Różnice między wybraną wersją a wersją aktualną.
| Nowa wersja | Poprzednia wersja Nowa wersja Both sides next revision | ||
|
pl:dydaktyka:ml:2018lab8 [2018/05/29 09:08] esimon utworzono |
pl:dydaktyka:ml:2018lab8 [2018/05/29 11:52] esimon [Instrukcje do laboratorium] |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| ====== Laboratorium 10 -- Drzewa decyzyjne ====== | ====== Laboratorium 10 -- Drzewa decyzyjne ====== | ||
| ===== Instrukcje do laboratorium ===== | ===== Instrukcje do laboratorium ===== | ||
| - | - Notebook do pobrania: [[|decisiontrees.ipynb]] | + | - Notebook do pobrania: [[https://drive.google.com/file/d/1mdTmhWDSoAXpZwiTMUwFM-a1GNctJ_GN/view?usp=sharing|decisiontrees.ipynb]] |
| - W celu załadowania, wybierz 'File->Upload Notebook' w Google Colab. W przypadku lokalnej wersji, po prostu nawiguj w oknie przeglądarki do miejsca gdzie zapisany jest notebook. | - W celu załadowania, wybierz 'File->Upload Notebook' w Google Colab. W przypadku lokalnej wersji, po prostu nawiguj w oknie przeglądarki do miejsca gdzie zapisany jest notebook. | ||
| + | |||
| + | |||
| + | |||
| + | ===== Wprowadzenie do Weki ===== | ||
| + | [[http://www.cs.waikato.ac.nz/~ml/weka/|Weka]], to narzędzie opensource do data miningu. | ||
| + | Uruchom je wykonując w konsoli polecenie. Jeśli program nie jest zainstalowany, ściagnij go ze strony | ||
| + | <code> | ||
| + | $ weka | ||
| + | </code> | ||
| + | |||
| + | Jeśli program nie jest zainstalowany, ściągnij go ze strony: [[http://www.cs.waikato.ac.nz/~ml/weka/|Weka]] i uruchom: | ||
| + | <code> | ||
| + | $ java -jar weka.jar | ||
| + | </code> | ||
| + | |||
| + | ==== Wczytywanie i analiza danych ==== | ||
| + | - Pobierz paczkę plików z danymi: {{:pl:dydaktyka:ml:data.tar.gz|}} | ||
| + | - Otwórz w Gedicie plik o nazwie swimming.arff i poznaj strukturę plików uczących dla weki z danymi symbolicznymi. | ||
| + | - Uruchom Wekę i kliknij w przycisk **Explorer** | ||
| + | - Przeanalizuj pierwszą zakładkę GUI i odpowiedz na pytania poniżej: \\ {{:pl:dydaktyka:ml:weka-preprocess.png?600|}} | ||
| + | **Pytania** | ||
| + | - Jaki jest rozmiar zbioru uczącego? | ||
| + | - Ile atrybutów występuje w zbiorze uczącym? | ||
| + | - Ile jest instancji jest pozytywnych (//Enjoy=yes//) a ile negatywnych? | ||
| + | - Który z atrybutów najlepiej rozdziela dane? ;) | ||
| + | - Ile elementów ze zbioru danych ma atrybut wilgotność (//humidity//) ustawioną jako //high//? | ||
| + | |||
| + | ==== Drzewa decyzyjne ==== | ||
| + | - Wczytaj plik swimming.arff ze zbioru danych | ||
| + | - Kliknij w zakładkę **Clasify** | ||
| + | - Wybierz za pomocą przycisku **Choose** klasyfikator Id3. | ||
| + | - Upewnij się, że w oknie //Test options// zaznaczona jest opcja //Use training set//. Uwaga! W przyszłości **nie** będziemy korzystać z tej formy testowania - tutaj jesteśmy zmuszeni, z uwagi na niewielki zbiór uczący. | ||
| + | - Kliknij w przycisk **Start**. Przyjrzyj się rezultatowi. Co oznaczają wyniki? \\ {{:pl:dydaktyka:ml:weka-clasify-1.png?600|}} | ||
| + | - Wybierz za pomocą przycisku **Choose** klasyfikator J48 i kliknij **Start**, następnie zwizualizuj drzewo tak jak to pokazano poniżej: \\ {{:pl:dydaktyka:ml:weka-visualize-tree.png?600|}} | ||
| + | - Czy drzewo wygląda tak jak je narysowałeś(aś) na początku laboratorium? \\ {{:pl:dydaktyka:ml:tree-begining.png|}} | ||
| + | |||
| + | ==== Poprawność klasyfikacji ==== | ||
| + | - Załaduj plik {{:pl:dydaktyka:ml:credit-g.arff.gz|credit-g.arff}} do Weki. Zawiera on dane uczące dla systemu, który na podstawie atrybutów zawartych w pliku powinien określać czy dany zestaw wartości atrybutów wskazuje na wiarygodnego klienta banku, czy też nie - czy można przyznać mu kredyt, czy jest to ryzykowne. | ||
| + | - Przejdź do zakładki **Classify** i wybierz algorytm J48. | ||
| + | - W obszarze //Test options// wybierz opcje //Percentage split// z wartością 66% Oznacza to, ze 66% danych posłuży do uczenia, a 34% do walidacji. Jakie to ma znaczenie? | ||
| + | - Uruchom algorytm. Ile procent przypadków zostało poprawnie zaklasyfikowanych? Czy to dobry wynik? | ||
| + | - Zmień klasyfikator na //ZeroR// z gałęzi //rules//. Jakie są wyniki? | ||
| + | - Wypróbuj inne klasyfikatory. Jakie dają wyniki? | ||
| + | - Przejdź do zakładki **Preprocess** i zobacz jak wygląda rozkład atrybutu określającego czy danych zestaw jest //dobry// czy //zły//. Jaka byłaby skuteczność algorytmu który niezależnie od wartości atrybutów "strzelałby" że użytkownik jest wiarygodny? | ||
| + | - Dlaczego przed przystąpieniem do klasyfikacji, warto wcześniej przyjrzeć się danym? ;P | ||
| + | |||
| + | ==== User Classifier ==== | ||
| + | - Zbuduj drzewo z wykorzystaniem klasyfikatora "User Classifier" dla danych z pliku (użyj PPM do "domknięcia" wielokąta): \\ {{:pl:dydaktyka:ml:polygon.png|}} | ||
| + | - Zaakceptuj zbudowane drzewo i zobacz wyniki:\\ {{:pl:dydaktyka:ml:user-accept.png|}} | ||
| + | |||
| + | |||
