KNIME - Hızlı Kılavuz
Makine Öğrenimi modellerini geliştirmek, şifreli yapısı nedeniyle her zaman çok zor kabul edilir. Genel olarak, makine öğrenimi uygulamaları geliştirmek için, komuta dayalı geliştirme konusunda uzmanlığa sahip iyi bir geliştirici olmanız gerekir. KNIME'nin piyasaya sürülmesi, Makine Öğrenimi modellerinin geliştirilmesini sıradan bir insanın bakış açısına getirdi.
KNIME, tüm geliştirme için bir grafik arabirim (kullanıcı dostu bir GUI) sağlar. KNIME'de, havuzunda sağlanan önceden tanımlanmış çeşitli düğümler arasındaki iş akışını tanımlamanız yeterlidir. KNIME, veri okuma, çeşitli makine öğrenimi algoritmalarını uygulama ve verileri çeşitli formatlarda görselleştirme gibi çeşitli görevler için düğüm adı verilen önceden tanımlanmış birkaç bileşen sağlar. Bu nedenle, KNIME ile çalışmak için programlama bilgisine gerek yoktur. Bu heyecan verici değil mi?
Bu eğiticinin sonraki bölümleri, iyi test edilmiş birkaç makine öğrenimi algoritması kullanarak veri analizinde nasıl ustalaşacağınızı öğretecektir.
KNIME Analytics Platform, Windows, Linux ve MacOS için mevcuttur. Bu bölümde, platformu Mac'e kurma adımlarına bakalım. Windows veya Linux kullanıyorsanız, KNIME indirme sayfasında verilen kurulum talimatlarını izlemeniz yeterlidir. Her üç platform için ikili kurulum KNIME'nin sayfasında mevcuttur .
Mac Kurulumu
İkili kurulumu KNIME resmi sitesinden indirin. İndirilene çift tıklayındmgkurulumu başlatmak için dosya. Yükleme tamamlandığında, KNIME simgesini burada görüldüğü gibi Uygulamalar klasörüne sürüklemeniz yeterlidir -
KNIME Analytics Platformunu başlatmak için KNIME simgesine çift tıklayın. Başlangıçta, çalışmanızı kaydetmek için bir çalışma alanı klasörü kurmanız istenecektir. Ekranınız aşağıdaki gibi görünecek -
Seçili klasörü varsayılan olarak ayarlayabilirsiniz ve KNIME'yi bir sonraki başlatışınızda,
bu diyaloğu tekrar göster.
Bir süre sonra KNIME platformu masaüstünüzde başlayacaktır. Bu, analiz çalışmalarınızı gerçekleştireceğiniz çalışma tezgahıdır. Şimdi tezgahın çeşitli kısımlarına bakalım.
KNIME başladığında, aşağıdaki ekranı göreceksiniz -
Ekran görüntüsünde işaretlendiği gibi, çalışma tezgahı birkaç görünümden oluşur. Hemen kullanabileceğimiz görünümler ekran görüntüsünde işaretlenmiş ve aşağıda listelenmiştir -
Workspace
Outline
Düğüm Deposu
KNIME Explorer
Console
Description
Bu bölümde ilerlerken, bu görüşleri her birini ayrıntılı olarak öğrenelim.
Çalışma Alanı Görünümü
Bizim için en önemli görüş, Workspacegörünüm. Makine öğrenimi modelinizi oluşturacağınız yer burasıdır. Çalışma alanı görünümü aşağıdaki ekran görüntüsünde vurgulanmıştır -
Ekran görüntüsü açık bir çalışma alanını gösterir. Yakında mevcut bir çalışma alanını nasıl açacağınızı öğreneceksiniz.
Her çalışma alanı bir veya daha fazla düğüm içerir. Bu düğümlerin önemini daha sonra öğreticide öğreneceksiniz. Düğümler oklar kullanılarak bağlanır. Genel olarak, program akışı zorunlu olmasa da soldan sağa tanımlanır. Çalışma alanındaki her düğümü serbestçe hareket ettirebilirsiniz. İkisi arasındaki bağlantı hatları, düğümler arasındaki bağlantıyı sürdürmek için uygun şekilde hareket edecektir. İstediğiniz zaman düğümler arasında bağlantı ekleyebilir / kaldırabilirsiniz. Her düğüm için isteğe bağlı olarak küçük bir açıklama eklenebilir.
Anahat Görünümü
Çalışma alanı görünümü size aynı anda tüm iş akışını gösteremeyebilir. Bu nedenle, anahat görünümü sağlanır.
Anahat görünümü, tüm çalışma alanının minyatür bir görünümünü gösterir. Bu görünümün içinde, iş akışının farklı bölümlerini görmek için kaydırabileceğiniz bir yakınlaştırma penceresi vardır.Workspace görünüm.
Düğüm Deposu
Bu, tezgahtaki bir sonraki önemli görünümdür. Düğüm deposu, analiziniz için kullanılabilen çeşitli düğümleri listeler. Tüm arşiv, düğüm işlevlerine göre güzel bir şekilde sınıflandırılmıştır. Gibi kategoriler bulacaksınız -
IO
Views
Analytics
Her kategorinin altında birkaç seçenek bulacaksınız. Sahip olduklarınızı görmek için her kategori görünümünü genişletmeniz yeterlidir. AltındaIO kategorisinde, verilerinizi ARFF, CSV, PMML, XLS vb. gibi çeşitli dosya biçimlerinde okuyabileceğiniz düğümler bulacaksınız.
Giriş kaynağı veri formatınıza bağlı olarak, veri kümenizi okumak için uygun düğümü seçeceksiniz.
Bu zamana kadar, muhtemelen bir düğümün amacını anlamışsınızdır. Bir düğüm, iş akışınıza görsel olarak ekleyebileceğiniz belirli bir işlevsellik türünü tanımlar.
Analytics düğümü, Bayes, Clustering, Decision Tree, Ensemble Learning vb. Gibi çeşitli makine öğrenimi algoritmalarını tanımlar.
Bu çeşitli makine öğrenimi algoritmalarının uygulanması bu düğümlerde sağlanır. Analizinize herhangi bir algoritma uygulamak için, istediğiniz düğümü depodan seçin ve çalışma alanınıza ekleyin. Veri okuyucu düğümünün çıkışını bu ML düğümünün girişine bağlayın ve iş akışınız oluşturulur.
Depoda bulunan çeşitli düğümleri keşfetmenizi öneririz.
KNIME Explorer
Tezgahtaki bir sonraki önemli görünüm, Explorer aşağıdaki ekran görüntüsünde gösterildiği gibi görüntüleyin -
İlk iki kategori, KNIME sunucusunda tanımlanan çalışma alanlarını listeler. Üçüncü seçenek YEREL, yerel makinenizde oluşturduğunuz tüm çalışma alanlarını depolamak için kullanılır. Önceden tanımlanmış çeşitli çalışma alanlarını görmek için bu sekmeleri genişletmeyi deneyin. Özellikle ÖRNEKLER sekmesini genişletin.
KNIME, platforma başlamanız için birkaç örnek sunar. Bir sonraki bölümde, kendinizi platforma tanıtmak için bu örneklerden birini kullanacaksınız.
Konsol Görünümü
Adından da anlaşılacağı gibi, Console view, iş akışınızı yürütürken çeşitli konsol mesajlarının bir görünümünü sağlar.
Console view, iş akışını teşhis etmede ve analiz sonuçlarını incelemede yararlıdır.
Açıklama Görünümü
Bizimle hemen ilgili olan son önemli görüş, Descriptiongörünüm. Bu görünüm, çalışma alanında seçilen bir öğenin açıklamasını sağlar. Aşağıdaki ekran görüntüsünde tipik bir görünüm gösterilmektedir -
Yukarıdaki görünüm, bir File Readerdüğüm. SeçtiğinizdeFile Readerçalışma alanınızdaki düğüm, bu görünümde açıklamasını göreceksiniz. Başka herhangi bir düğüme tıklamak, seçilen düğümün açıklamasını gösterir. Bu nedenle, çalışma alanındaki ve / veya düğüm havuzundaki çeşitli düğümlerin amacını tam olarak bilmediğinizde, bu görünüm öğrenmenin ilk aşamalarında çok yararlı hale gelir.
Araç çubuğu
Yukarıda açıklanan görünümlerin yanı sıra, çalışma tezgahı araç çubuğu gibi başka görünümlere de sahiptir. Araç çubuğu, hızlı bir işlemi kolaylaştıran çeşitli simgeler içerir. Simgeler bağlama göre etkinleştirilir / devre dışı bırakılır. Her bir simgenin gerçekleştirdiği eylemi fareyi üzerine getirerek görebilirsiniz. Aşağıdaki ekran, tarafından gerçekleştirilen eylemi gösterir.Configure simgesi.
Görünümleri Etkinleştirme / Devre Dışı Bırakma
Şimdiye kadar gördüğünüz çeşitli görünümler kolayca açılıp kapatılabilir. Görünümdeki Kapat simgesine tıklamakclosegörünüm. Görünümü eski haline getirmek için şuraya gidin:Viewmenü seçeneğini seçin ve istenen görünümü seçin. Seçilen görünüm çalışma tezgahına eklenecektir.
Şimdi, tezgahla tanıştığınız için, size bir iş akışını nasıl çalıştıracağınızı ve onun tarafından gerçekleştirilen analitiği nasıl inceleyeceğinizi göstereceğim.
KNIME, öğrenme kolaylığı için birkaç iyi iş akışı sağladı. Bu bölümde, analiz platformunun çeşitli özelliklerini ve gücünü açıklamak için kurulumda sağlanan iş akışlarından birini ele alacağız. Basit bir sınıflandırıcı kullanacağız.Decision Tree çalışmamız için.
Karar Ağacı Sınıflandırıcısı Yükleniyor
KNIME Explorer'da aşağıdaki iş akışını bulun -
LOCAL / Example Workflows / Basic Examples / Building a Simple Classifier
Bu, hızlı referansınız için aşağıdaki ekran görüntüsünde de gösterilmektedir -
İş akışını açmak için seçili öğeye çift tıklayın. Çalışma Alanı görünümünü inceleyin. Birkaç düğüm içeren iş akışını göreceksiniz. Bu iş akışının amacı, UCI Makine Öğrenimi Havuzundan alınan yetişkin veri setinin demokratik özelliklerinden gelir grubunu tahmin etmektir. Bu ML modelinin görevi, belirli bir bölgedeki insanları 50K'dan fazla veya daha az gelire sahip olarak sınıflandırmaktır.
Workspace ana hatları ile birlikte görünümü aşağıdaki ekran görüntüsünde gösterilmektedir -
Cihazdan alınan birkaç düğümün varlığına dikkat edin. Nodesdepo ve oklarla bir iş akışına bağlanır. Bağlantı, bir düğümün çıktısının bir sonraki düğümün girişine beslendiğini gösterir. İş akışındaki her bir düğümün işlevselliğini öğrenmeden önce, önce tüm iş akışını yürütelim.
İş Akışını Yürütme
İş akışının yürütülmesine bakmadan önce, her düğümün durum raporunu anlamak önemlidir. İş akışındaki herhangi bir düğümü inceleyin. Her düğümün altında üç daire içeren bir durum göstergesi bulacaksınız. Karar Ağacı Öğrenici düğümü aşağıdaki ekran görüntüsünde gösterilmektedir -
Durum göstergesi, bu düğümün şimdiye kadar çalıştırılmadığını gösteren kırmızıdır. Uygulama sırasında sarı renkte olan ortadaki daire yanar. Başarılı bir şekilde uygulandığında, son daire yeşile döner. Hata durumunda size durum bilgilerini verecek daha fazla gösterge var. İşlem sırasında bir hata oluştuğunda bunları öğreneceksiniz.
Şu anda tüm düğümlerdeki göstergelerin, şu ana kadar hiçbir düğüm yürütülmediğini gösteren kırmızı renkte olduğuna dikkat edin. Tüm düğümleri çalıştırmak için aşağıdaki menü öğesine tıklayın -
Node → Execute All
Bir süre sonra, her bir düğüm durum göstergesinin artık hata olmadığını gösteren yeşile döndüğünü göreceksiniz.
Bir sonraki bölümde, iş akışındaki çeşitli düğümlerin işlevselliğini inceleyeceğiz.
İş akışındaki düğümleri kontrol ederseniz, aşağıdakileri içerdiğini görebilirsiniz -
Dosya Okuyucu,
Renk Yöneticisi
Partitioning
Karar Ağacı Öğrencisi
Karar Ağacı Tahmini
Score
Etkileşimli Tablo
Dağılım grafiği
Statistics
Bunlar, Outline burada gösterildiği gibi görüntüleyin -
Her düğüm, iş akışında belirli bir işlevsellik sağlar. Şimdi bu düğümleri istenen işlevselliği karşılayacak şekilde nasıl yapılandıracağımızı inceleyeceğiz. İş akışını keşfetmenin şu anki bağlamında yalnızca bizimle ilgili olan düğümleri tartışacağımızı lütfen unutmayın.
Dosya Okuyucu
Dosya Okuyucu düğümü aşağıdaki ekran görüntüsünde gösterilmektedir -
Pencerenin üst kısmında, iş akışını oluşturan kişi tarafından sağlanan bir açıklama vardır. Bu düğümün yetişkin veri setini okuduğunu söyler. Dosyanın adıadult.csvdüğüm sembolünün altındaki açıklamadan görüldüğü gibi. File Reader iki çıkışı vardır - biri Color Manager düğüm ve diğeri Statistics düğüm.
Sağ tıklarsanız File Manageraşağıdaki gibi bir açılır menü görünecektir -
Configuremenü seçeneği, düğüm yapılandırmasına izin verir. Executemenü düğümü çalıştırır. Düğüm zaten çalıştırılmışsa ve yeşil durumdaysa, bu menünün devre dışı bırakıldığını unutmayın. Ayrıca, varlığına dikkat edinEdit Note Descriptionmenü seçeneği. Bu, düğümünüz için açıklama yazmanıza olanak tanır.
Şimdi seçin Configure menü seçeneği, buradaki ekran görüntüsünde görüldüğü gibi adult.csv dosyasındaki verileri içeren ekranı gösterir -
Bu düğümü çalıştırdığınızda, veriler belleğe yüklenecektir. Veri yükleme program kodunun tamamı kullanıcıdan gizlenir. Artık bu tür düğümlerin kullanışlılığını takdir edebilirsiniz - kodlama gerekmez.
Bir sonraki düğümümüz Color Manager.
Renk Yöneticisi
Seçin Color Managerdüğümü seçin ve üzerine sağ tıklayarak yapılandırmasına gidin. Bir renk ayarları iletişim kutusu görünecektir. Seçinincome açılır listeden sütun.
Ekranınız aşağıdaki gibi görünecektir -
İki kısıtlamanın varlığına dikkat edin. Gelir 50K'dan az ise veri noktası yeşil, fazla ise kırmızı renk alır. Bu bölümün ilerleyen kısımlarında dağılım grafiğine baktığımızda veri noktası eşleştirmelerini göreceksiniz.
Bölümleme
Makine öğreniminde, genellikle mevcut verilerin tamamını iki bölüme ayırırız. Daha büyük kısım modeli eğitmek için kullanılırken, daha küçük kısım test için kullanılır. Verileri bölümlemek için kullanılan farklı stratejiler vardır.
İstenilen bölümü tanımlamak için, sağ tıklayın Partitioning düğüm ve seçin Configureseçeneği. Aşağıdaki ekranı göreceksiniz -
Bu durumda, sistem modelcisi Relative(%) modu ve veriler 80:20 oranında bölünür. Bölme yapılırken veri noktaları rastgele alınır. Bu, test verilerinizin önyargılı olmamasını sağlar. Doğrusal örnekleme durumunda, test için kullanılan kalan% 20 veri, toplanması sırasında tamamen önyargılı olabileceğinden eğitim verilerini doğru şekilde temsil etmeyebilir.
Veri toplama sırasında rastgeleliğin garanti edildiğinden eminseniz, doğrusal örneklemeyi seçebilirsiniz. Verileriniz modeli eğitmek için hazır olduğunda, onu sonraki düğüme besleyin;Decision Tree Learner.
Karar Ağacı Öğrencisi
Decision Tree Learneradından da anlaşılacağı gibi düğüm eğitim verilerini kullanır ve bir model oluşturur. Aşağıdaki ekran görüntüsünde gösterilen bu düğümün yapılandırma ayarına bakın -
Gördüğünüz gibi Class dır-dir income. Böylece ağaç, gelir sütununa göre inşa edilecek ve bu modelde başarmaya çalıştığımız şey bu. 50K'dan daha fazla veya daha düşük gelire sahip kişilerin ayrılmasını istiyoruz.
Bu düğüm başarıyla çalıştıktan sonra, modeliniz teste hazır olacaktır.
Karar Ağacı Tahmini
Karar Ağacı Predictor düğümü, geliştirilen modeli test veri kümesine uygular ve model tahminlerini ekler.
Tahmincinin çıktısı iki farklı düğüme beslenir - Scorer ve Scatter Plot. Sonra, tahminin çıktısını inceleyeceğiz.
Golcü
Bu düğüm, confusion matrix. Görüntülemek için düğüme sağ tıklayın. Aşağıdaki açılır menüyü göreceksiniz -
Tıkla View: Confusion Matrix menü seçeneği ve matris, buradaki ekran görüntüsünde gösterildiği gibi ayrı bir pencerede açılır -
Geliştirdiğimiz modelin doğruluğunun% 83,71 olduğunu göstermektedir. Bundan memnun değilseniz, model oluşturmada diğer parametrelerle oynayabilirsiniz, özellikle verilerinizi tekrar ziyaret etmek ve temizlemek isteyebilirsiniz.
Dağılım grafiği
Veri dağılımının dağılım grafiğini görmek için sağ tıklayın Scatter Plot düğümü seçin ve menü seçeneğini seçin Interactive View: Scatter Plot. Aşağıdaki arsayı göreceksiniz -
Arsa, 50K eşiğine göre farklı gelir gruplarının iki farklı renkli nokta - kırmızı ve mavi - dağılımını veriyor. Bunlar bizimColor Managerdüğüm. Dağılım, x ekseninde çizilen yaşa görelidir. Düğümün konfigürasyonunu değiştirerek x ekseni için farklı bir özellik seçebilirsiniz.
Yapılandırma iletişim kutusu burada gösterilir. marital-status x ekseni için bir özellik olarak.
Bu, KNIME tarafından sağlanan önceden tanımlanmış model hakkındaki tartışmamızı tamamlar. Kendi kendine çalışmanız için modeldeki diğer iki düğümü (İstatistikler ve Etkileşimli Tablo) almanızı öneririz.
Şimdi eğitimin en önemli kısmına geçelim - kendi modelinizi oluşturalım.
Bu bölümde, tesisleri gözlemlenen birkaç özelliğe göre sınıflandırmak için kendi makine öğrenimi modelinizi oluşturacaksınız. Tanınmış olanı kullanacağıziris veri kümesi UCI Machine Learning Repositorybu amaç için. Veri kümesi üç farklı bitki sınıfı içerir. Modelimizi bilinmeyen bir bitkiyi bu üç sınıfa ayırmak için eğiteceğiz.
Makine öğrenimi modellerimizi oluşturmak için KNIME'de yeni bir iş akışı oluşturmakla başlayacağız.
İş Akışı Oluşturma
Yeni bir iş akışı oluşturmak için KNIME çalışma tezgahında aşağıdaki menü seçeneğini seçin.
File → New
Aşağıdaki ekranı göreceksiniz -
Seçin New KNIME Workflow seçeneğini tıklayın ve tıklayın Nextbuton. Bir sonraki ekranda, iş akışı için istenen ad ve onu kaydetmek için hedef klasör istenecektir. Bu bilgileri istediğiniz gibi girin ve tıklayınFinish yeni bir çalışma alanı oluşturmak için.
Verilen ada sahip yeni bir çalışma alanı, Workspace burada görüldüğü gibi görünüm -
Modelinizi oluşturmak için şimdi bu çalışma alanına çeşitli düğümleri ekleyeceksiniz. Düğüm eklemeden önce, indirip hazırlamanız gerekir.iris kullanımımız için veri seti.
Veri Kümesi Hazırlanıyor
Iris veri kümesini UCI Machine Learning Repository sitesinden indirin Iris Veri Kümesini İndirin . İndirilen iris.data dosyası CSV formatındadır. Sütun adlarını eklemek için bazı değişiklikler yapacağız.
İndirdiğiniz dosyayı favori metin düzenleyicinizde açın ve başa aşağıdaki satırı ekleyin.
sepal length, petal length, sepal width, petal width, class
Ne zaman File Reader node bu dosyayı okur, yukarıdaki alanları otomatik olarak sütun adı olarak alır.
Şimdi, çeşitli düğümler eklemeye başlayacaksınız.
Dosya Okuyucu Ekleme
Şuraya git Node Repository görünümünde, arama kutusuna "dosya" yazın. File Readerdüğüm. Bu, aşağıdaki ekran görüntüsünde görülmektedir -
Seçin ve çift tıklayın. File Readerdüğümü çalışma alanına eklemek için. Alternatif olarak, düğümü çalışma alanına eklemek için sürükle bırak özelliğini kullanabilirsiniz. Düğüm eklendikten sonra onu yapılandırmanız gerekecektir. Düğüme sağ tıklayın veConfiguremenü seçeneği. Bunu daha önceki derste yaptınız.
Veri dosyası yüklendikten sonra ayarlar ekranı aşağıdaki gibi görünür.
Veri kümenizi yüklemek için, Browsedüğmesine tıklayın ve iris.data dosyanızın konumunu seçin. Düğüm, yapılandırma kutusunun alt kısmında görüntülenen dosyanın içeriğini yükleyecektir. Veri dosyasının doğru bir şekilde yerleştirildiğinden ve yüklendiğinden emin olduğunuzda,OK Yapılandırma iletişim kutusunu kapatmak için düğmesine basın.
Şimdi bu düğüme bazı açıklamalar ekleyeceksiniz. Düğüme sağ tıklayın ve seçinNew Workflow Annotationmenü seçeneği. Ekranda, buradaki ekran görüntüsünde gösterildiği gibi bir açıklama kutusu görünecektir:
Kutunun içini tıklayın ve aşağıdaki ek açıklamayı ekleyin -
Reads iris.data
Düzenleme modundan çıkmak için kutunun dışında herhangi bir yeri tıklayın. Kutuyu istediğiniz gibi yeniden boyutlandırın ve düğümün etrafına yerleştirin. Son olarak,Node 1 Bu dizeyi aşağıdaki gibi değiştirmek için düğümün altındaki metin -
Loads data
Bu noktada, ekranınız aşağıdaki gibi görünecektir -
Şimdi yüklenen veri setimizi eğitim ve teste bölümlemek için yeni bir düğüm ekleyeceğiz.
Bölümleme Düğümü Ekleme
İçinde Node Repository arama penceresi, bulmak için birkaç karakter yazın. Partitioning düğüm, aşağıdaki ekran görüntüsünde görüldüğü gibi -
Düğümü çalışma alanımıza ekleyin. Yapılandırmasını aşağıdaki gibi ayarlayın -
Relative (%) : 95
Draw Randomly
Aşağıdaki ekran görüntüsü yapılandırma parametrelerini gösterir.
Ardından, iki düğüm arasındaki bağlantıyı kurun. Bunu yapmak için, sayfanın çıktısına tıklayın.File Reader düğüm, fare düğmesini basılı tutun, bir lastik bant çizgisi görünecektir, onu girişine sürükleyin. Partitioningdüğüm, fare düğmesini bırakın. Artık iki düğüm arasında bir bağlantı kurulmuştur.
Detaylandırmayı ekleyin, açıklamayı değiştirin, düğümü ve detaylandırma görünümünü istediğiniz gibi konumlandırın. Bu aşamada ekranınız aşağıdaki gibi görünmelidir -
Sonra, ekleyeceğiz k-Means düğüm.
K-Ortalama Düğümü Ekleme
Seçin k-Meansdepodan düğüm ve çalışma alanına ekleyin. K-Means algoritmasıyla ilgili bilgilerinizi yenilemek istiyorsanız, çalışma tezgahının açıklama görünümünde açıklamasına bakın. Bu, aşağıdaki ekran görüntüsünde gösterilmektedir -
Bu arada, hangisinin kullanılacağına dair nihai bir karar vermeden önce, açıklama penceresinde farklı algoritmaların açıklamalarına bakabilirsiniz.
Düğüm için yapılandırma iletişim kutusunu açın. Tüm alanlar için varsayılanları burada gösterildiği gibi kullanacağız -
Tıklayın OK varsayılanları kabul etmek ve iletişim kutusunu kapatmak için.
Ek açıklamayı ve açıklamayı şu şekilde ayarlayın -
Ek açıklama: Kümeleri sınıflandırın
Açıklama: Kümeleme gerçekleştirin
Üst çıkışını bağlayın. Partitioning giriş düğümü k-Meansdüğüm. Öğelerinizi yeniden konumlandırın ve ekranınız aşağıdaki gibi görünmelidir -
Sonra, bir ekleyeceğiz Cluster Assigner düğüm.
Küme Atayıcısı Ekleniyor
Cluster Assigneryeni verileri mevcut bir prototip kümesine atar. İki giriş alır - prototip modeli ve giriş verilerini içeren verilebilir. Aşağıdaki ekran görüntüsünde gösterilen açıklama penceresinde düğümün açıklamasına bakın -
Bu nedenle, bu düğüm için iki bağlantı yapmanız gerekir -
PMML Küme Modeli çıktısı Partitioning düğüm → Prototiplerin girişi Cluster Assigner
İkinci bölüm çıktısı Partitioning düğüm → Giriş verileri Cluster Assigner
Bu iki bağlantı aşağıdaki ekran görüntüsünde gösterilmektedir -
Cluster Assignerherhangi bir özel konfigürasyona ihtiyaç duymaz. Varsayılanları kabul edin.
Şimdi, bu düğüme biraz açıklama ve açıklama ekleyin. Düğümlerinizi yeniden düzenleyin. Ekranınız aşağıdaki gibi görünmelidir -
Bu noktada kümelenmemiz tamamlanmıştır. Çıktıyı grafik olarak görselleştirmemiz gerekiyor. Bunun için bir dağılım grafiği ekleyeceğiz. Dağılım grafiğinde üç sınıf için renkleri ve şekilleri farklı şekilde ayarlayacağız. Böylece, çıktısını filtreleyeceğiz.k-Means önce düğüm Color Manager düğüm ve sonra Shape Manager düğüm.
Renk Yöneticisi Ekleme
Bulun Color Managerdepodaki düğüm. Çalışma alanına ekleyin. Yapılandırmayı varsayılan değerlerinde bırakın. Yapılandırma iletişim kutusunu açmanız veOKvarsayılanları kabul etmek için. Düğüm için açıklama metnini ayarlayın.
Çıkışından bir bağlantı yapın k-Means girişine Color Manager. Bu aşamada ekranınız aşağıdaki gibi görünecektir -
Şekil Yöneticisi Ekleme
Bulun Shape Managerarşivde bulun ve çalışma alanına ekleyin. Yapılandırmasını varsayılanlarda bırakın. Önceki gibi, yapılandırma iletişim kutusunu açmalı veOKvarsayılanları ayarlamak için. Bağlantıyı çıkışından kurunColor Manager girişine Shape Manager. Düğümün açıklamasını ayarlayın.
Ekranınız aşağıdaki gibi görünmelidir -
Şimdi, modelimizdeki son düğümü ekleyeceksiniz ve bu dağılım grafiği.
Dağılım Grafiği Ekleme
Bul Scatter Plotdepodaki düğümü ve çalışma alanına ekleyin. Çıkışını bağlayınShape Manager girişine Scatter Plot. Yapılandırmayı varsayılanlarda bırakın. Açıklamayı ayarlayın.
Son olarak, son eklenen üç düğüme bir grup ek açıklaması ekleyin
Ek açıklama: Görselleştirme
Düğümleri istediğiniz gibi yeniden konumlandırın. Bu aşamada ekranınız aşağıdaki gibi görünmelidir.
Bu, model oluşturma görevini tamamlar.
Modeli test etmek için aşağıdaki menü seçeneklerini yürütün: Node → Execute All
Her şey yolunda giderse, her düğümün altındaki durum sinyali yeşile döner. Değilse, bakmanız gerekecekConsole hataları görüntüleyin, düzeltin ve iş akışını yeniden çalıştırın.
Artık modelin tahmin edilen çıktısını görselleştirmeye hazırsınız. Bunun için sağ tıklayınScatter Plot düğümüne gidin ve aşağıdaki menü seçeneklerini seçin: Interactive View: Scatter Plot
Bu, aşağıdaki ekran görüntüsünde gösterilmektedir -
Burada gösterildiği gibi dağılım grafiğini ekranda göreceksiniz -
X ve y eksenlerini değiştirerek farklı görselleştirmelerde çalışabilirsiniz. Bunu yapmak için dağılım grafiğinin sağ üst köşesindeki ayarlar menüsünü tıklayın. Aşağıdaki ekran görüntüsünde gösterildiği gibi bir açılır menü görünecektir -
Verileri çeşitli yönlerden görselleştirmek için bu ekranda çizim için çeşitli parametreleri ayarlayabilirsiniz.
Bu, model oluşturma görevimizi tamamlıyor.
KNIME, Makine Öğrenimi modelleri oluşturmak için bir grafik araç sağlar. Bu eğitimde, KNIME'yi makinenize nasıl indirip kuracağınızı öğrendiniz.
Özet
KNIME çalışma tezgahında sağlanan çeşitli görünümleri öğrendiniz. KNIME, öğrenmeniz için önceden tanımlanmış birkaç iş akışı sağlar. KNIME'nin yeteneklerini öğrenmek için böyle bir iş akışını kullandık. KNIME, verileri çeşitli biçimlerde okumak, çeşitli ML algoritmaları kullanarak verileri analiz etmek ve son olarak verileri birçok farklı şekilde görselleştirmek için önceden programlanmış birkaç düğüm sağlar. Eğitimin sonuna doğru, sıfırdan başlayarak kendi modelinizi yarattınız. Bitkileri k-Means algoritmasını kullanarak sınıflandırmak için iyi bilinen iris veri setini kullandık.
Artık bu teknikleri kendi analizleriniz için kullanmaya hazırsınız.
Gelecek iş
Bir geliştiriciyseniz ve programlama uygulamalarınızda KNIME bileşenlerini kullanmak istiyorsanız, KNIME'nin Java, R, Python ve daha pek çok farklı programlama diliyle yerel olarak entegre olduğunu bilmekten memnuniyet duyacaksınız.