Archivo ARFF

Un archivo .arff es el formato nativo de conjuntos de datos para el entorno de aprendizaje automático Weka, desarrollado por el Machine Learning Group de la University of Waikato. Almacena conjuntos de datos etiquetados como texto plano con un encabezado de esquema estructurado, lo que lo convierte en un formato de intercambio común en la investigación académica de aprendizaje automático.

Un archivo .arff tiene dos secciones. El encabezado comienza con @relation (que nombra al conjunto de datos), seguido de declaraciones @attribute que definen el nombre y tipo de cada característica. Los tipos admitidos incluyen NUMERIC, INTEGER, REAL, STRING, DATE (ISO 8601) y nominal (una lista explícita de valores entre llaves {}). La sección @data sigue con las instancias separadas por comas, una por línea; los valores faltantes se marcan con ?. Las líneas que comienzan con % son comentarios.

Una variante dispersa (sparse) utiliza pares {index value} para conjuntos de datos de alta dimensión donde la mayoría de los valores son cero, algo común en la clasificación de texto. El tipo de atributo @relational admite subconjuntos de datos anidados para el aprendizaje multi-instancia.

A pesar de su antigüedad, .arff tiene un amplio soporte más allá de Weka: Python lo lee a través de scipy.io.arff.loadarff(), R lo maneja con el paquete foreign y muchos kits de herramientas de ML lo aceptan como formato de intercambio. Para metadatos más ricos y pesos por instancia, el formato .xrff basado en XML de Weka es el sucesor, aunque .arff y .csv siguen siendo más comunes en la práctica.