การวิเคราะห์ข้อมูลด้วย Weka

WEKA PROJECT กรองกาญจน์ โพธิ์ �งาม 55102010985

การทำ�า Classification : Status(Fat,Trin)

ใน์การทำ�า Classification จ�าแน์กคน์ Fat และ Trin

ทำ�าการเตร�ยมไฟล train และ ไฟล test โดยใช้� ZeroR จน์ได� ไฟล .arff ทำ !ง 2 ไฟล และทำ�าการสร�างโมเดล โดยใช้� MultilayerPerceptron

และทำ�าการทำดสอบ

การทำ�า Classification : Status(Fat,Trin)

Traing Time = 100

การทำ�า Classification : Status(Fat,Trin)

การทำ�า Classification : Status(Fat,Trin)

การทำ�า Classification : Status(Fat,Trin)

Traing Time = 200

การทำ�า Classification : Status(Fat,Trin)

การทำ�า Classification : Status(Fat,Trin)

การทำ�า Clustering เตร�ยมข้�อม%ลส�าหร บการ Clustering

การทำ�า Clustering ใช้� SimpleKMeans ใน์การหา Clustering

numClusters = 2

การทำ�า Clustering numClusters = 3

การทำ�า Clustering numClusters = 4

การทำ�า Clustering numClusters = 5

การทำ�า Clustering numClusters = 6

การทำ�า Clustering numClusters = 7

การทำ�า Clustering numClusters = 8

การทำ�า Clustering numClusters = 9

การทำ�า Clustering numClusters = 10

การทำ�า Clustering Knee Curve ทำ�'ได�จากการ Clustering

Knee Curve อย%(ทำ�' numCluster 5

การทำ�า Association โดยการใช้� Apriori

การทำ�า Association 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)