Waikato Environment for Knowledge Analysis

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Weka
Ein Bildschirmfoto von Weka 3.5.5.
Ein Bildschirmfoto von Weka.
Basisdaten
Entwickler University of Waikato
Aktuelle Version 3.6.6
(30. Oktober 2011)
Betriebssystem Plattformunabhängig
Programmier­sprache Java
Kategorie Maschinelles Lernen
Lizenz GPL, proprietär
Deutschsprachig nein
http://www.cs.waikato.ac.nz/ml/weka/

Weka (Waikato Environment for Knowledge Analysis) ist ein Softwaretool, das verschiedene Techniken aus den Bereichen Maschinelles Lernen und Data-Mining bereitstellt. Es wurde an der University of Waikato entwickelt und ist in Java geschrieben. Es handelt sich um eine frei verfügbare Software, die unter der GNU General Public License steht.

Die Software ist integraler Bestandteil des Buches "Data Mining: Practical Machine Learning Tools and Techniques" von Ian H. Witten, Eibe Frank und Mark A. Hall[1], des englischsprachigen Standardwerkes[2] zum Thema Maschinelles Lernen. Die Software wurde von der Association for Computing Machinery 2005 mit dem "SIGKDD Service Award" ausgezeichnet[3] für den hohen Beitrag zur Forschung unter anderem durch Bereitstellung der Quelltexte als OpenSource.[4]

Weka ist bekannt für seine Vielzahl von Klassifikatoren wie Bayes-Klassifikatoren, künstliche neuronale Netze, Support-Vector-Maschinen, Entscheidungsbäume, ID3-, C4.5- aber auch Meta-Klassifikatoren, Boosting und Ensembles. In anderen Data-Mining-Bereichen wie der Clusteranalyse werden nur die grundlegendsten Verfahren wie der k-Means-Algorithmus und der EM-Algorithmus angeboten.

Beschreibung[Bearbeiten]

Die Workbench von WEKA untergliedert sich in folgende Bereiche:

Siehe auch[Bearbeiten]

  • ELKI - komplementäre Software mit Schwerpunkt Clusteranalyseverfahren, Ausreißererkennung und Indexstrukturen
  • KNIME (Konstanz Information Miner) Projekt der Universität Konstanz zur interaktiven Datenanalyse in Eclipse.
  • RapidMiner - kann Weka-Algorithmen verwenden.

Einzelnachweise[Bearbeiten]

  1.  Ian H. Witten, Eibe Frank und Mark A. Hall: Data Mining: Practical Machine Learning Tools and Techniques. 3 Auflage. Morgan Kaufmann, Burlington, MA 2011, ISBN 9780123748560 (http://www.cs.waikato.ac.nz/~ml/weka/book.html).
  2. Amazon.com Bestseller "Data Mining". amazon.com, abgerufen am 15. April 2011 (html, englisch, Platz 1 am 15. April 2011).
  3. SIGKDD Service Awards. Association for Computing Machinery, abgerufen am 15. April 2011 (html, englisch).
  4. KDNuggets News 2005-13. KDnuggets, abgerufen am 15. April 2011 (html, englisch).