KNIME - Guía rápida
El desarrollo de modelos de aprendizaje automático siempre se considera muy desafiante debido a su naturaleza críptica. En general, para desarrollar aplicaciones de aprendizaje automático, debe ser un buen desarrollador con experiencia en desarrollo impulsado por comandos. La introducción de KNIME ha llevado el desarrollo de modelos de aprendizaje automático al alcance de un hombre común.
KNIME proporciona una interfaz gráfica (una GUI fácil de usar) para todo el desarrollo. En KNIME, simplemente debe definir el flujo de trabajo entre los distintos nodos predefinidos proporcionados en su repositorio. KNIME proporciona varios componentes predefinidos llamados nodos para diversas tareas, como leer datos, aplicar varios algoritmos de ML y visualizar datos en varios formatos. Por lo tanto, para trabajar con KNIME, no se requieren conocimientos de programación. ¿No es esto emocionante?
Los próximos capítulos de este tutorial le enseñarán cómo dominar el análisis de datos utilizando varios algoritmos ML bien probados.
La plataforma KNIME Analytics está disponible para Windows, Linux y MacOS. En este capítulo, veamos los pasos para instalar la plataforma en Mac. Si usa Windows o Linux, simplemente siga las instrucciones de instalación que se proporcionan en la página de descarga de KNIME. La instalación binaria para las tres plataformas está disponible en la página de KNIME .
Instalación Mac
Descargue la instalación binaria del sitio oficial de KNIME. Haga doble clic en el descargadodmgarchivo para iniciar la instalación. Cuando se complete la instalación, simplemente arrastre el icono de KNIME a la carpeta Aplicaciones como se ve aquí -
Haga doble clic en el icono de KNIME para iniciar KNIME Analytics Platform. Inicialmente, se le pedirá que configure una carpeta de espacio de trabajo para guardar su trabajo. Su pantalla se verá así:
Puede configurar la carpeta seleccionada como predeterminada y la próxima vez que inicie KNIME, no
vuelva a mostrar este cuadro de diálogo.
Después de un tiempo, la plataforma KNIME se iniciará en su escritorio. Este es el banco de trabajo donde llevaría su trabajo de análisis. Veamos ahora las distintas partes del banco de trabajo.
Cuando se inicie KNIME, verá la siguiente pantalla:
Como se ha marcado en la captura de pantalla, el banco de trabajo consta de varias vistas. Las vistas que son de uso inmediato para nosotros están marcadas en la captura de pantalla y se enumeran a continuación:
Workspace
Outline
Repositorio de nodos
Explorador de KNIME
Console
Description
A medida que avanzamos en este capítulo, aprendamos cada uno de estos puntos de vista en detalle.
Vista del espacio de trabajo
La vista más importante para nosotros es la Workspacever. Aquí es donde crearía su modelo de aprendizaje automático. La vista del espacio de trabajo está resaltada en la captura de pantalla siguiente:
La captura de pantalla muestra un espacio de trabajo abierto. Pronto aprenderá a abrir un espacio de trabajo existente.
Cada espacio de trabajo contiene uno o más nodos. Aprenderá la importancia de estos nodos más adelante en el tutorial. Los nodos están conectados mediante flechas. Generalmente, el flujo del programa se define de izquierda a derecha, aunque no es necesario. Puede mover libremente cada nodo a cualquier lugar del espacio de trabajo. Las líneas de conexión entre los dos se moverían apropiadamente para mantener la conexión entre los nodos. Puede agregar / eliminar conexiones entre nodos en cualquier momento. Para cada nodo se puede agregar opcionalmente una pequeña descripción.
Vista exterior
Es posible que la vista del espacio de trabajo no pueda mostrarle todo el flujo de trabajo a la vez. Esa es la razón por la que se proporciona la vista de esquema.
La vista de esquema muestra una vista en miniatura de todo el espacio de trabajo. Hay una ventana de zoom dentro de esta vista que puede deslizar para ver las diferentes partes del flujo de trabajo en elWorkspace ver.
Repositorio de nodos
Esta es la siguiente vista importante en el banco de trabajo. El repositorio de nodos enumera los distintos nodos disponibles para sus análisis. Todo el repositorio está muy bien categorizado según las funciones del nodo. Encontrarás categorías como:
IO
Views
Analytics
Debajo de cada categoría encontrará varias opciones. Simplemente expanda la vista de cada categoría para ver lo que tiene allí. Bajo laIO categoría, encontrará nodos para leer sus datos en varios formatos de archivo, como ARFF, CSV, PMML, XLS, etc.
Dependiendo de su formato de datos de fuente de entrada, seleccionará el nodo apropiado para leer su conjunto de datos.
En este momento, probablemente haya entendido el propósito de un nodo. Un nodo define un cierto tipo de funcionalidad que puede incluir visualmente en su flujo de trabajo.
El nodo Analytics define los distintos algoritmos de aprendizaje automático, como Bayes, Clustering, Decision Tree, Ensemble Learning, etc.
La implementación de estos diversos algoritmos ML se proporciona en estos nodos. Para aplicar cualquier algoritmo en sus análisis, simplemente elija el nodo deseado del repositorio y agréguelo a su espacio de trabajo. Conecte la salida del nodo Lector de datos a la entrada de este nodo ML y se crea su flujo de trabajo.
Le sugerimos que explore los distintos nodos disponibles en el repositorio.
Explorador de KNIME
La siguiente vista importante en el banco de trabajo es la Explorer ver como se muestra en la captura de pantalla a continuación -
Las dos primeras categorías enumeran los espacios de trabajo definidos en el servidor KNIME. La tercera opción LOCAL se utiliza para almacenar todos los espacios de trabajo que crea en su máquina local. Intente expandir estas pestañas para ver los distintos espacios de trabajo predefinidos. Especialmente, expanda la pestaña EJEMPLOS.
KNIME proporciona varios ejemplos para que pueda comenzar con la plataforma. En el próximo capítulo, utilizará uno de estos ejemplos para familiarizarse con la plataforma.
Vista de consola
Como su nombre indica, el Console view proporciona una vista de los distintos mensajes de la consola mientras ejecuta su flujo de trabajo.
los Console La vista es útil para diagnosticar el flujo de trabajo y examinar los resultados de análisis.
Vista de descripción
El último punto de vista importante que es de importancia inmediata para nosotros es el Descriptionver. Esta vista proporciona una descripción de un elemento seleccionado en el espacio de trabajo. Una vista típica se muestra en la captura de pantalla a continuación:
La vista anterior muestra la descripción de un File Readernodo. Cuando selecciona elFile Readernodo en su espacio de trabajo, verá su descripción en esta vista. Al hacer clic en cualquier otro nodo se muestra la descripción del nodo seleccionado. Por lo tanto, esta vista se vuelve muy útil en las etapas iniciales del aprendizaje cuando no se conoce con precisión el propósito de los distintos nodos en el espacio de trabajo y / o el repositorio de nodos.
Barra de herramientas
Además de las vistas descritas anteriormente, el banco de trabajo tiene otras vistas, como la barra de herramientas. La barra de herramientas contiene varios iconos que facilitan una acción rápida. Los iconos se activan / desactivan según el contexto. Puede ver la acción que realiza cada icono colocando el mouse sobre él. La siguiente pantalla muestra la acción realizada porConfigure icono.
Habilitar / deshabilitar vistas
Las distintas vistas que ha visto hasta ahora se pueden activar / desactivar fácilmente. Al hacer clic en el icono Cerrar en la vistaclosela vista. Para restablecer la vista, vaya a laViewopción de menú y seleccione la vista deseada. La vista seleccionada se agregará al banco de trabajo.
Ahora, como ya se ha familiarizado con el banco de trabajo, le mostraré cómo ejecutar un flujo de trabajo y estudiar las analíticas realizadas por él.
KNIME ha proporcionado varios buenos flujos de trabajo para facilitar el aprendizaje. En este capítulo, seleccionaremos uno de los flujos de trabajo proporcionados en la instalación para explicar las diversas funciones y el poder de la plataforma de análisis. Usaremos un clasificador simple basado en unDecision Tree para nuestro estudio.
Cargando clasificador de árbol de decisión
En KNIME Explorer, localice el siguiente flujo de trabajo:
LOCAL / Example Workflows / Basic Examples / Building a Simple ClassifierEsto también se muestra en la captura de pantalla a continuación para su referencia rápida:
Haga doble clic en el elemento seleccionado para abrir el flujo de trabajo. Observe la vista del área de trabajo. Verá el flujo de trabajo que contiene varios nodos. El propósito de este flujo de trabajo es predecir el grupo de ingresos a partir de los atributos democráticos del conjunto de datos para adultos tomados del Repositorio de aprendizaje automático de UCI. La tarea de este modelo ML es clasificar a las personas de una región específica con ingresos superiores o inferiores a 50.000.
los Workspace vista junto con su contorno se muestra en la captura de pantalla a continuación:
Observe la presencia de varios nodos recogidos de la Nodesrepositorio y conectado en un flujo de trabajo por flechas. La conexión indica que la salida de un nodo se alimenta a la entrada del siguiente nodo. Antes de aprender la funcionalidad de cada uno de los nodos en el flujo de trabajo, primero ejecutemos todo el flujo de trabajo.
Ejecución de flujo de trabajo
Antes de analizar la ejecución del flujo de trabajo, es importante comprender el informe de estado de cada nodo. Examine cualquier nodo del flujo de trabajo. En la parte inferior de cada nodo, encontrará un indicador de estado que contiene tres círculos. El nodo de aprendizaje del árbol de decisiones se muestra en la captura de pantalla siguiente:
El indicador de estado es rojo, lo que indica que este nodo no se ha ejecutado hasta el momento. Durante la ejecución, el círculo central que es de color amarillo se iluminaría. Si se ejecuta correctamente, el último círculo se vuelve verde. Hay más indicadores para darle la información de estado en caso de errores. Los aprenderá cuando se produzca un error en el procesamiento.
Tenga en cuenta que actualmente los indicadores de todos los nodos están en rojo, lo que indica que no se ha ejecutado ningún nodo hasta el momento. Para ejecutar todos los nodos, haga clic en el siguiente elemento del menú:
Node → Execute All
Después de un tiempo, verá que cada indicador de estado de nodo ahora se ha vuelto verde, lo que indica que no hay errores.
En el próximo capítulo, exploraremos la funcionalidad de los distintos nodos del flujo de trabajo.
Si revisa los nodos en el flujo de trabajo, puede ver que contiene lo siguiente:
Lector de archivos,
Administrador de color
Partitioning
Aprendiz del árbol de decisiones
Predictor de árbol de decisión
Score
Mesa interactiva
Gráfico de dispersión
Statistics
Estos se ven fácilmente en el Outline ver como se muestra aquí -
Cada nodo proporciona una funcionalidad específica en el flujo de trabajo. Ahora veremos cómo configurar estos nodos para cumplir con la funcionalidad deseada. Tenga en cuenta que analizaremos solo los nodos que son relevantes para nosotros en el contexto actual de exploración del flujo de trabajo.
Lector de archivos
El nodo Lector de archivos se muestra en la captura de pantalla siguiente:
Hay una descripción en la parte superior de la ventana proporcionada por el creador del flujo de trabajo. Indica que este nodo lee el conjunto de datos de adultos. El nombre del archivo esadult.csvcomo se ve en la descripción debajo del símbolo del nodo. losFile Reader tiene dos salidas - una va a Color Manager nodo y el otro va a Statistics nodo.
Si hace clic derecho en el File Manager, un menú emergente se mostraría de la siguiente manera:
los ConfigureLa opción de menú permite la configuración del nodo. losExecutemenú ejecuta el nodo. Tenga en cuenta que si el nodo ya se ha ejecutado y está en verde, este menú está desactivado. Además, tenga en cuenta la presencia deEdit Note Descriptionopción de menú. Esto le permite escribir la descripción de su nodo.
Ahora, seleccione el Configure opción de menú, muestra la pantalla que contiene los datos del archivo adult.csv como se ve en la captura de pantalla aquí -
Cuando ejecute este nodo, los datos se cargarán en la memoria. Todo el código del programa de carga de datos está oculto al usuario. Ahora puede apreciar la utilidad de dichos nodos, no se requiere codificación.
Nuestro siguiente nodo es el Color Manager.
Administrador de color
Selecciona el Color Managernodo y acceda a su configuración haciendo clic derecho sobre él. Aparecerá un cuadro de diálogo de configuración de colores. Selecciona elincome columna de la lista desplegable.
Su pantalla se vería así:
Observe la presencia de dos restricciones. Si el ingreso es menor a 50K, el punto de datos adquirirá color verde y si es mayor se pondrá rojo. Verá las asignaciones de puntos de datos cuando miremos el diagrama de dispersión más adelante en este capítulo.
Fraccionamiento
En el aprendizaje automático, generalmente dividimos todos los datos disponibles en dos partes. La mayor parte se usa para entrenar el modelo, mientras que la parte más pequeña se usa para probar. Se utilizan diferentes estrategias para particionar los datos.
Para definir la partición deseada, haga clic derecho en el Partitioning nodo y seleccione el Configureopción. Vería la siguiente pantalla:
En el caso, el modelador del sistema ha utilizado el Relative(%) y los datos se dividen en una proporción de 80:20. Al hacer la división, los puntos de datos se recogen al azar. Esto garantiza que sus datos de prueba no estén sesgados. En el caso del muestreo lineal, es posible que el 20% restante de los datos utilizados para las pruebas no representen correctamente los datos de entrenamiento, ya que pueden estar totalmente sesgados durante su recopilación.
Si está seguro de que durante la recopilación de datos, la aleatoriedad está garantizada, puede seleccionar el muestreo lineal. Una vez que sus datos estén listos para entrenar el modelo, transfiéralos al siguiente nodo, que es elDecision Tree Learner.
Aprendiz del árbol de decisiones
los Decision Tree Learnernodo, como su nombre indica, utiliza los datos de entrenamiento y crea un modelo. Consulte la configuración de este nodo, que se muestra en la captura de pantalla a continuación:
Como ves el Class es income. Por lo tanto, el árbol se construiría en función de la columna de ingresos y eso es lo que estamos tratando de lograr en este modelo. Queremos una separación de las personas que tienen ingresos superiores o inferiores a 50 mil.
Una vez que este nodo se ejecute correctamente, su modelo estará listo para la prueba.
Predictor de árbol de decisión
El nodo del Predictor de árbol de decisión aplica el modelo desarrollado al conjunto de datos de prueba y agrega las predicciones del modelo.
La salida del predictor se alimenta a dos nodos diferentes: Scorer y Scatter Plot. A continuación, examinaremos el resultado de la predicción.
Goleador
Este nodo genera el confusion matrix. Para verlo, haga clic derecho en el nodo. Verá el siguiente menú emergente:
Haga clic en el View: Confusion Matrix opción de menú y la matriz aparecerá en una ventana separada como se muestra en la captura de pantalla aquí -
Indica que la precisión de nuestro modelo desarrollado es 83,71%. Si no está satisfecho con esto, puede jugar con otros parámetros en la construcción de modelos, especialmente, es posible que desee volver a visitar y limpiar sus datos.
Gráfico de dispersión
Para ver el diagrama de dispersión de la distribución de datos, haga clic derecho en el Scatter Plot nodo y seleccione la opción de menú Interactive View: Scatter Plot. Verá la siguiente trama:
El gráfico muestra la distribución de personas de diferentes grupos de ingresos según el umbral de 50 mil en dos puntos de diferentes colores: rojo y azul. Estos eran los colores establecidos en nuestroColor Managernodo. La distribución es relativa a la edad como se muestra en el eje x. Puede seleccionar una función diferente para el eje x cambiando la configuración del nodo.
El diálogo de configuración se muestra aquí donde hemos seleccionado el marital-status como característica para el eje x.
Esto completa nuestra discusión sobre el modelo predefinido proporcionado por KNIME. Le sugerimos que tome los otros dos nodos (Estadísticas y Tabla interactiva) en el modelo para su autoestudio.
Pasemos ahora a la parte más importante del tutorial: crear su propio modelo.
En este capítulo, creará su propio modelo de aprendizaje automático para clasificar las plantas en función de algunas características observadas. Usaremos el conocidoiris conjunto de datos de UCI Machine Learning Repositorypara este propósito. El conjunto de datos contiene tres clases diferentes de plantas. Entrenaremos nuestro modelo para clasificar una planta desconocida en una de estas tres clases.
Comenzaremos creando un nuevo flujo de trabajo en KNIME para crear nuestros modelos de aprendizaje automático.
Crear flujo de trabajo
Para crear un nuevo flujo de trabajo, seleccione la siguiente opción de menú en el banco de trabajo KNIME.
File → NewVerá la siguiente pantalla:
Selecciona el New KNIME Workflow opción y haga clic en la Nextbotón. En la siguiente pantalla, se le pedirá el nombre deseado para el flujo de trabajo y la carpeta de destino para guardarlo. Ingrese esta información como desee y haga clic enFinish para crear un nuevo espacio de trabajo.
Se agregaría un nuevo espacio de trabajo con el nombre dado al Workspace ver como se ve aquí -
Ahora agregará varios nodos en este espacio de trabajo para crear su modelo. Antes, agrega nodos, debe descargar y preparar eliris conjunto de datos para nuestro uso.
Preparando conjunto de datos
Descargue el conjunto de datos de iris del sitio del repositorio de aprendizaje automático de UCI Descargar el conjunto de datos de iris . El archivo iris.data descargado está en formato CSV. Haremos algunos cambios en él para agregar los nombres de las columnas.
Abra el archivo descargado en su editor de texto favorito y agregue la siguiente línea al principio.
sepal length, petal length, sepal width, petal width, classCuando nuestro File Reader nodo lee este archivo, automáticamente tomará los campos anteriores como nombres de columna.
Ahora, comenzará a agregar varios nodos.
Agregar lector de archivos
Ve a la Node Repository ver, escriba "archivo" en el cuadro de búsqueda para localizar el File Readernodo. Esto se ve en la captura de pantalla a continuación:
Seleccione y haga doble clic en el File Readerpara agregar el nodo al espacio de trabajo. Alternativamente, puede usar la función de arrastrar y soltar para agregar el nodo al espacio de trabajo. Una vez agregado el nodo, deberá configurarlo. Haga clic derecho en el nodo y seleccione elConfigureopción de menú. Ha hecho esto en la lección anterior.
La pantalla de configuración se parece a la siguiente después de cargar el archivo de datos.
Para cargar su conjunto de datos, haga clic en el Browsey seleccione la ubicación de su archivo iris.data. El nodo cargará el contenido del archivo que se muestra en la parte inferior del cuadro de configuración. Una vez que esté satisfecho de que el archivo de datos está ubicado correctamente y cargado, haga clic en elOK para cerrar el cuadro de diálogo de configuración.
Ahora agregará alguna anotación a este nodo. Haga clic derecho en el nodo y seleccioneNew Workflow Annotationopción de menú. Aparecería un cuadro de anotación en la pantalla como se muestra en la captura de pantalla aquí:
Haga clic dentro del cuadro y agregue la siguiente anotación:
Reads iris.dataHaga clic en cualquier lugar fuera del cuadro para salir del modo de edición. Cambie el tamaño y coloque el cuadro alrededor del nodo como desee. Finalmente, haga doble clic en elNode 1 texto debajo del nodo para cambiar esta cadena a lo siguiente:
Loads dataEn este punto, su pantalla se vería así:
Ahora agregaremos un nuevo nodo para dividir nuestro conjunto de datos cargado en entrenamiento y prueba.
Agregar nodo de particionamiento
En el Node Repository ventana de búsqueda, escriba algunos caracteres para localizar el Partitioning nodo, como se ve en la captura de pantalla a continuación:
Agregue el nodo a nuestro espacio de trabajo. Establezca su configuración de la siguiente manera:
Relative (%) : 95
Draw RandomlyLa siguiente captura de pantalla muestra los parámetros de configuración.
A continuación, realice la conexión entre los dos nodos. Para hacerlo, haga clic en la salida delFile Reader nodo, mantenga pulsado el botón del ratón, aparecerá una línea de goma elástica, arrástrelo a la entrada de Partitioningnodo, suelte el botón del ratón. Ahora se establece una conexión entre los dos nodos.
Agregue la anotación, cambie la descripción, coloque el nodo y la vista de anotación como desee. Su pantalla debería verse como la siguiente en esta etapa:
A continuación, agregaremos el k-Means nodo.
Adición del nodo k-medias
Selecciona el k-Meansnodo del repositorio y agréguelo al espacio de trabajo. Si desea actualizar su conocimiento sobre el algoritmo k-Means, simplemente busque su descripción en la vista de descripción del banco de trabajo. Esto se muestra en la captura de pantalla a continuación:
Por cierto, puede buscar la descripción de diferentes algoritmos en la ventana de descripción antes de tomar una decisión final sobre cuál utilizar.
Abra el cuadro de diálogo de configuración del nodo. Usaremos los valores predeterminados para todos los campos como se muestra aquí:
Hacer clic OK para aceptar los valores predeterminados y cerrar el diálogo.
Establezca la anotación y la descripción en lo siguiente:
Anotación: Clasificar clústeres
Descripción: realizar agrupaciones
Conecte la salida superior del Partitioning nodo a la entrada de k-Meansnodo. Cambie la posición de sus elementos y su pantalla debería verse así:
A continuación, agregaremos un Cluster Assigner nodo.
Agregar asignador de clúster
los Cluster Assignerasigna nuevos datos a un conjunto existente de prototipos. Se necesitan dos entradas: el modelo prototipo y la tabla de datos que contiene los datos de entrada. Busque la descripción del nodo en la ventana de descripción que se muestra en la captura de pantalla a continuación:
Por lo tanto, para este nodo debe realizar dos conexiones:
El resultado del modelo de clúster PMML de Partitioning nodo → Prototipos Entrada de Cluster Assigner
Salida de la segunda partición de Partitioning nodo → Datos de entrada de Cluster Assigner
Estas dos conexiones se muestran en la siguiente captura de pantalla:
los Cluster Assignerno necesita ninguna configuración especial. Simplemente acepte los valores predeterminados.
Ahora, agregue alguna anotación y descripción a este nodo. Reorganiza tus nodos. Su pantalla debería verse como la siguiente:
En este punto, nuestra agrupación está completa. Necesitamos visualizar la salida gráficamente. Para esto, agregaremos un diagrama de dispersión. Estableceremos los colores y formas para tres clases de manera diferente en el diagrama de dispersión. Por lo tanto, filtraremos la salida delk-Means nodo primero a través del Color Manager nodo y luego a través Shape Manager nodo.
Agregar Administrador de color
Busque el Color Managernodo en el repositorio. Agréguelo al espacio de trabajo. Deje la configuración a sus valores predeterminados. Tenga en cuenta que debe abrir el diálogo de configuración y presionarOKpara aceptar los valores predeterminados. Establezca el texto de descripción del nodo.
Haga una conexión desde la salida de k-Means a la entrada de Color Manager. Su pantalla se vería como la siguiente en esta etapa:
Agregar administrador de formas
Busque el Shape Manageren el repositorio y agréguelo al espacio de trabajo. Deje su configuración a los valores predeterminados. Como el anterior, debes abrir el diálogo de configuración y presionarOKpara establecer valores predeterminados. Establecer la conexión desde la salida deColor Manager a la entrada de Shape Manager. Establezca la descripción del nodo.
Su pantalla debería verse como la siguiente:
Ahora, agregará el último nodo en nuestro modelo y ese es el diagrama de dispersión.
Agregar gráfico de dispersión
Localizar Scatter Plotnodo en el repositorio y agréguelo al espacio de trabajo. Conecte la salida deShape Manager a la entrada de Scatter Plot. Deje la configuración por defecto. Establezca la descripción.
Finalmente, agregue una anotación de grupo a los tres nodos recientemente agregados
Anotación: Visualización
Vuelva a colocar los nodos como desee. Su pantalla debería verse como la siguiente en esta etapa.
Esto completa la tarea de construcción de modelos.
Para probar el modelo, ejecute las siguientes opciones de menú: Node → Execute All
Si todo sale bien, la señal de estado en la parte inferior de cada nodo se volverá verde. Si no es así, deberá buscar elConsole ver los errores, corregirlos y volver a ejecutar el flujo de trabajo.
Ahora, está listo para visualizar la salida prevista del modelo. Para esto, haga clic derecho en elScatter Plot nodo y seleccione las siguientes opciones de menú: Interactive View: Scatter Plot
Esto se muestra en la captura de pantalla a continuación:
Vería el diagrama de dispersión en la pantalla como se muestra aquí:
Puede ejecutar diferentes visualizaciones cambiando el eje xey. Para hacerlo, haga clic en el menú de configuración en la esquina superior derecha del diagrama de dispersión. Aparecería un menú emergente como se muestra en la captura de pantalla a continuación:
Puede configurar los distintos parámetros del gráfico en esta pantalla para visualizar los datos desde varios aspectos.
Esto completa nuestra tarea de construcción de modelos.
KNIME proporciona una herramienta gráfica para crear modelos de aprendizaje automático. En este tutorial, aprendió cómo descargar e instalar KNIME en su máquina.
Resumen
Aprendió las distintas vistas proporcionadas en el banco de trabajo KNIME. KNIME proporciona varios flujos de trabajo predefinidos para su aprendizaje. Usamos uno de esos flujos de trabajo para aprender las capacidades de KNIME. KNIME proporciona varios nodos preprogramados para leer datos en varios formatos, analizar datos utilizando varios algoritmos ML y, finalmente, visualizar datos de muchas formas diferentes. Hacia el final del tutorial, creó su propio modelo comenzando desde cero. Usamos el conocido conjunto de datos de iris para clasificar las plantas usando el algoritmo k-Means.
Ahora está listo para utilizar estas técnicas para sus propios análisis.
Trabajo futuro
Si es un desarrollador y le gustaría utilizar los componentes KNIME en sus aplicaciones de programación, le alegrará saber que KNIME se integra de forma nativa con una amplia gama de lenguajes de programación como Java, R, Python y muchos más.