเมื่อเมาส์ผ่านองค์ประกอบบนหน้าจอเพื่อเข้าใจว่าพวกมันทำอะไร ค่าเริ่มต้นที่เหมาะสม (Sensible Default Values) ให้การรับประกันว่าสามารถได้ผลลัพธ์ด้วยความพยายามน้อยที่สุด — แต่จะต้องคิดเกี่ยวกับว่ากำลังทำอะไรเพื่อเข้าใจว่าผลลัพธ์หมายถึงอะไร
อินเทอร์เฟซ Knowledge Flow (Knowledge Flow Interface) อนุญาตให้เราสร้างโครงสร้างสำหรับการประมวลผลข้อมูลแบบสตรีม (Streamed Information Processing) ข้อจำกัดของอินเทอร์เฟซ Explorer คือมันบังคับให้ทุกอย่างอยู่ในหน่วยความจำหลัก (Main Memory) เมื่อเปิดชุดข้อมูล มันโหลดทั้งหมดโดยตรง
นี่หมายความว่า Explorer สามารถใช้สำหรับปัญหาขนาดเล็กถึงกลาง (Small-to-Medium-size Problems) อย่างไรก็ตาม Weka รวมอัลกอริทึมแบบเพิ่มเติม (Incremental Algorithms) บางตัวที่สามารถใช้ประมวลผลชุดข้อมูลขนาดใหญ่ได้ อินเทอร์เฟซ Knowledge Flow อนุญาตให้เรากล่องลาก (Drag Boxes) ที่กำหนดอัลกอริทึมการเรียนรู้และแหล่งข้อมูลรอบๆ หน้าจอและเชื่อมต่อพวกมันเข้ากับการกำหนดค่าที่ต้องการ
มันอนุญาตให้เรากำหนดสตรีมข้อมูล (Data Stream) โดยการเชื่อมต่อองค์ประกอบที่กำหนดแหล่งข้อมูล เครื่องมือการเตรียมข้อมูลล่วงหน้า อัลกอริทึมการเรียนรู้ วิธีการประเมิน และโมดูลการแสดงภาพ หากตัวกรองและอัลกอริทึมการเรียนรู้เพียงพอสำหรับการเรียนรู้แบบเพิ่มเติม (Incremental Learning) ข้อมูลจะถูกโหลดและประมวลผลเพิ่มเติม
ทำความรู้จัก Weka: ชุด ML Algorithms สำหรับ Data Mining, Explorer GUI (Preprocessing, Classification, Clustering, Association, Visualization), Knowledge Flow สำหรับ Stream/Incremental Learning, ARFF Format, Parameter Tuning
