সবার আগে আমি আপনাকে বলি যে আমার মতে এখন পর্যন্ত সবার সেরা হাতিয়ারটি আর, যা এখানে প্রচুর গ্রন্থাগার এবং ইউটিলিটি রয়েছে যা আমি এখানে গণনা করতে যাচ্ছি না।
আমাকে ওয়েকা সম্পর্কে আলোচনা প্রসারিত করুন
আর এর জন্য একটি লাইব্রেরি রয়েছে, যাকে বলা হয় আরউইকা, যা আপনি সহজেই আর এ ইনস্টল করতে পারেন এবং এই দুর্দান্ত প্রোগ্রামটি থেকে আর এর মধ্যে অনেকগুলি কার্যকারিতা ব্যবহার করতে পারেন, আমি আপনাকে একটি সাধারণ সিদ্ধান্ত গাছ করার জন্য একটি কোড উদাহরণ দেই এই প্যাকেজটির সাথে উপস্থিত একটি স্ট্যান্ডার্ড ডাটাবেস থেকে পড়ুন (ফলস্বরূপ গাছ আঁকানো খুব সহজ তবে আমি কীভাবে এটি করতে পারি সে সম্পর্কে গবেষণাও আপনাকে করতে যাচ্ছি, যা আরউইকা ডকুমেন্টেশনে রয়েছে:
library(RWeka)
iris <- read.arff(system.file("arff", "iris.arff", package = "RWeka"))
classifier <- IBk(class ~., data = iris)
summary(classifier)
এটি করার জন্য বেশ কয়েকটি অজগর গ্রন্থাগার রয়েছে (অজগরটি শিখতে খুব সহজ)
প্রথমে আপনি যে প্যাকেজগুলি ব্যবহার করতে পারেন তা গণনা করতে দাও, আমি সেগুলি সম্পর্কে বিশদভাবে যাচ্ছি না; ওয়েকা (হ্যাঁ, অজগরটির জন্য আপনার কাছে একটি গ্রন্থাগার রয়েছে), এনএলকেটি (ডেটামিনিংয়ের পাশাপাশি পাঠ্য মেশিনিংয়ের জন্য সর্বাধিক বিখ্যাত ওপেন সোর্স প্যাকেজ), স্ট্যাটপি , সিগেটস এবং স্কিপি।
কমলাতেও রয়েছে যা দুর্দান্ত later
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
কিছু অন্যান্য প্যাকেজ ব্যবহার করে আমি আকর্ষণীয় বলে মনে করেছি found
কমলা : নবী এবং বিশেষজ্ঞদের জন্য ডেটা ভিজ্যুয়ালাইজেশন এবং বিশ্লেষণ। ভিজ্যুয়াল প্রোগ্রামিং বা পাইথন স্ক্রিপ্টিংয়ের মাধ্যমে ডেটা মাইনিং। মেশিন শেখার জন্য উপাদান। বায়োইনফরম্যাটিকস এবং পাঠ্য খনির জন্য এক্সটেনশন। (আমি ব্যক্তিগতভাবে এটির পুনঃসংশোধন করি, অজগরটিতে এটি সংহত করার জন্য আমি এটি প্রচুর পরিমাণে ব্যবহার করেছি এবং এটি দুর্দান্ত ছিল) আপনি যদি চান তবে আমি আপনাকে কিছু পাইথন কোড পাঠাতে পারি।
ROSETTA : রুট সেট তত্ত্বের কাঠামোর মধ্যে সারণী তথ্য বিশ্লেষণের জন্য টুলকিট। রোসেটটা সামগ্রিক ডেটা মাইনিং এবং জ্ঞান আবিষ্কারের প্রক্রিয়াটিকে সমর্থন করার জন্য ডিজাইন করা হয়েছে: প্রাথমিক ব্রাউজিং এবং ডেটা প্রিপ্রোসেসিং থেকে শুরু করে ন্যূনতম বৈশিষ্ট্য সেটগুলির গণনা এবং প্রযোজনীয় নিয়ম বা নিদর্শনগুলির বৈধতা এবং বিশ্লেষণে । (এটি আমি খুব ব্যবহার করে উপভোগ করেছি)
কেইএল : রিগ্রেশন, শ্রেণিবিন্যাস, ক্লাস্টারিং, প্যাটার্ন মাইনিং সহ ডেটা মাইনিং সমস্যার জন্য বিবর্তনীয় অ্যালগরিদমগুলি মূল্যায়ন করুন। এটি আমাদের তুলনামূলকভাবে স্ট্যাটিস্টিকাল টেস্ট মডিউল সহ বিদ্যমান বিদ্যমানগুলির সাথে তুলনা করে যে কোনও শিক্ষণ মডেলের সম্পূর্ণ বিশ্লেষণ করতে সহায়তা করে।
ডেটাপ্লট : বৈজ্ঞানিক দৃশ্যায়ন, পরিসংখ্যান বিশ্লেষণ এবং অ-লিনিয়ার মডেলিংয়ের জন্য। লক্ষ্য ডেটাপ্লট ব্যবহারকারী হলেন গবেষক এবং বিশ্লেষক যা বৈজ্ঞানিক ও প্রকৌশল প্রক্রিয়াগুলির বৈশিষ্ট্য, মডেলিং, দৃশ্যায়ন, বিশ্লেষণ, পর্যবেক্ষণ এবং অপ্টিমাইজেশনে নিযুক্ত হন।
ওপেনস্ট্যাটস : একটি পরিসংখ্যান এবং পরিমাপ প্রাইমার, বর্ণনামূলক পরিসংখ্যান, সরল তুলনা, বৈকল্পিক বিশ্লেষণ, সংশোধন, একাধিক রিগ্রেশন, বিঘ্নিত সময় সিরিজ, মাল্টিভারিয়েট পরিসংখ্যান, নন-প্যারাম্যাট্রিক পরিসংখ্যান, পরিমাপ, পরিসংখ্যান প্রক্রিয়া নিয়ন্ত্রণ, আর্থিক পদ্ধতি, স্নায়ুতাল নেটওয়ার্ক, সিমুলেশন অন্তর্ভুক্ত