ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NINH HOÀI ANH

NGHIÊN CỨU VÀ XÂY DỰNG ỨNG DỤNG
PHÂN TÍCH DỮ LIỆU KINH DOANH THIẾT BỊ ĐIỆN TỬ

Ngành: Công nghệ thông tin
Chuyên ngành: Kỹ thuật phần mềm
Mã số: 60480103

LUẬN VĂN THẠC SĨ NGÀNH CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TS. Nguyễn Hải Châu

Hà Nội - 2017


2
MỤC LỤC
Lời cam đoan ............................................................................................ 3
Danh mục các ký hiệu và chữ viết tắt ....................................................... 4
Danh mục các hình vẽ và đồ thị ............................................................... 5
Danh mục các bảng .................................................................................. 6
MỞ ĐẦU .................................................................................................. 7
CHƯƠNG 1. ĐẶT VẤN ĐỀ ................................................................... 10
1.1. Bài toán phân tích dữ liệu .............................................................. 10
1.2. Lựa chọn miền ứng dụng .............................................................. 11
1.3. Phương pháp và công cụ ............................................................... 11
1.3.1. Lựa chọn phương pháp .......................................................... 11

thế giới. Các tài liệu tham khảo đều được nêu ở phần cuối của luận văn. Luận
văn này không sao chép nguyên bản từ bất kì một nguồn tài liệu nào khác.
Nếu có gì sai sót, tôi xin chịu mọi trách nhiệm.
Học viên

Ninh Hoài Anh


4
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
TT

Ký hiệu

Tiếng Anh

Giải thích theo tiếng Việt

01

ARFF

Attribute - relation file
format

02

CDA

Confirmatory data analysis Phân tích dữ liệu khẳng định


Tổng bình phương hồi quy

07

HTML

Hypertext markup
language

Ngôn ngữ đánh dấu siêu văn bản

08

OLS

Ordinarry least square

Phương pháp bình phương tối
thiểu

09

PRF

Popolartion regression
function

Hàm hồi quy tổng thể


Hình 2.3. Một số hình ảnh về giao diện đồ họa người sử dụng của WEKA
Hình 2.4. Các bước xây dựng một mô hình hồi quy tuyến tính với WEKA
Hình 2.5. Lựa chọn thuộc tính được dự đoán
Hình 3.1. Các thực nghiệm xây dựng mô hình hồi quy tuyến tính để dự báo
Hình 3.2. Mô hình DOM của tập tin HTML đơn giản
Hình 3.3. Quá trình khai thác thông tin từng sản phẩm
Hình 3.4. Quá trình tiền xử lý dữ liệu giai đoạn 1
Hình 3.5. Loại bỏ các bản ghi giống nhau của tập tin dữ liệu
Hình 3.6. Xử lý giá trị thiếu trong tập dữ liệu
Hình 3.7. Thiết lập bổ sung thông tin dữ liệu đầu ra
Hình 3.8. Mô hình hóa sai số của mô hình
Hình 3.9. Tập tin dữ liệu kết quả


6
DANH MỤC CÁC BẢNG
Bảng 2.1. Số liệu theo dõi dữ liệu bán hàng
Bảng 3.1. Danh sách thuộc tính của tập dữ liệu thu thập
Bảng 3.2. Danh sách các thuộc tính đã tiền xử lý
Bảng 3.3. Kết quả kiểm thử mô hình
Bảng 3.4. Kết quả thêm biến độc lập vào mô hình


7
MỞ ĐẦU
Ngày nay, gắn liền với sự phát triển của Internet, mạng xã hội và các thiết
bị di động là sự gia tăng dữ liệu không ngừng trên toàn cầu. Dữ liệu được sinh ra
từng phút, từng giây, có ở khắp mọi nơi và chúng có thể chỉ cho ta thấy nhiều
điều. Tuy nhiên, làm thế nào để dữ liệu trở nên có ý nghĩa lại trở thành một vấn
đề không nhỏ đối với những cá nhân, tổ chức sở hữu những khối dữ liệu này.

sở các nghiên cứu đã có, luận văn tập trung vào các mục tiêu và các vấn đề cần
giải quyết sau:
Mục tiêu và phạm vi nghiên cứu:
Luận văn tập trung nghiên cứu về mô hình hồi quy tuyến tính, phương
pháp sử dụng mô hình hồi quy tuyến tính trong phân tích dữ liệu, tìm hiểu công
cụ hỗ trợ phân tích dữ liệu Weka.
Mục tiêu chính của luận văn là dựa trên công cụ WEKA xây dựng được
mô hình hồi quy tuyến tính dự đoán giá của mặt hàng máy tính xách tay trên thị
trường Việt Nam thông qua việc phân tích dữ liệu bán hàng của Công ty cổ phần
thương mại Nguyễn Kim. Từ đó, hỗ trợ các doanh nghiệp, nhà phân phối máy
tính xách tay đưa giá bán cạnh tranh nhất trên thị trường. Bên cạnh đó, cũng
giúp người tiêu dùng ước lượng chi phí để mua một chiếc máy tính xách tay phù
hợp với nhu cầu của bản thân.
Phương pháp nghiên cứu:
Trong phạm vi luận văn này, tôi đã sử dụng 03 phương pháp nghiên cứu
khoa học để tiếp cận và làm rõ những vấn đề của đề tài mà mình đã lựa chọn.
Đó là các phương pháp nghiên cứu sau:
- Phương pháp phân tích và tổng hợp lý thuyết: Nghiên cứu các tài liệu
khác nhau về mô hình hồi quy tuyến tính, phân tích dữ liệu và công cụ WEKA;
phân tích để tìm hiểu sâu sắc đối với mỗi vấn đề và tổng hợp để có cái nhìn tổng
quan, đầy đủ về các vấn đề cần tìm hiểu.
- Phương pháp thực nghiệm khoa học: Chủ động tiến hành thu thập, xử
lý dữ liệu bán máy tính xách tay; sử dụng công cụ WEKA xây dựng mô hình hồi
quy tuyến tính để dự báo giá.
- Phương pháp phân tích, tổng kết kinh nghiệm: Nghiên cứu, phân tích
và đánh giá các mô hình đã xây dựng để từng bước xây dựng mô hình phù hợp
nhất với độ tin cậy, chính xác cao hơn.
Bố cục của luận văn:
Luận văn được trình bày với bố cục gồm 04 chương với những nội dung
chính như sau:

hữu ích từ tập dữ liệu được cung cấp. Các bước cơ bản của quá trình phân tích
dữ liệu bao gồm: Kiểm định (Inspecting), làm sạch (Cleaning), chuyển đổi
(Transforming), mô hình hóa (Modeling) và phân tích (Analysing) dữ liệu nhằm
mục đích tìm kiếm thông tin, cho thấy kết luận, hỗ trợ đưa ra quyết định.

Kiểm định

Làm sạch

Chuyển đổi

Mô hình hóa

Phân tích

Hình 1.1. Các bước của quá trình phân tích dữ liệu
Trước khi có máy tính, nhiều phương pháp phân tích cho tập dữ liệu nhỏ
đã phát triển và tập trung phân tích từng biến riêng lẻ. Ngày nay, khi khả năng
tính toán của máy tính đã phát triển vượt bậc, phân tích dữ liệu đã phân tích
đồng thời quan hệ của nhiều biến.
Phân tích dữ liệu được chia thành phân tích dữ liệu thăm dò EDA và phân
tích dữ liệu khẳng định CDA. Phân tích dữ liệu thăm dò dùng dữ liệu để xác
định mối quan hệ giữa các biến độc lập với biến phụ thuộc hay xác định các biến
được đưa vào mô hình. Phân tích dữ liệu khẳng định sử dụng dữ liệu để khẳng
định giả thiết là đúng hoặc sai. Hai phương pháp này không tách rời nhau mà
luôn đi cùng nhau để tìm ra những thông tin hữu ích từ tập dữ liệu đã có. Trước
hết, chúng ta sử dụng phương pháp EDA để xây dựng mô hình phù hợp từ tập


11

Phân tích dữ liệu khẳng định là lựa chọn không thể bỏ qua để hỗ trợ đưa
ra quyết định kinh doanh sáng suốt. Một mô hình dữ liệu được xây dựng dựa
trên tập dữ liệu lịch sử. Những thuật toán học máy được sử dụng để xây dựng


12
mô hình dữ liệu ẩn giấu trong tập dữ liệu này. Sau khi mô hình dữ liệu được xác
nhận, nó được coi là tổng quát hóa kiến thức và có thể dự đoán tương lai. Bằng
cách này, các doanh nghiệp có thể dự đoán các nguy cơ tiềm ẩn trong tương lai
để hoạch định chiến lược kinh doanh phù hợp.
Thống kê cung cấp các phương pháp, kỹ thuật xây dựng mô hình toán
học để phân tích dữ liệu. Hai phương pháp thống kê chính được sử dụng
trong phân tích dữ liệu là: Thống kê mô tả (Descriptive statistics) và thống kê
suy diễn (Inferential statistics). Dữ liệu thống kê thường được thu thập để trả
lời các câu hỏi được định trước. Thống kê mô tả tóm tắt dữ liệu từ một mẫu
thí nghiệm còn thống kê suy diễn rút ra kết luận từ dữ liệu. Ngày nay, với sự
phát triển không ngừng về khả năng tính toán của máy tính, thống kê được sử
dụng nhiều trong học máy (Machine learning) nhằm xây dựng các mô hình
toán cho các thuật toán học máy. Thống kê suy diễn được sử dụng nhiều trong
phân tích dữ liệu khẳng định.
Trong khuôn khổ luận văn này, tác giả tập trung nghiên cứu mô hình hồi
quy tuyến tính trong thống kê với mục đích xây dựng mô hình học máy cho bài
toán phân tích dữ liệu để dự đoán tương lai.
1.3.2. Lựa chọn công cụ
Hiện tại, các công cụ hỗ trợ phân tích dữ liệu đã xuất hiện nhiều như R,
SPSS, WEKA,… Tuy nhiên, tác giả lựa chọn và nghiên cứu phần mềm WEKA.
Đây là phần mềm được phát triển bằng Java nhằm phát triển các kỹ thuật học
máy và áp dụng chúng vào các bài toán khai phá dữ liệu trong thực tế.



tác động. Một yếu tố quan trọng là do ngoài các biến độc lập X đã được đưa vào
mô hình có thể còn có các biến khác chưa được xem xét tới cũng ảnh hưởng đến
giá trị của biến phụ thuộc Y nên ε đại diện cho phần ảnh hưởng ấy.
Từ (2.2) ta có:
=>

εi = Yi - f(Xi)
εi  0  Yi - f(Xi)  0

Nếu εi có giá trị càng nhỏ thì biến phụ thuộc Y càng quan hệ mật thiết hay
càng phụ thuộc vào biến độc lập X. Vì vậy, ε đóng vai trò quan trọng trong việc


14
đánh giá chất lượng của mô hình hồi quy. Việc xây dựng mô hình hồi quy tốt
thực chất là xác định hàm hồi quy tổng thể f(X) sao cho sai số ngẫu nhiên ε của
mô hình nhận giá trị nhỏ nhất. Khi đó, ta có thể ước lượng hay dự đoán giá trị
của biến phụ thuộc Y trên cơ sở các giá trị biết trước của biến độc lập X với một
độ tin cậy nhất định.
Trong nhiều trường hợp, ta không có điều kiện để xét toàn bộ tổng thể của
một vấn đề. Khi đó, ta có thể ước lượng giá trị trung bình của biến phụ thuộc từ
tập số liệu mẫu. Thống kê học cung cấp phương pháp điều tra chọn mẫu cho
phép lấy tập số liệu tổng thể một số mẫu số liệu để nghiên cứu, phân tích và đưa
ra kết quả cho tổng thể với độ tin cậy cho trước. Việc xây dựng hàm hồi quy
tổng thể được thực hiện thông qua việc xác định hàm hồi quy mẫu SRF, dùng nó
để ước lượng và kiểm định các giả thiết từ đó xây dựng hàm hồi quy tổng thể.
Hàm hồi quy mẫu được xây dựng dựa trên tập số liệu mẫu.
Mô hình hồi quy được chia làm 02 loại:
- Mô hình hồi quy đơn với hàm hồi quy tổng thể chỉ có 1 biến độc lập
- Mô hình hồi quy bội với hàm hồi quy tổng thể có từ 2 biến độc lập trở lên

được hiểu là với tham số, nó có thể không tuyến tính với biến số.
Như đã trình bày ở phần trước:
- Nếu f(Xi) = E(Y|Xi) = β0 + β1Xi thì mô hình được gọi là mô hình hồi
quy tuyến tính đơn.
- Nếu f(Xi) = E(Y|Xi) = β0 + β1X1i + β2X2i + … + βnXni với n >= 2 thì mô
hình được gọi là mô hình hồi quy tuyến tính bội.
Đối với mô hình hồi quy tuyến tính, hàm hồi quy mẫu có dạng:
𝑌̂𝑖 = 𝛽̂0 + 𝛽̂1 X1i + 𝛽̂2 X2i + … + 𝛽̂𝑛 Xni
Trong đó:
- 𝛽̂𝑖 là ước lượng điểm của βi
- 𝑌̂𝑖 là ước lượng điểm của Yi
Khi đó, sai số ei = Yi - 𝑌̂𝑖. Minh họa bằng hình 2.1.

Hình 2.1. Sai số ei giữa Yi và 𝑌̂𝑖

(2.3)


16
Như vậy, việc xây dựng mô hình hồi quy tuyến tính trở thành việc xác
định các 𝛽̂𝑖 sao cho sai số ei nhỏ nhất tức là 𝑌̂𝑖 càng gần với giá trị Yi càng tốt.
2.1.3. Phương pháp bình phương tối thiểu để ước lượng các tham số
của mô hình hồi quy tuyến tính
Phương pháp bình phương tối thiểu OLS được đưa ra bởi nhà toán học
Carl Friedrich Gauss là phương pháp được sử dụng phổ biến nhất trong thống kê
để xác định các 𝛽̂𝑖 sao cho tổng bình phương các sai số ei giữa giá trị quan sát
Yi với giá trị 𝑌̂𝑖 tính theo hàm hồi quy mẫu là nhỏ nhất. Nội dung phương pháp
cụ thể như sau:
Xét trường hợp, hàm hồi quy tổng thể có dạng:
f(Xi) = E(Y|Xi) = β0 + β1Xi

̂1 )
𝜕f(𝛽
̂1
𝜕𝛽

= 2 ∑𝑛𝑖=1(Yi − 𝛽̂0 − 𝛽̂1 Xi)(−1) = 0
=

2 ∑𝑛𝑖=1(Yi

− 𝛽̂0 − 𝛽̂1 Xi)(−Xi) = 0

Giải hệ phương trình (2.4) ta được:
- 𝛽̂0 = 𝑌̅ - 𝛽̂1 𝑋̅
𝑛

𝑛

∑ (Xi − 𝑋̅)(Yi − 𝑌̅)
∑
YiXi – n 𝑋̅ 𝑌̅
- 𝛽̂1 = 𝑖=1∑𝑛 (Xi ̅ )2 = ∑𝑖=1
𝑛
2
(𝑋̅)2
𝑖=1

−𝑋

𝑖=1 Xi

Var(𝒆𝒊 |Xi) = 𝟎
Định lý Gauss – Markov: Khi các giải thuyết 1 đến 5 được đảm bảo thì
các ước lượng của phương pháp OLS là các ước lượng tuyến tính, không chệch
và có phương sai nhỏ nhất trong lớp các ước lượng tuyến tính không chệch.
Đối với hàm hồi quy 2 biến thì 𝛽̂0 , 𝛽̂1 tương ứng là các ước lượng tuyến
tính, không chệch và có phương sai nhỏ nhất của β0, β1
Hệ số xác định r2 (coefficient of determination) đo độ phù hợp của hàm
hồi quy mẫu:
- Tổng bình phương toàn phần TSS: là tổng bình phương của tất cả các sai
lệch giữa giá trị quan sát Yi với giá trị trung bình của chúng
TSS = ∑𝑛𝑖=1(𝑌𝑖 − 𝑌̅)2 = ∑𝑛𝑖=1 𝑌𝑖 2 − 𝑛(𝑌̅)2

(2.5)

- Tổng bình phương hồi quy ESS: là tổng bình phương tất cả các sai lệch
giữa giá trị của Y tính theo hàm hồi quy mẫu và giá trị trung bình
2
2
ESS = ∑𝑛𝑖=1(𝑌̂𝑖 − 𝑌̅) = (𝛽̂1 ) ∑𝑛𝑖=1 𝑋𝑖 2 − 𝑛(𝑋̅)2

(2.6)


18
- Tổng bình phương sai số RSS: là tổng bình phương tất cả các sai lệch
giá trị quan sát Yi với giá trị của Y tính theo hàm hồi quy mẫu
2
RSS = ∑𝑛𝑖=1 𝑒 2 = ∑𝑛𝑖=1(𝑌𝑖 − 𝑌̂𝑖)

(2.7)

so với giá trị trung bình 𝑌̅ đều được giải thích bằng mô hình hồi quy
- Nếu 𝑟 2 → 0 : Hàm hồi quy mẫu là không phù hợp, biến phụ thuộc Y
không phụ thuộc vào các biến độc lập X
Hệ số tương quan r (coefficient of correlation) đo độ tương quan giữa
biến phụ thuộc Y và biến độc lập X: được xác định bởi công thức:
𝑟=

̅
̅
∑𝑛
𝑖=1(𝑋𝑖− 𝑋)(𝑌𝑖− 𝑌 )
̅ 2 𝑛
̅ 2
√∑𝑛
𝑖=1(𝑋𝑖− 𝑋) ∑𝑖=1(𝑌𝑖− 𝑌 )

- Có thể chứng minh được: 𝑟 = ± √𝑟 2
=> Dấu của r trùng với dấu của 𝛽̂1
- Các tính chất của r:
+ Giá trị của r nằm trong khoảng {-1;1}

(2.9)


19
+ Nếu r > 0: X và Y có mối tương quan thuận
+ Nếu r < 0: X và Y có mối tương quan nghịch
+ 𝛽̂1 = 0 thì r = 0 và ngược lại, có thể căn cứ vào dấu của 𝛽̂1 để xác định
tính thuận nghịch của mối tương quan
+ |𝑟| → 1 thì mối tương quan giữa X và Y càng chặt chẽ, nếu |𝑟| = 1 thì

…
………………
𝑒𝑛
𝑌𝑛
𝛽𝑘
1 𝑋1𝑛 𝑋2𝑛 … 𝑋𝑘𝑛
Ta có: 𝑌 = 𝑋𝛽 + 𝑒
Hàm hồi quy mẫu có dạng:
𝑌̂𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1𝑖 + 𝛽̂2 𝑋2𝑖 + … + 𝛽̂𝑘 𝑋𝑘𝑖


20
𝑒1
Khi đó: 𝑒 = [𝑒…2 ] = 𝑌 − 𝑋𝛽̂
𝑒𝑛
Các ước lượng OLS tìm được bằng cách tìm các 𝛽̂𝑖 sao cho:
𝑛

𝑛

∑

𝑒𝑖2

2
= ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋1𝑖 − 𝛽̂2 𝑋2𝑖 − … − 𝛽̂𝑘 𝑋𝑘𝑖 ) => 𝑀𝑖𝑛

𝑖=1

𝑖=1


…

𝛽̂𝑛 ]; 𝑒 𝑇 = [𝑒1

…

𝑌2

𝑒2

…

𝑌𝑛 ]

𝑒𝑛 ]

Khi đó:
𝑛
𝑇
∑ 𝑒𝑖2 = 𝑒 𝑇 𝑒 = (𝑌 − 𝑋𝛽̂ ) (𝑌 − 𝑋𝛽̂ )
𝑖=1

= (𝑌 𝑇 − 𝛽̂ 𝑇 𝑋 𝑇 )(𝑌 − 𝑋𝛽̂ )
= 𝑌 𝑇 𝑌 − 𝑌 𝑇 𝑋𝛽̂ − 𝛽̂ 𝑇 𝑋 𝑇 𝑌 + 𝛽̂ 𝑇 𝑋 𝑇 𝑋𝛽̂
= 𝑌 𝑇 𝑌 − 2𝛽̂ 𝑇 𝑋 𝑇 𝑌 + 𝛽̂ 𝑇 𝑋 𝑇 𝑋𝛽̂
Hệ phương trình có dạng:
𝜕 (𝑒 𝑇 𝑒)
= 0 => −2𝑋 𝑇 𝑌 + 2𝑋 𝑇 𝑋𝛽̂ = 0
̂


∑ 𝑋1𝑖

∑ 𝑋1𝑖 2

∑ 𝑋1𝑖 𝑋2𝑖

𝑖=1
𝑛

𝑖=1
𝑛

𝑖=1
𝑛

∑ 𝑋2𝑖 𝑋1𝑖

∑ 𝑋2𝑖 2

𝑖=1

𝑖=1

𝑖=1

𝑛

𝑛



𝑖=1

…
…
…

∑ 𝑋2𝑖 𝑋𝑘𝑖
𝑖=1
𝑛

…

∑ 𝑋𝑘𝑖 2
𝑖=1

]

Kết quả: Các hệ số hồi quy được ước lượng theo công thức (2.10)
Hệ số xác định r2 được định nghĩa như là tỷ lệ (%) sự biến động của biến
phụ thuộc Y được giải thích bằng các biến độc lập Xk.
𝑟2 = 1 -

𝑅𝑆𝑆
𝑇𝑆𝑆

=

𝐸𝑆𝑆
𝑇𝑆𝑆

Ví dụ: Ta có số liệu quan sát của một mẫu được nêu trong Bảng 2.1
i

1

2

3

4

5

6

7

8

9

10

X1

8

7

8


7

8

8

Y

20

18

19

18

17

17

16

15

13

12

Bảng 2.1. Số liệu theo dõi dữ liệu bán hàng

165
- 𝑋 𝑌 = [1029]
813
𝑇

=> 𝛽̂ =

14.99
39980 −3816 −3256 165
[−3816
376
300 ] [1029] = [ 0.76 ]
1528
−0.59
−3256
300
280
813
1

Vậy hàm hồi quy cần tìm là: 𝑌̂ = 14.99 + 0.76𝑋1 − 0.59𝑋2
Khi đó ta có:
i

1

2

3


15

13

12

19.89 18.54 18.71 18.71 16.6

16.6

𝑌̂

15.25 14.66 13.31 12.55

RSS = 2.2886

ESS = 56.1686

TSS = 58.5

r2 = 0.960147

r = 0.979871

̅̅̅
𝑟 2 = 0.955165


23
Vậy, với hàm hồi quy tìm được, sự biến động của số lượng hàng bán ra

WEKA được xây dựng với hơn 600 lớp, tổ chức thành 10 packages, mỗi
package thực hiện một nhiệm vụ trong quá trình khai phá dữ liệu. Các lớp,
packages này được mô tả một cách chi tiết trong tài liệu hướng dẫn sử dụng của
nhà cung cấp. Giao diện đồ họa người sử dụng của WEKA được phát triển theo
hướng trực quan và dễ sử dụng.


24

a. Giao diện chính
b. Giao diện chức năng “Explorer”
Hình 2.3. Một số hình ảnh về giao diện đồ họa người sử dụng của WEKA
2.2.2. Các chức năng chính của WEKA
WEKA cung cấp 5 môi trường làm việc nhằm hỗ trợ người sử dụng hai
chức năng chính là khai phá dữ liệu và thực nghiệm, đánh giá các mô hình học
máy. Cụ thể:
- Explorer: Môi trường cho phép tiến hành khai phá dữ liệu với các tính
năng tiền xử lý dữ liệu (Preprocess), phân lớp (Classify), phân cụm (Cluster),
khai thác luật kết hợp (Associate). Ngoài ra, nó còn cung cấp thêm tính năng hỗ
trợ lựa chọn thuộc tính (Select attributes) và mô hình hóa dữ liệu (Visualize).
- Experimenter: Môi trường cho phép thực nghiệm (Setup, Run), so sánh,
phân tích (Analyse) các mô hình học máy.
- KnowledgeFlow: Môi trường này hỗ trợ các tính năng cơ bản giống như
Explorer nhưng với một giao diện kéo thả để hỗ trợ học tập gia tăng.
- Simple CLI: Cung cấp một giao diện dòng lệnh đơn giản cho phép thực
thi trực tiếp các lệnh của WEKA cho các hệ điều hành không cung cấp giao diện
dòng lệnh riêng.
- Workbench: Môi trường này là sự kết hợp của 4 môi trường nêu trên,
người sử dụng có thể tùy ý chuyển đổi mà không cần phải quay lại cửa sổ
“Weka GUI Chooser”.

John,"2014-07-02 12:00:00",7,'aaa'
Peter,"2014-07-03 12:00:00",8,'aa b'
Marry,"2014-07-04 12:00:00",5,'Acvc aa1'