Weka - klasyfikatory
Wiele aplikacji do uczenia maszynowego jest powiązanych z klasyfikacją. Na przykład możesz chcieć sklasyfikować guz jako złośliwy lub łagodny. Możesz zdecydować, czy zagrać w grę na zewnątrz, w zależności od warunków pogodowych. Ogólnie rzecz biorąc, decyzja ta zależy od kilku cech / warunków pogodowych. Więc może wolisz użyć klasyfikatora drzewka, aby podjąć decyzję, czy grać, czy nie.
W tym rozdziale dowiemy się, jak zbudować taki klasyfikator drzewkowy na podstawie danych pogodowych, aby decydować o warunkach gry.
Ustawianie danych testowych
Wykorzystamy wstępnie przetworzony plik danych pogodowych z poprzedniej lekcji. Otwórz zapisany plik przy użyciu rozszerzeniaOpen file ... opcja pod Preprocess kliknij kartę Classify i zobaczysz następujący ekran -
Zanim poznasz dostępne klasyfikatory, przyjrzyjmy się opcjom testu. Zauważysz cztery opcje testowania wymienione poniżej -
- Zestaw treningowy
- Dostarczony zestaw testowy
- Cross-validation
- Podział procentowy
Jeśli nie masz własnego zestawu treningowego lub zestawu testowego dostarczonego przez klienta, możesz użyć opcji walidacji krzyżowej lub podziału procentowego. W ramach walidacji krzyżowej można ustawić liczbę fałd, w których całe dane zostaną podzielone i użyte podczas każdej iteracji uczenia. W przypadku podziału procentowego dane zostaną podzielone między uczenie i testowanie przy użyciu ustawionego procentu podziału.
Teraz zachowaj domyślne play opcja dla klasy wyjściowej -
Następnie wybierzesz klasyfikator.
Wybieranie klasyfikatora
Kliknij przycisk Wybierz i wybierz następujący klasyfikator -
weka→classifiers>trees>J48
Jest to pokazane na poniższym zrzucie ekranu -
Kliknij na Startprzycisk, aby rozpocząć proces klasyfikacji. Po chwili wyniki klasyfikacji zostaną wyświetlone na ekranie, jak pokazano tutaj -
Przyjrzyjmy się wynikowi pokazanemu po prawej stronie ekranu.
Mówi, że rozmiar drzewa to 6. Wkrótce zobaczysz wizualną reprezentację drzewa. W Podsumowaniu jest napisane, że poprawnie sklasyfikowane instancje jako 2, a niepoprawnie sklasyfikowane jako 3, mówi również, że względny błąd bezwzględny wynosi 110%. Pokazuje również macierz zamieszania. Analiza tych wyników wykracza poza zakres tego samouczka. Jednak na podstawie tych wyników można łatwo wywnioskować, że klasyfikacja jest nie do przyjęcia i będziesz potrzebować więcej danych do analizy, aby udoskonalić wybór cech, przebudować model i tak dalej, aż będziesz zadowolony z dokładności modelu. W każdym razie o to chodzi w WEKA. Pozwala szybko przetestować swoje pomysły.
Wizualizuj wyniki
Aby zobaczyć wizualną reprezentację wyników, kliknij prawym przyciskiem myszy wynik w pliku Result listpudełko. Na ekranie pojawi się kilka opcji, jak pokazano tutaj -
Wybierz Visualize tree aby uzyskać wizualną reprezentację drzewa przejścia, jak pokazano na zrzucie ekranu poniżej -
Wybieranie Visualize classifier errors wykreśli wyniki klasyfikacji, jak pokazano tutaj -
ZA cross reprezentuje poprawnie sklasyfikowaną instancję while squaresreprezentuje nieprawidłowo sklasyfikowane instancje. W lewym dolnym rogu wykresu widać znakcross to wskazuje, czy outlook jest wtedy słonecznie playgra. Więc to jest poprawnie sklasyfikowana instancja. Aby zlokalizować instancje, możesz wprowadzić do niej jitter, przesuwającjitter suwak.
Obecna fabuła to outlook przeciw play. Są one wskazywane przez dwa rozwijane pola listy u góry ekranu.
Teraz spróbuj innego wyboru w każdym z tych pól i zwróć uwagę, jak zmieniają się osie X i Y. To samo można osiągnąć, używając poziomych pasów po prawej stronie działki. Każdy pasek reprezentuje atrybut. Kliknięcie lewym przyciskiem myszy ustawia wybrany atrybut na osi X, natomiast prawym przyciskiem myszy ustawia go na osi Y.
Istnieje kilka innych wykresów do głębszej analizy. Używaj ich rozważnie, aby dostroić swój model. Jedna taka fabułaCost/Benefit analysis jest pokazany poniżej w celu szybkiego odniesienia.
Wyjaśnienie analizy na tych wykresach wykracza poza zakres tego samouczka. Zachęcamy czytelników do odświeżenia wiedzy na temat analizy algorytmów uczenia maszynowego.
W kolejnym rozdziale poznamy kolejny zestaw algorytmów uczenia maszynowego, czyli grupowanie.