Skip to content

WEKA_GUIDE.md

Latest commit

 

History

History
345 lines (242 loc) · 7.16 KB

WEKA_GUIDE.md

File metadata and controls

345 lines (242 loc) · 7.16 KB

🎓 WEKA 분석 완벽 가이드

WEKA를 사용하여 비트코인 가격 예측 데이터를 분석하는 단계별 가이드입니다.

📋 목차

  1. WEKA 설치
  2. 데이터 준비
  3. 분류 분석
  4. 군집화 분석
  5. 연관규칙 분석
  6. 결과 저장

1. WEKA 설치

Mac/Linux

# Homebrew 사용
brew install weka

# 또는 공식 사이트에서 다운로드
# https://waikato.github.io/weka-wiki/downloading_weka/

Windows

  1. WEKA 공식 사이트 접속
  2. Windows 버전 다운로드
  3. 설치 후 실행

실행 확인

# GUI 실행
java -jar weka.jar

# 또는 애플리케이션에서 WEKA 실행

2. 데이터 준비

2.1 ARFF 파일 생성

# 프로젝트 디렉토리로 이동
cd ~/Desktop/project/datamining

# 전체 파이프라인 실행 (ARFF 파일 자동 생성)
python3 run.py

생성되는 파일:

  • data/processed/bitcoin_classification.arff - 분류용
  • data/processed/bitcoin_clustering.arff - 군집화용
  • data/processed/bitcoin_association.arff - 연관규칙용

2.2 WEKA에서 파일 열기

  1. WEKA Explorer 실행
  2. Preprocess 탭
  3. Open file 버튼 클릭
  4. data/processed/bitcoin_classification.arff 선택
  5. 데이터 로드 확인

3. 분류 분석 (Classification)

목표

1시간 후 비트코인 가격 방향 예측 (UP/DOWN/STABLE)

3.1 Random Forest

  1. Classify 탭으로 이동

  2. Classifier 선택

    • Choose 클릭
    • trees → RandomForest 선택

  3. Test options 설정

    • Cross-validation 선택
    • Folds: 10

  4. Class 선택

    • 드롭다운에서 price_direction 선택

  5. Start 클릭

  6. 결과 확인

    === Summary ===
Correctly Classified Instances:  82.5%
Incorrectly Classified Instances: 17.5%
Kappa statistic:                  0.74

=== Confusion Matrix ===
        UP  DOWN STABLE
UP      45    3      2
DOWN     2   38      5
STABLE   3    4     43

3.2 Decision Tree (J48)

  1. Classifier 선택

    • Choose 클릭
    • trees → J48 선택

  2. 동일하게 실행

  3. 트리 시각화

    • 결과 창에서 우클릭
    • Visualize tree 클릭
    • 트리 구조 확인

3.3 다른 알고리즘 시도

Naive Bayes:

  • bayes → NaiveBayes

SVM:

  • functions → SMO

3.4 결과 저장

  1. 결과 창에서 우클릭
  2. Save result buffer 클릭
  3. weka_results/classification_result.txt 저장

스크린샷:

  • 전체 결과 화면 캡처
  • weka_results/classification_result.png 저장

4. 군집화 분석 (Clustering)

목표

유사한 시장 상황 그룹화

4.1 K-means Clustering

  1. Cluster 탭으로 이동

  2. bitcoin_clustering.arff 열기

    • Preprocess 탭 → Open file

  3. Clusterer 선택

    • Choose 클릭
    • SimpleKMeans 선택

  4. 설정

    • SimpleKMeans 클릭하여 설정창 열기
    • numClusters: 3 입력
    • OK 클릭

  5. Start 클릭

  6. 결과 확인

    === Clustered Instances ===
Cluster 0: 65 (36%)
Cluster 1: 58 (32%)
Cluster 2: 56 (31%)

=== Cluster centroids ===
Cluster 0: 높은 가격, 높은 거래량 (상승 패턴)
Cluster 1: 낮은 가격, 낮은 거래량 (하락 패턴)
Cluster 2: 중간 가격, 보통 거래량 (횡보 패턴)

4.2 시각화

  1. 결과 창에서 우클릭
  2. Visualize cluster assignments 클릭
  3. X축, Y축 선택하여 클러스터 분포 확인

4.3 결과 저장

  • 스크린샷: weka_results/clustering_result.png

5. 연관규칙 분석 (Association)

목표

속성 간 연관 패턴 발견

5.1 Apriori Algorithm

  1. Associate 탭으로 이동

  2. bitcoin_association.arff 열기

  3. Associator 선택

    • Choose 클릭
    • Apriori 선택

  4. 설정

    • Apriori 클릭하여 설정창 열기
    • minSupport: 0.1 (10%)
    • minConfidence: 0.8 (80%)
    • numRules: 10
    • OK 클릭

  5. Start 클릭

  6. 결과 확인

    === Best 10 rules found ===

1. ma_cross=golden rsi_signal=neutral => price_direction=UP
   <conf:(0.82)> lift:(1.45) lev:(0.12) conv:(2.3)

2. ma_cross=dead volume_spike=high => price_direction=DOWN
   <conf:(0.78)> lift:(1.38) lev:(0.09) conv:(1.9)

3. rsi_signal=overbought => price_direction=DOWN
   <conf:(0.75)> lift:(1.32) lev:(0.08) conv:(1.7)

5.2 결과 해석

Rule 1 해석:

  • 조건: MA Golden Cross + RSI Neutral
  • 결과: UP (상승)
  • Confidence: 82% (규칙의 정확도)
  • Support: 12% (전체 데이터에서 차지하는 비율)

5.3 결과 저장

  • 스크린샷: weka_results/association_result.png

6. 결과 저장

6.1 스크린샷 저장 위치

weka_results/
├── classification_result.png   # 필수
├── decision_tree.png           # 추천
├── clustering_result.png       # 선택
└── association_result.png      # 선택

6.2 웹 대시보드에서 확인

# 대시보드 실행
streamlit run app.py

# 브라우저에서
# 1. http://localhost:8501 접속
# 2. 사이드바에서 "🎓 WEKA Analysis" 선택
# 3. 저장한 스크린샷 확인

📊 알고리즘 비교

알고리즘 장점 단점 예상 정확도
Random Forest 높은 정확도, 과적합 방지 해석 어려움 82-85%
Decision Tree 해석 쉬움, 시각화 가능 과적합 가능성 78-80%
Naive Bayes 빠름, 간단함 독립성 가정 75-78%
SVM 비선형 패턴 학습 느림, 해석 어려움 80-83%

🎯 발표 팁

1. 다양한 알고리즘 비교

"여러 알고리즘을 테스트했고,
Random Forest가 82.5%로 가장 높은 정확도를 보였습니다."

2. Confusion Matrix 강조

"UP 클래스의 경우 45/50 (90%) 정확도로
하락보다 상승 예측이 더 정확합니다."

3. WEKA vs Python 비교

"WEKA: 82.5% 정확도
Python: 82.3% 정확도
→ 두 도구 모두 유사한 결과, 상호 검증 완료"

4. 실용성 강조

"WEKA로 검증 → Python으로 실시간 예측
교육용 도구와 실무 도구를 모두 활용"

⚠️ 문제 해결

메모리 부족

java -Xmx2048m -jar weka.jar

ARFF 파일 로드 실패

# 인코딩 문제 확인
# UTF-8로 저장되어 있는지 확인

클래스 불균형 경고

# 정상입니다!
# UP/DOWN/STABLE 비율이 다를 수 있음
# Stratified sampling으로 해결됨

📚 추가 자료

완료하셨나요?

이제 웹 대시보드에서 🎓 WEKA Analysis 페이지로 가서 WEKA와 Python 결과를 비교해보세요!

streamlit run app.py