Ejercicio Tema 5 Construccin de un KnowledgeFlow para Clasificacin Supervisada

En este ltimo tema vamos a realizar un ejercicio muy interesante que persigue los siguientes objetivos: Aplicar los conceptos de validacin cruzada. Aprender qu es el KnowledgeFlow de Weka. Utilizar el KnowledgeFlow de Weka para realizar un flujo completo, de forma que evaluaremos la seleccin de variables que se realiz en el tema anterior. El WorkFlow que tenemos que realizar se puede ver en la Figura 1. Qu es el KnowledgeFlow? El KnowledgeFlow proporciona una alternativa al explorador, es un entorno grfico de los algoritmos base de Weka. El KnowledgeFlow presenta un interfaz inspirado en flujo de datos. El usuario puede seleccionar los componentes de Weka de una barra de la herramienta, situarlos en pantalla y conectarlos para formar un flujo del conocimiento para procesar y analizar datos.

Figura 1: Este el WorkFlow que tenemos que crear en el ejercicio de este tema. Comenzando a utilizar el KnowledgeFlow Cmo se pone un nodo en pantalla? Es tan sencillo como hacer clic con el botn izquierdo del ratn en el nodo que queremos utilizar y, a continuacin, hacer clic en la zona donde quieras situarlo. Cmo se configura un nodo? Una vez situado el nodo, haciendo clic sobre l con el botn derecho del ratn nos aparecen una serie de opciones, entre ellas Configure. De esta forma tendremos que ir configurando los nodos que utilicemos.

Cmo se conectan dos nodos?

De un nodo a otro fluye determinado tipo de informacin, que depende de los nodos que estemos utilizando. A lo largo de este ejercicio se detallar, paso por paso, la informacin que fluye entre nuestros nodos. Una vez situados los dos nodos que queremos unir en pantalla, haciendo clic con el botn derecho del ratn sobre el primero de ellos, nos aparecen, bajo el nombre Connections, los flujos de informacin que se pueden enviar. En el caso de la siguiente figura, se est eligiendo enviar el dataSet

Figura 2: Conectando de dos nodos Construccin de nuestro KnowledgeFlow PASO 1 Insertar un nodo del tipo Arff Loader (etiqueta DataSources). Configurarlo para que lea el fichero diabetes.arff PASO 2 Insertar el nodo Class Assigner (etiqueta Evaluation). Unirlo con el nodo anterior, enviando el dataSet. Configurar el nodo para que la clase sea la variable llamada class (debera tenerla configurada por defecto). PASO 3 Insertamos un nodo Discretize (etiqueta Filters). Unirlo con el nodo anterior, enviando el dataSet. La configuracin por defecto discretiza todas las variables. Dejamos esta configuracin. A continuacin vamos a establecer dos rutas paralelas. La primera ruta usar un 10-fold para evaluar la clasificacin del dataset con todas sus variables. La segunda ruta utilizar tambin un 10-fold pero para evaluar la clasificacin cuando usamos slo las variables que intuitivamente seleccionamos en el anterior tema. Comenzamos con la ruta de arriba. PASO 4 Insertamos un nodo CrossValidation FoldMaker (etiqueta Evaluation). Unirlo con el nodo anterior, enviando el dataSet. En la configuracin podemos elegir el nmero de Folds (por defecto 10) y la semilla aleatoria (por defecto 1). Dejamos los valores por defecto. PASO 5 Insertar el nodo Naive Bayes (etiqueta Classifiers).

Unirlo con el nodo anterior, enviando el trainingSet. Unirlo con el nodo anterior, enviando el testSet. S, hay que enviar las dos informaciones, en otro caso la validacin cruzada no funcionar correctamente. En este nodo de tipo Naive Bayes dejamos la configuracin por defecto. PASO 6 Insertar el nodo Classifier PerformanceEvaluator (etiqueta Evaluation). Unirlo con el nodo anterior, enviando el batchClassifier. El resto por defecto PASO 7 Ya slo nos queda visualizar el resultado. Aadimos un nodo de tipo TextViewer (etiqueta Visualization). Unirlo con el nodo anterior, enviando text. Para comprobar que todo funciona correctamente, hacemos clic con el botn derecho del ratn sobre el primero de los nodos y seleccionamos Actions-Start loading. Esta accin hace que se cargue el dataset y que se ejecute todo. Slo nos queda hacer clic en el ltimo nodo, seleccionar Actions-Show Results, y ver los resultados obtenidos.

PASO 8 La segunda ruta es exactamente igual que la primera, pero con un nodo intermedio que borra las variables que no queremos (ver Figura 1). El nodo intermedio es de tipo Remove (etiqueta Filters). En la configuracin de este nodo debemos especificar, separando por comas, el ndice de las variables que queremos eliminar.

Qu tenis que entregar? Como resultado de este ejercicio nos tenis que mandar la siguiente tabla rellena. Como veis hay que realizar 5 ejecuciones, cambiando la semilla aleatoria de creacin de los 10-fold (parmetro seed del nodo CrossValidation FoldMaker) y rellenar el porcentaje de bien clasificados obtenidos en cada caso. Semilla aleatoria Naive Bayes 1 (todas las varibles)
% bien clasif % bien clasif % bien clasif % bien clasif % bien clasif

Naive Bayes 2 (quitando las variables que no se consideren interesantes)

% bien clasif % bien clasif % bien clasif % bien clasif % bien clasif

1 2 3 4 5

Nota: Acordaros de cambiar la semilla en las dos sub-rutas que hemos realizado.