Weka

• В 1993 году Университет Вайкато (Новая Зеландия) начал разработку оригинальной версии Weka на Tcl/Tk и C.
• В 1997 году было принято решение переписать код на Java, включив реализации моделирующих алгоритмов^[2].
• В 2005 году Weka получила награду «Data Mining and Knowledge Discovery Service» от SIGKDD (Special Interest Group on Knowledge Discovery and Data Mining)^[3].^[4]
• В 2006 году компания Pentaho приобрела эксклюзивную лицензию на использование Weka для бизнес-аналитики, в результате чего был создан компонент data mining и прогнозной аналитики пакета ПО Pentaho Business Intelligence.

Пакет Weka^[5] содержит набор инструментов визуализации и алгоритмов для анализа данных и прогнозного моделирования с графическим пользовательским интерфейсом для облегчения доступа к функциям. Оригинальная версия Weka была frontend-программой на Tcl/Tk для моделирования алгоритмов, реализованных на других языках программирования, плюс утилиты для предварительной обработки данных, разработанные на C для проведения экспериментов по машинному обучению. Исходно предназначалась для анализа данных из сельскохозяйственной области^[6],^[7] однако современная Java-версия (WEKA 3), созданная с 1997 года, применяется в самых разных областях, особенно в образовании и научных исследованиях.

Основные особенности Weka:

• Свободно распространяется под лицензией GNU GPL.
• Является кросс-платформенным решением, полностью реализованным на Java, что позволяет запускать её практически на любой платформе.
• Включает широкий спектр методов предварительной обработки данных и моделирования.
• Оснащена графическим пользовательским интерфейсом, что делает Weka удобной для начинающих пользователей.

Weka поддерживает множество стандартных задач интеллектуального анализа данных, таких как предварительная обработка данных, кластеризация, классификация, регрессия, визуализация и отбор признаков. Все методы Weka предполагают, что данные представлены в виде плоского файла (flat file) или отношения, где каждая запись описывается фиксированным набором атрибутов (обычно числовых или номинальных, однако поддерживаются также и другие типы). Weka также предоставляет доступ к базам данных через соединение JDBC (Java Database Connectivity) и способна обрабатывать результаты SQL-запросов. Прямое выполнение многореляционного анализа данных (multi-relational data mining) не поддерживается, однако существуют утилиты для преобразования набора связанных таблиц в одну таблицу, подходящую для анализа в Weka^[8].

Алгоритмы, входящие в Weka, не охватывают задачи по моделированию последовательностей.

При запуске приложения появляется диалог выбора интерфейса Weka, предлагающий четыре варианта интерфейса для доступа к функциям программы: Simple CLI, Explorer, Experimenter и Knowledge Flow.

Simple CLI — простая командная строка. Это консоль, позволяющая работать со всеми возможностями Weka через командную строку.

Интерфейс Explorer содержит несколько панелей, предоставляющих доступ к основным компонентам платформы:

• Панель Preprocess предназначена для импорта данных из базы данных, CSV-файла и их предварительной обработки с помощью фильтров. Фильтры позволяют преобразовывать данные (например, переводить числовые значения в дискретные), а также удалять записи или атрибуты по заданным критериям.

• Панель Classify предоставляет средства для применения алгоритмов классификации и регрессии к подготовленным множествам данных. Здесь также можно оценить точность итоговой прогнозной модели, в том числе с использованием ROC-кривых, а также визуализировать модель (например, дерево решений).

• Панель Associate позволяет работать с ассоциативными правилами, выявляющими взаимосвязи между атрибутами данных.

• Панель Cluster обеспечивает доступ к функциям кластеризации, включая алгоритмы k-средних и реализацию алгоритма ожидания-максимизации для работы с нормальными распределениями.

• Панель Selected attributes служит для выбора наиболее значимых признаков (атрибутов) в датасете.

• Панель Visualize отображает матрицу точечных диаграмм, где каждую точку можно выделить и проанализировать с помощью разных инструментов.

Интерфейс Experimenter позволяет систематически сравнивать работу прогнозных алгоритмов Weka на различных наборах данных.

Knowledge Flow реализует те же функции, что и Explorer, но дополнительно поддерживает принцип «drag and drop» («перетащи и отпусти») и обучение на потоке.

• KNIME — платформа интеллектуального анализа данных, также реализованная на Java.
• Neural Designer — инструмент для прогностической аналитики, использующий методы глубокого обучения.
• RapidMiner — среда для data mining, написанная на Java и взаимодействующая с Weka.