Tőkesúly (Knowledge Extraction based on Evolutionary Learning) egy Java-alapú szoftvereszköz, amely evolúciós algoritmusok megvalósítására specializálódott. Mivel ez egy nyílt forráskódú, sokféle tudásfeltáró algoritmust kínál, amelyek felhasználhatók az adatbányászati és elemzési közösséget vezérlő kísérletekben. Egyszerű és könnyen használható grafikus felhasználói felületet biztosít, amely jelentősen csökkenti az eszköz összetettségét. A legtöbb hasonló piacon lévő eszköz megköveteli a felhasználóktól, hogy a kód írásával interakcióba lépjenek velük, míg a Keel megszünteti ezt a követelményt egy intuitív grafikus felhasználói felület biztosításával, amelyet kezdők és szakértők egyaránt használhatnak.
A Keel különféle számítási intelligencia alapú algoritmusok széles választékát kínálja, beleértve az osztályozást, a regressziót, a jellemzők kinyerését, a mintaelemzést, a klaszterezést és még sok mást. Mivel a mainstream modellek közvetlenül az alkalmazásba vannak beépítve, a Keel nagyon hasznos eszköz a nyers adatkészleteken végzett feltáró adatelemzések elvégzéséhez. Egyszerű fogd és vidd felülete a funkcionalitás egyszerű kihasználásával párosítva gyors és hatékony adatbányászati kísérletezést tesz lehetővé oktatási és kutatási célokra egyaránt. Az olyan eszközök, mint a Keel, egyre népszerűbbek, mivel leegyszerűsítik az egyébként összetett algoritmikus gyakorlatokat.
Telepítés
A telepítésnek két fő módja van Tőkesúly bármelyik linuxos gépen. Az első azt jelenti, hogy a Keel weboldal és onnan töltse le a szoftvert. A második, amelyet ebben a telepítési útmutatóban követünk, megköveteli, hogy letöltsük a Keel-t a wget letölthető eszköz Linux felhasználók számára.
1. Kezdjük azzal, hogy megszerezzük wget Linuxos gépünkön.
Futtassa a következő parancsot a wget letöltéséhez a alkalmas csomagkezelő:
$ sudo apt-get install wget
Hasonló terminálkimenetet fog látni:
2. Most, hogy megvan a wget eszközt telepítettük Linuxos gépünkre, ezzel töltjük le a Tőkesúly eszköz.
Ez a link hogy átadjuk a wgetnek.
Futtassa a következő parancsot a terminálon:
$ wget http: // sci2s.ugr.es / tőkesúly / szoftver / prototípusok / openVersion / Szoftver- 2018 -04-09.zip
Hasonló kimenetet kell látnia a terminálon:
Miután a Keel befejezte a letöltést, folytathatjuk a telepítés hátralévő részével.
3. Most kibontjuk az előző lépésben letöltött tömörített fájlt a Linux Unzip eszközzel.
Futtassa a következő parancsot:
$ csomagolja ki Szoftver- 2018 -04-09.zip
Hasonló kimenetet kell látnia a terminálban:
4. Navigáljon a Keel mappába a következő parancs futtatásával:
$ CD Szoftver- 2018 -04-09 / dokumentumokat / kísérletek / TŐKESÚLY / ker /
5. Futtassa a következő parancsot a telepítés megkezdéséhez:
$ Jáva -befőttes üveg . / GraphInterKeel.jar
Ezzel a Keelnek elérhetőnek kell lennie a Linux gépen.
Használati útmutató
Interakcióban a Tőkesúly alkalmazása nagyon egyszerű és egyszerű. Kezdjük az importálással Iris adatkészlet a munkaterületünkre.
Az adatok importálása közben az eszköz megmutatja az adatkészletben lévő adatpont általános klaszterezését. Megmutatja továbbá az adatkészletben található különböző osztályokat, valamint az alapvető információkat, például a számszerű tartományokat, amelyeken ezek az adatpontok felölelik, valamint a teljes variancia- és átlagértékeket. Ez az információ lehetővé teszi a felhasználók számára, hogy jobban megértsék, hogyan kell folytatni az adatok előkészítését bármilyen adatelemzési feladathoz.
Ha tovább haladunk a kísérletezésben, találkozunk azokkal a különböző technikákkal, amelyekkel bármilyen adathalmazon létrehozhatjuk kísérletünket. Az adatainkon felhasználható különböző tanulási algoritmusok a következő képen láthatók. Az adathalmaz jellegétől és a kísérlet követelményeitől függően különböző algoritmusokkal lehet kísérletezni.
Ha például címkézetlen adatokkal dolgozik, és hasonlóságokat kell találnia az adathalmaz különböző adatpontjai között, a rendelkezésre álló különféle lehetőségek közül egy klaszterezési algoritmus segítségével jobban megértheti az adatpontokat. Ez végül segít az adatpontok címkézésében és osztályozásában, hogy a kísérletet átfogóbb felügyelt tanulási algoritmusok használatával lehessen építeni.
Következtetés
Az Tőkesúly Az adatelemzési platform jó forrás kutatási és oktatási célokra egyaránt. Könnyen használható grafikus felhasználói felülete segíti a felhasználókat az adatokkal szemben támasztott követelmények jobb megértésében, valamint logikai hivatkozásokat ad hasznos technikákra és algoritmusokra, amelyek tovább segítik a felhasználókat munkafolyamataikban. A különböző kategóriákba tartozó algoritmusok és algoritmustechnikák széles skálája lehetővé teszi a felhasználók számára, hogy számos logikai irányvonallal kísérletezzenek, és összehasonlítsák ezeket az eredményeket, így minden problémára a legoptimálisabb megoldás érhető el.
A Keel kódmentes drag and drop megközelítése az adatbányászatban még a kezdőknek is segít abban, hogy könnyedén dolgozzanak átfogó számítási intelligencia modellekkel. Ez betekintést nyújt összetett adatkészletekbe, és ebből következően hasznos következtetéseket von le, amelyek segítenek megoldani a valós világ problémáit.