====== Eksploracja Danych: Laboratorium 8 ======

Podczas zajęć będziemy korzystali z funkcji biblioteki Weka wołanych programowo z kodu Java. 
:

{{ :med:ed-lab08.pdf |Opis zadań (PDF)}}

:!: Prezentacja na YouTube (dawniej laboratorium miało numer 5)

[[https://youtu.be/uutIrXYbV5w| Laboratotrium 8  część 1 (6.23)]]

[[https://youtu.be/6gSbj9EyD7I| Laboratotrium 8 część 2 (17.38)]] :!: Poprawiony link

Zapoznaj się z treścią 
  *{{:med:med-w05.pdf|Wykładu 4: ogólny opis zagadnienia klasyfikacji oraz regresja logistyczna}}  
  *{{:med:med-w05.pdf|Wykładu 5: naiwny mode Bayesa i drzewa decyzyjne}} 
  *{{:med:med-w06.pdf|Wykładu 6: Support Vector Machines i k-NN}}

===== Zbiory danych =====

[[http://home.agh.edu.pl/~pszwed/wiki/doku.php?id=med:datasets#laboratorium_5_klasyfikacja_proste_dwuwymiarowe_obserwacje|Zbiory danych]] - dwuwymiarowym obserwacjom X1 i X2 przypisana jest etykieta klasy (atrybut nominalny Y)

===== Weka =====


Brak specjalnych wymagań

Biblioteka weka.jar:  ''/opt/weka/weka.jar''

===== IDE =====

  * W ''usr/local/bin'' jest dostępne Eclipse Neon
  * Utwórz projekt
  * Wybierz: //Project -> Properties -> Java Build Path.// Następnie zakładkę //Libraries// i opcję //Add External JARs//. Dodaj bibliotekę ''weka.jar ''


Dostępne są także
  *IntelliJ
  *Netbeans
===== Kod =====

Fragmenty kodu:


8.1.1
<code java>
DataSource source = new DataSource("c-001.arff");
Instances data = source.getDataSet();

if (data.classIndex() == -1)
	data.setClassIndex(data.numAttributes() - 1);

</code>


Utworznenie i uczenie klasyfikatora

8.1.3
<code java>
Classifier cls = new NaiveBayes();
cls.buildClassifier(data);
</code>

Instancja do sklasyfikowania 

8.1.4
<code java>
Instance inst = new DenseInstance (3);
inst.setDataset (data);
inst.setValue(0, 1.1); // wartośc dla X1
inst.setValue(1, 2.2); // wartość dla X2		
</code>

8.1.5/6
<code java>

double y = cls.classifyInstance(inst);

double[] distrib = cls.distributionForInstance(inst);
System.out.printf(Locale.US,"%d->%f %d->%f\n",0,distrib[0],1,distrib[1]);
</code>


8.2.2
<code java>
List<Attribute> atts = Arrays.asList(
    new Attribute("X1"),
    new Attribute("X2"),
    new Attribute("Y",Arrays.asList("tak","nie")));
            
Instances result = new Instances("some-relation", new ArrayList<> (atts),0);
result.setClassIndex(result.numAttributes()-1);

</code>

8.2.3
<code java>
for(double x1=-10;x1<=10;x1+=0.1){
 for(double x2=-10;x2<=10;x2+=0.1){
  Instance inst = new DenseInstance(3);
  inst.setValue(0, x1);
  inst.setValue(1, x2);

  inst.setDataset(result);
  double y = cls.classifyInstance(inst);
  inst.setClassValue(y);
  result.add(inst);
 }
}

</code>

8.2.4
<code java>
ArffSaver saver = new ArffSaver();
saver.setInstances(result);
saver.setFile(new File("c-001-result.arff"));
saver.writeBatch();
</code>

8.4.2
<code java>
Classifier cls;
cls = new NaiveBayes();

Evaluation eval = new Evaluation(data);
eval.crossValidateModel(cls, data, 10, new Random(1));

eval.toSummaryString()
eval.confusionMatrix()
System.out.printf(Locale.US,
"[prec recall fmeasure]:\t%f\t%f\t%f\n",
eval.weightedPrecision(),
eval.weightedRecall(),
eval.weightedFMeasure());

</code>