DataLearner - Data Mining Soft

DataLearner是一个易于使用的工具，可用于从您自己兼容的ARFF和CSV格式的训练数据集中进行数据挖掘和知识发现。它是完全独立的，不需要外部存储或网络连接-它可以直接在手机或平板电脑上构建模型。

>> ARFF和CSV支持<<

训练数据集必须为CSV（逗号分隔的变量）或Weka ARFF格式。

CSV文件必须具有以下功能：

*包含标题行

*类属性最初设置为最后一列

>>将类别属性强制为标称<<

DataLearner的大多数算法都希望使用标称/分类类属性，而使用数字类属性将导致大多数算法失败。新的“标称值的力类属性”功能克服了此问题，但是，标称类属性的不同值太多，可能会占用过多的RAM。

DataLearner具有来自开源Weka（Waikato知识分析环境）软件包的分类，关联和聚类算法，以及查尔斯斯特大学（Charles Sturt University）数据科学研究部门（DSRU）开发的新算法。该应用程序结合在一起提供了42种机器学习/数据挖掘算法，包括RandomForest，C4.5（J48）和NaiveBayes。

DataLearner不会收集任何信息-它仅需要访问设备存储即可加载数据集并建立机器学习模型。

* DataLearner在 ITC573数据和知识工程主题中被用作教学工具查尔斯斯特大学（Charles Sturt University）信息技术硕士学位。

* DataLearner研究在ADMA 2019（第15届高级数据挖掘和应用国际会议）上发表，并发表在``人工智能讲义''（Springer）中

获取资源：

Github上GPL3许可的源代码： https://github.com/darrenyatesau/DataLearner

YouTube上的快速视频： https://youtu.be/H-7pETJZf-g

关于arXiv的研究论文： https://arxiv.org/abs/1906.03773

发起DataLearner的AusDM 2018会议论文： https://www.researchgate.net/publication/331126867

研究人员，如果您在研究应用程序中使用此应用程序，请引用上面的研究论文。谢谢。

机器学习算法包括：

•贝叶斯– BayesNet，NaiveBayes

•功能–物流，SimpleLogistic，多层感知器（神经网络）

•懒惰-IBk（K最近的邻居），KStar

•元– AdaBoostM1，Bagging，LogitBoost，MultiBoostAB，随机委员会，RandomSubSpace，RotationForest

•规则–联合规则，决策表，DTNB，JRip，OneR，PART，Ridor，ZeroR

•树– ADTree，BFTree，DecisionStump，ForestPA，J48（C4.5），LADTree，随机森林，RandomTree，REPTree，SimpleCART，SPAARC和SysFor。

•群集器– DBSCAN，期望最大化（EM），最远优先，FilteredClusterer，SimpleKMeans

•关联– Apriori，FilteredAssociator，FPGrowth

免责声明：本软件按“原样”提供-经过测试，并不暗示或给予任何保证。需要您自担风险使用它。您下载该软件表明您同意这些条款。