
WEKA
بيئة مجانية مفتوحة المصدر (Java) لتعلم الآلة وتنقيب البيانات، تضم مئات الخوارزميات وواجهات Explorer وExperimenter وKnowledge Flow.
آخر تحقق من المعلومات:

WEKA (Waikato Environment for Knowledge Analysis) بيئة مفتوحة المصدر بلغة Java طورتها جامعة وايكاتو في نيوزيلندا، وهي من أقدم أدوات تعلم الآلة استخداماً في التعليم والبحث. تقدم واجهة Explorer لتجربة الخوارزميات بسرعة، وExperimenter لمقارنة الخوارزميات إحصائياً، وKnowledge Flow لبناء سير عمل بصري.
بطاقة الأداة
| الاسم | WEKA |
|---|---|
| المجال | التعليم والبحث الأكاديمي في تعلم الآلة وتنقيب البيانات |
| الجهة المطورة | جامعة وايكاتو University of Waikato، نيوزيلندا |
| آخر إصدار تحققنا منه | الإصدار المستقر 3.8 (ملفات 3.8.7) والإصدار التطويري 3.9 (ملفات 3.9.7) |
| أنظمة التشغيل | Windows (Intel وARM)، macOS (Intel وARM)، Linux (Intel وARM)، أي نظام فيه Java عبر ملف zip |
| الترخيص | مجانية بالكامل |
| مفتوحة المصدر؟ | مفتوحة المصدر |
| تفاصيل الترخيص والتسعير | برنامج حر بترخيص GNU GPL v3. مجاني بالكامل. |
| المتطلبات التقنية | المثبّتات الرسمية تتضمن آلة Java (Bellsoft OpenJDK)؛ نسخة zip تتطلب Java مثبتة. البيانات تُحمّل في الذاكرة، فزد ذاكرة Java للملفات الكبيرة. |
| مستوى الصعوبة | متوسط |
أنواع المشكلات
- التصنيف
- الانحدار
- التجميع
- قواعد الارتباط
- اختيار الخصائص
- مقارنة الخوارزميات إحصائياً
الخوارزميات المدعومة واسم العقدة
- J48 (تنفيذ C4.5 لشجرة القرار)
- RandomForest
- IBk (KNN)
- SMO (SVM)
- Logistic
- NaiveBayes
- MultilayerPerceptron
- LinearRegression
- M5P
- SimpleKMeans
- HierarchicalClusterer
- EM
- Apriori وFPGrowth
أنواع البيانات
- ARFF (التنسيق الأصلي)
- CSV
- قواعد بيانات عبر JDBC
الاستيراد والتصدير
يفتح ARFF وCSV ويحفظ ARFF وCSV من Preprocess، ويحفظ النماذج من قائمة نتائج Classify (Save model)، ويحفظ النتائج نصاً.
الدليل التعليمي
Explorer
الواجهة الأساسية، فيها تبويبات Preprocess وClassify وCluster وAssociate وSelect attributes وVisualize. ابدأ بفتح ملف من Preprocess ‹ Open file.
Preprocess
يعرض الخصائص وإحصاءاتها، ويطبق المرشحات Filters مثل: unsupervised.attribute.ReplaceMissingValues للتعويض، Normalize وStandardize للتطبيع، Discretize للتقطيع، unsupervised.instance.RemoveDuplicates لحذف التكرار، Remove لحذف أعمدة.
Classify
- اختر المصنف من Choose (مثل trees.J48).
- اختر طريقة الاختبار: Cross-validation بعشر طيات غالباً، أو Percentage split.
- تأكد من اختيار عمود الفئة الصحيح في القائمة المنسدلة.
- اضغط Start واقرأ النتائج: Correctly Classified Instances وKappa ومقاييس كل فئة وConfusion Matrix.
Cluster
خوارزميات SimpleKMeans وEM وHierarchicalClusterer وغيرها. خيار Classes to clusters evaluation يقارن التجميع بالفئات الحقيقية إن وجدت.
Associate
استخراج قواعد الارتباط بخوارزمية Apriori أو FPGrowth، مع تحديد أدنى دعم lowerBoundMinSupport وأدنى ثقة minMetric. يتطلب خصائص فئوية (nominal).
Select Attributes
اختيار الخصائص بمقيِّم وطريقة بحث: مثلاً CfsSubsetEval مع BestFirst، أو InfoGainAttributeEval مع Ranker لترتيب الخصائص حسب أهميتها.
Visualize
مصفوفة رسوم انتشار لكل أزواج الخصائص ملونة بالفئة، مع تكبير أي رسم.
تقييم النماذج
يعرض WEKA الدقة وKappa وMAE وRMSE ومقاييس TP Rate وFP Rate وPrecision وRecall وF-Measure وROC Area لكل فئة، ومصفوفة الالتباس. استخدم دائماً Cross-validation للبيانات الصغيرة.
مقارنة الخوارزميات
واجهة Experimenter تشغل عدة خوارزميات على عدة مجموعات بيانات بتكرارات متعددة، ثم تختبر الفروق إحصائياً (Paired T-Tester corrected) لتعرف هل الفرق بين نموذجين حقيقي أم ناتج عن الصدفة.
