1.2.5 Кластеризация (Cluster)
Выбор функции кластеризации и ее настройки происходят таким же образом, как и для рассмотренной выше классификации.
Область «Cluster mode» используется для того, чтобы определить, что кластеризовать и как оценивать результаты. Первые три опции такие же как и для классификации: Use training set, Supplied test set and Percentage split - при этом данные используются для отнесения к кластеру, а не для предсказания определенного класса.
Четвертый метод «Classes to clusters evaluation» сравнивает как хорошо был выбран кластер сравнивая его с предварительно заданным классом в данных.
Дополнительная опция в виде чекбокса «Store clusters for visualization» определяет возможно ли будет визуализировать кластеры по окончании обучения. При решении задач с очень большими объемами данных следует отключить данную опцию, чтобы избежать проблем с нехваткой памяти.
Кнопка «Ignoring Attributes» позволяет определить, какие признаки следует игнорировать при проведении кластеризации.
Вкладка Кластеризации также как и вкладка классификации содержит кнопки Start/Stop, область результатов и список результатов. Их назначение такое же, как и при решении задач классификации. Щелчок правой кнопкой мыши на записи в списке результатов дает аналогичное контекстное меню, за исключением того, что в нем только две опции визуализации: Visualize cluster assignments and Visualize tree.
1.2.6 Ассоциативные правила (Associate)
Вкладка «Assosiate» содержит схему обучения ассоциативных правил. Алгоритмы выбираются, настраиваются и выполняются аналогичным образом, как и для фильтров, классификаторов и кластеров.
1.2.7 Отбор признаков (Selecting attributes)
Отбор признаков включает перебор всех возможный комбинаций признаков данных для поиска подмножества признаков, дающих наилучший результат предсказания. Для этого должны быть настроены два объекта: оценка атрибутов и метод поиска. Оценщик определяет какой метод используется для назначения значимости каждого подмножества атрибутов. А метод поиска определяет стиль поиска подмножеств.
Область «Attribute Selection Mode» имеет два параметра
Use full training set. Значимость подмножества атрибутов определяется для полного набора обучающих данных.
Cross-validation (Скользящий контроль, кросс-проверка). Значимость подмножества атрибутов определяется при помощи кросс-валидации. Поля Fold и Seed определяют количество блоков (folds) и случайный сид (seed), используемый при перетасовке данных. Внизу находится выпадающий список, который задает целевой признак, который будет использоваться в качестве класса.
По нажатию кнопки «Start» запускается процесс выбора атрибутов. Когда процесс закончен, результаты выводятся в область результатов «Attribute selection output» и добавляются в список результатов. Нажатие правой кнопки мыши на результаты выдает контекстное меню. Первые три пункта этого меню (View in main window, View in separate window and Save result buffer), такие же как и для вкладки классификации. Дополнительными являются Visualize reduced data, или если был выбран метод Principal-Components, Visualize transformed data.
