Antes que nada déjenme decirles que, en mi opinión, la mejor herramienta de todas es R, que tiene toneladas de bibliotecas y utilidades que no voy a enumerar aquí.
Permítanme expandir la discusión sobre weka
Hay una biblioteca para R, que se llama RWeka, que puede instalar fácilmente en R, y usar muchas de las funcionalidades de este gran programa junto con las de R, permítame darle un ejemplo de código para hacer un árbol de decisión simple lea de una base de datos estándar que viene con este paquete (también es muy fácil dibujar el árbol resultante, pero le dejaré hacer la investigación sobre cómo hacerlo, que se encuentra en la documentación de RWeka:
library(RWeka)
iris <- read.arff(system.file("arff", "iris.arff", package = "RWeka"))
classifier <- IBk(class ~., data = iris)
summary(classifier)
También hay varias bibliotecas de Python para hacer esto (Python es muy, muy fácil de aprender)
Primero déjame enumerar los paquetes que puedes usar, no voy a entrar en detalles sobre ellos; Weka (sí, tiene una biblioteca para python), NLKT (el paquete de código abierto más famoso para minería de texto además de minería de datos), statPy , sickits y scipy.
También hay naranja que es excelente (también hablaré más adelante), aquí hay un ejemplo de código para hacer un árbol a partir de los datos en la tabla cmpart1, que también realiza una validación de 10 pliegues, también puede graficar el árbol
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
Para terminar con algunos otros paquetes que utilicé y encontré interesantes
Naranja : visualización y análisis de datos para principiantes y expertos. Minería de datos a través de programación visual o secuencias de comandos Python. Componentes para el aprendizaje automático. Extensiones para bioinformática y minería de textos. (Lo recomiendo personalmente, lo utilicé mucho integrándolo en Python y fue excelente) Puedo enviarle un código de Python si lo desea.
ROSETTA : kit de herramientas para analizar datos tabulares en el marco de la teoría de conjuntos aproximada. ROSETTA está diseñado para soportar el proceso general de descubrimiento de conocimiento y minería de datos: desde la exploración inicial y el preprocesamiento de los datos, pasando por el cálculo de conjuntos mínimos de atributos y la generación de reglas si-entonces o patrones descriptivos, hasta la validación y análisis de las reglas o patrones inducidos (Esto también disfruté mucho usando)
KEEL : evalúa algoritmos evolutivos para problemas de minería de datos que incluyen regresión, clasificación, agrupamiento, minería de patrones, etc. Nos permite realizar un análisis completo de cualquier modelo de aprendizaje en comparación con los existentes, incluido un módulo de prueba estadística para comparación.
DataPlot : para visualización científica, análisis estadístico y modelado no lineal. El usuario objetivo de Dataplot es el investigador y analista dedicado a la caracterización, modelado, visualización, análisis, monitoreo y optimización de procesos científicos y de ingeniería.
Openstats : incluye un manual de estadísticas y mediciones, estadísticas descriptivas, comparaciones simples, análisis de varianza, correlación, regresión múltiple, series de tiempo interrumpidas, estadísticas multivariantes, estadísticas no paramétricas, medición, control estadístico de procesos, procedimientos financieros, redes neuronales, simulación