Fichier ARFF

Un fichier .arff est le format de jeu de données natif de l'établi d'apprentissage automatique Weka, développé par le Machine Learning Group de l'University of Waikato. Il stocke des jeux de données étiquetés sous forme de texte brut avec un en-tête de schéma structuré, ce qui en fait un format d'échange courant dans la recherche académique en apprentissage automatique.

Un fichier .arff comporte deux sections. L'en-tête commence par @relation (nommant le jeu de données), suivi des déclarations @attribute définissant le nom et le type de chaque caractéristique. Les types pris en charge incluent NUMERIC, INTEGER, REAL, STRING, DATE (ISO 8601) et nominal (une liste explicite de valeurs entre accolades {}). La section @data suit avec des instances séparées par des virgules, une par ligne ; les valeurs manquantes sont marquées par un ?. Les lignes commençant par % sont des commentaires.

Une variante éparse utilise des paires {index value} pour les jeux de données à haute dimension où la plupart des valeurs sont nulles - courant dans la classification de texte. Le type d'attribut @relational prend en charge les sous-jeux de données imbriqués pour l'apprentissage multi-instances.

Malgré son âge, le format .arff est largement pris en charge au-delà de Weka : Python le lit via scipy.io.arff.loadarff(), R le gère avec le package foreign, et de nombreux kits d'outils ML l'acceptent comme format d'échange. Pour des métadonnées plus riches et des poids par instance, le format .xrff basé sur XML de Weka est le successeur, bien que .arff et .csv restent plus courants en pratique.