Wekaデータマイニングとは？機械学習アルゴリズムの特徴と活用方法を解説

Weka（ウィーカ）は、データマイニングのための機械学習アルゴリズムを集めたソフトウェア群です。ニュージーランドのワイカト大学で開発されたオープンソースツールで、Javaで実装されているため、付属のGUIから直接データセットに適用できるだけでなく、独自のJavaプログラムに組み込んで利用することも可能です。

Wekaには、データの前処理、分類、回帰、クラスタリング、相関ルール（アソシエーションルール）の抽出、可視化といった、データ分析に必要なツールが一通り揃っています。さらに、新しい機械学習スキーム（手法）を開発するためのプラットフォームとしても活用できます。

Wekaの3つの活用方法

Wekaの主な使い方は、大きく分けて以下の3つです。

1. データセットへの学習と出力の分析

データセットに学習手法を適用し、その出力結果を分析することで、データに含まれる傾向やパターンを深く理解する方法です。探索的なデータ分析に役立ちます。

2. 学習済みモデルによる予測

すでに学習済みのモデルを使って、新しいデータ（インスタンス）に対する予測を行う方法です。分類や回帰タスクで広く利用されています。

3. 複数の学習器の比較と選択

複数の学習アルゴリズムを同じデータに適用し、性能を比較することで、予測に最適なモデルを選択する方法です。

Wekaのインタラクティブなインターフェースでは、メニューから必要な学習方法を選択できます。多くの手法は調整可能なパラメータを持っており、プロパティシートやオブジェクトエディタから設定できます。また、すべての分類器の性能評価には共通の計算構造が用いられているため、公平な比較が可能です。

フィルタリングと属性選択機能

Wekaでは、さまざまなフィルタを使ってデータを前処理できます。利用可能なフィルタリングアルゴリズムの一覧表示や、それぞれのパラメータの確認も容易です。

さらにWekaには、相関ルールを学習するためのアルゴリズム、クラス値が指定されていないデータに対するクラスタリング、データの中から関連性の高い属性を選択する機能なども実装されています。

Explorerインターフェース：最も手軽な使い方

Wekaを最も簡単に利用する方法は、「Explorer（エクスプローラ）」と呼ばれるグラフィカルユーザーインターフェースです。メニュー選択とフォーム入力によって、主要な機能にアクセスできます。

たとえば、ARFF形式のファイル（またはスプレッドシート）からデータセットを素早く読み込み、そこから決定木を構築するといった操作が直感的に行えます。

Explorerは、選択肢をメニューとして提示したり、適切な状態になるまでグレーアウトして作業の順序を導いたり、オプションを記入式のフォームとして表示することで、ユーザーを適切な作業フローへ案内してくれます。マウスを画面上の要素に重ねるとツールチップがポップアップ表示されるため、各要素の役割も理解しやすくなっています。賢いデフォルト値が設定されているため、最小限の手間で結果を得られますが、その結果が何を意味するのかを正しく解釈するには、利用者自身の考察が欠かせません。

Knowledge Flowインターフェース：大規模データへの対応

Explorerインターフェースには、データセットを開く際にすべてをメインメモリへ読み込んでしまうという制約があります。そのため、Explorerは小規模〜中規模の問題に適しています。

一方、Wekaには巨大なデータセットを扱えるインクリメンタル（逐次学習型）アルゴリズムも含まれており、「Knowledge Flow（ナレッジフロー）」インターフェースを使えば、これらを最大限に活用できます。

Knowledge Flowでは、学習アルゴリズムやデータソースを定義したボックスを画面上にドラッグ＆ドロップし、それらを接続して目的の構成を組み立てることができます。データソース、前処理ツール、学習アルゴリズム、評価手法、可視化モジュールを定義するコンポーネント同士をつなぐことで、データストリームを柔軟に設計できます。使用するフィルタや学習アルゴリズムがインクリメンタル学習に対応していれば、データは少しずつ読み込まれながら逐次的に処理されるため、メモリに収まらない大規模データでも効率的に分析が可能です。