Prima di tutto, lascia che ti dica che secondo me lo strumento migliore di tutti è di gran lunga R, che ha tonnellate di librerie e utilità che non ho intenzione di elencare qui.
Vorrei espandere la discussione su Weka
C'è una libreria per R, che si chiama RWeka, che puoi facilmente installare in R, e usare molte delle funzionalità di questo fantastico programma insieme a quelle in R, lascia che ti dia un esempio di codice per fare un semplice albero decisionale leggere da un database standard fornito con questo pacchetto (è anche molto facile disegnare l'albero risultante, ma ho intenzione di lasciarti fare le ricerche su come farlo, che è nella documentazione di RWeka:
library(RWeka)
iris <- read.arff(system.file("arff", "iris.arff", package = "RWeka"))
classifier <- IBk(class ~., data = iris)
summary(classifier)
Ci sono anche diverse librerie di Python per farlo (python è molto molto facile da imparare)
Prima di tutto fammi elencare i pacchetti che puoi usare, non ho intenzione di approfondirli; Weka (sì, hai una libreria per Python), NLKT (il pacchetto open source più famoso per il textmining oltre al datamining), statPy , sickits e scipy.
C'è anche l'arancione che è eccellente (ne parlerò anche più avanti), ecco un esempio di codice per fare un albero dai dati nella tabella cmpart1, che esegue anche una convalida di 10 volte, puoi anche rappresentare graficamente l'albero
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
Per finire con alcuni altri pacchetti che ho usato e trovato interessanti
Arancione : visualizzazione e analisi dei dati per principianti ed esperti. Data mining tramite programmazione visiva o script Python. Componenti per l'apprendimento automatico. Estensioni per bioinformatica e text mining. (Lo consiglio personalmente, l'ho usato molto integrandolo in Python ed era eccellente) Posso inviarti del codice Python se vuoi che lo faccia.
ROSETTA : toolkit per l'analisi dei dati tabulari nell'ambito della teoria degli insiemi approssimativi. ROSETTA è progettato per supportare l'intero processo di data mining e di scoperta delle conoscenze: dalla navigazione iniziale e preelaborazione dei dati, attraverso il calcolo di insiemi di attributi minimi e la generazione di regole if-then o modelli descrittivi, alla convalida e all'analisi delle regole o dei modelli indotti (Anche questo mi è piaciuto molto)
KEEL : valuta gli algoritmi evolutivi per i problemi di data mining tra cui regressione, classificazione, clustering, pattern mining e così via. Ci consente di eseguire un'analisi completa di qualsiasi modello di apprendimento rispetto a quelli esistenti, incluso un modulo di test statistico per il confronto.
DataPlot : per visualizzazione scientifica, analisi statistica e modellistica non lineare. L'utente di Dataplot target è il ricercatore e l'analista impegnato nella caratterizzazione, modellizzazione, visualizzazione, analisi, monitoraggio e ottimizzazione dei processi scientifici e ingegneristici.
Openstats : include un primer per statistiche e misurazioni, statistiche descrittive, confronti semplici, analisi di varianza, correlazione, regressione multipla, serie temporali interrotte, statistiche multivariate, statistiche non parametriche, misurazione, controllo di processo statistico, procedure finanziarie, reti neurali, simulazione