RapidMiner_Practic_2

Практика 2

1. Запустите RapidMiner ( .ехе файл на рабочем столе)

2. На панели Repositories активируйте репозиторий, созданный вами на прошлой паре.

3. Запустите из папки Proc процесс Practic_1_Tree

4. Двойным щелчком откройте оператор Validation. Щелчком мыши сделаете активным модель Decision Tree. Обратите внимание на панель Parameters

С помощью пункт Criterion, можно определить используемый критерий для выбора атрибутов и численного распада. Возможны следующие варианты: gain_ratio, information_gain, gini_index, accuracy. По умолчанию указывается критерий "gain_ratio".

minimal size for split: минимальные количество узлов

minimal leaf size:- минимальное количество листьев

minimal gain: - минимальный прирост

maximal depth: - максимальная глубина

confidence: уровень доверия для пессимистического расчета погрешности обрезки.

number of prepruning – число альтернативных атрибутов, используется для уменьшения случаев раскола.

no pre pruning: без предварительной обрезки

no pruning: отключается обрезка дерева (используется для получения полной картины классификации)

5. Ниже представлены значения, которые указываются по умолчанию.

6. Измените исходные данные. Поменяйте Criterion с gain_ratio на information_gain. Запустите процесс, нажав на кнопку. Сохраните процесс в папке Proc, как Practic_1_tree2. Сохраните в отчете screenshot содержимого вкладки PerformansVector, с сформулированными выводами относительно точности (таблица представлена ниже), так же сохраните screenshot содержимого вкладки Tree, с сформулированными выводами относительно корневого атрибута.

Интервал точности	Значение
0-20	очень низкая
20-40	низкая
40-60	посредственная
60-80	высокая
80-100	очень высокая

7. Измените исходные данные. Установите флажок на пункте no pre pruning и no pruning . таким образом, мы увеличиваем количество узлов отраженных в дереве. Запустите процесс, нажав на кнопку. Сохраните процесс в папке Proc, как Practic_1_tree3. Сохраните в отчете screenshot содержимого вкладки PerformansVector, с сформулированными выводами относительно точности, так же сохраните screenshot содержимого вкладки Tree, с сформулированными выводами относительно корневого атрибута.

8. Рассмотрим следующих метод классификации. Метод k-ближайших соседей. Для создания нового процесса нажмите на кнопкуна панели инструментов. На первом этапе необходимо вывести на рабочее поле операторы Retrieve и Validation, создать связи между ними (ниже представлены пути к оператору)

9. Необходимо загрузить данные в оператор Retrieve для этого нажав на в панели Parametes укажите путь к папке Data

10. Двойным щелчком откройте оператор Validation. Данный оператор состоит из двух разделенных панелей. В первой панели исходные данные происходит обучение модели, во второй модель тестируется.

В первое поле необходимо перенести оператор для построения модели k-NN. Во второе Apply Model и Performance.

Apply Model- оператор применения построенного дерева к тестовой выборки

Performance- используется для визуализации результатов, результатом работы данного оператора является таблица в которой отражена точность определения того или иного класса.

11. Установите связи между операторами согласно рисунку представленному ниже, запустите процесс, сохранив его в папке Proc, как Practic_1_k-NN

12. Сохраните в отчете screenshot содержимого вкладки PerformansVector, с сформулированными выводами относительно точности.

13. Двойным щелчком откройте оператор Validation. Щелчком мыши сделаете активным модель k-NN. Обратите внимание на панель Parameters

14. На панели Parameters по умолчанию число k-соседей рано 1. Измените исходные данные на 3. То есть количество ближайших соседей будет рано трем. Запустите процесс, сохранив его в папке Proc, как Practic_1_k-NN2

15. Сохраните в отчете screenshot содержимого вкладки PerformansVector, с сформулированными выводами относительно точности.

16. Измените исходные данные на 6. То есть количество ближайших соседей будет рано шести. Запустите процесс, сохранив его в папке Proc, как Practic_1_k-NN3

17. Сохраните в отчете screenshot содержимого вкладки PerformansVector, с сформулированными выводами относительно точности.

18. Сравните выводы относительно точности при k=1, k=3, k=6. В каком случае точность выше. Отразите это в отчете.

19. Рассмотрим следующих метод классификации. Метод Нейронная сеть. Для создания нового процесса нажмите на кнопкуна панели инструментов. На первом этапе необходимо вывести на рабочее поле операторы Retrieve и Validation, создать связи между ними (ниже представлены пути к оператору)

20. Двойным щелчком откройте оператор Validation. Данный оператор состоит из двух разделенных панелей. В первой панели происходит обучение модели, поместите ниже представленные операторы

21. Во второй панели исходные данные тестируется. Поместите ниже представленные операторы во второй панели.

22. Сохраните в отчете screenshot содержимого оператора Validation. Запустите процесс, нажав на кнопку. Сохраните процесс в папке Proc, как Practic_1_Neur. Сохраните в отчете содержимое вкладки PerformansVector, с сформулированными выводами относительно точности. Перейдите с вкладки PerformansVector на ImprovedNeuralNet

23. Сохраните в отчете screenshot содержимого вкладки а ImprovedNeuralNet с сформулированными выводами относительно точности.