Tout d’abord, laissez-moi vous dire que, à mon avis, le meilleur outil, et de loin, est R, qui compte une multitude de bibliothèques et d’utilitaires que je ne vais pas énumérer ici.
Permettez-moi d'élargir la discussion sur le weka
Il existe une bibliothèque pour R, appelée RWeka, que vous pouvez facilement installer dans R, et utiliser de nombreuses fonctionnalités de ce programme génial avec celles de R, laissez-moi vous donner un exemple de code pour la création d'un arbre de décision simple. lisez une base de données standard fournie avec ce paquet (il est également très facile de dessiner l'arbre résultant, mais je vais vous laisser faire la recherche sur la façon de le faire, ce qui est dans la documentation de RWeka:
library(RWeka)
iris <- read.arff(system.file("arff", "iris.arff", package = "RWeka"))
classifier <- IBk(class ~., data = iris)
summary(classifier)
Il existe également plusieurs bibliothèques python pour cela (le python est très très facile à apprendre)
Tout d’abord, laissez-moi énumérer les paquets que vous pouvez utiliser, je ne vais pas entrer dans les détails à leur sujet; Weka (oui, vous avez une bibliothèque pour python), NLKT (le paquet open source le plus célèbre pour l'extraction de texte en plus de l'analyse de données), statPy , sickits et scipy.
Il y a aussi orange qui est excellent (j'en parlerai aussi plus tard), voici un exemple de code permettant de créer une arborescence à partir des données de la table cmpart1, qui effectue également la validation à 10 plis; vous pouvez également représenter graphiquement l'arborescence.
import orange, orngMySQL, orngTree
data = orange.ExampleTable("c:\\python26\\orange\\cmpart1.tab")
domain=data.domain
n=10
buck=len(data)/n
l2=[]
for i in range(n):
tmp=[]
if i==n-1:
tmp=data[n*buck:]
else:
tmp=data[buck*i:buck*(i+1)]
l2.append(tmp)
train=[]
test=[]
di={'yy':0,'yn':0,'ny':0,'nn':0}
for i in range(n):
train=[]
test=[]
for j in range(n):
if j==i:
test=l2[i]
else:
train.extend(l2[j])
print "-----"
trai=orange.Example(domain, train)
tree = orngTree.TreeLearner(train)
for ins in test:
d1= ins.getclass()
d2=tree(ins)
print d1
print d2
ind=str(d1)+str(d2)
di[ind]=di[ind]+1
print di
Pour finir avec d'autres paquets que j'ai utilisés et trouvés intéressants
Orange : visualisation et analyse de données pour novices et experts. Exploration de données par programmation visuelle ou par script Python. Composants pour l'apprentissage automatique. Extensions pour la bioinformatique et l'extraction de texte. (Je le recommande personnellement, je l'ai beaucoup utilisé en l'intégrant dans python et c'était excellent). Je peux vous envoyer du code python si vous le souhaitez.
ROSETTA : boîte à outils pour l'analyse de données tabulaires dans le cadre de la théorie des ensembles approximatifs. ROSETTA est conçu pour prendre en charge l'ensemble du processus d'exploration de données et de découverte des connaissances: de la navigation initiale au prétraitement des données, en passant par le calcul d'ensembles d'attributs minimaux et la génération de règles if-then ou de modèles descriptifs, jusqu'à la validation et l'analyse des règles induites (J'ai également beaucoup aimé utiliser ce produit)
KEEL : évaluer les algorithmes évolutifs pour les problèmes d’exploration de données, notamment la régression, la classification, la mise en cluster, l’exploration de modèles, etc. Il nous permet d’effectuer une analyse complète de tout modèle d’apprentissage par rapport aux modèles existants, y compris un module de test statistique à des fins de comparaison.
DataPlot : pour la visualisation scientifique, l'analyse statistique et la modélisation non linéaire. L'utilisateur cible de DataPot est le chercheur et l'analyste engagés dans la caractérisation, la modélisation, la visualisation, l'analyse, la surveillance et l'optimisation des processus scientifiques et techniques.
Openstats : comprend un manuel de statistiques et de mesures, statistiques descriptives, comparaisons simples, analyses de variance, corrélation, régression multiple, séries chronologiques interrompues, statistiques multivariées, statistiques non paramétriques, mesures, contrôle de processus statistiques, procédures financières, réseaux neuronaux, simulation