Differences

This shows you the differences between two versions of the page.

--- med:lab_5 [2020/04/30 02:18]
pszwed [Metody Eksploracji Danych: Laboratorium 5]
+++ — (current)
@@ Line 1: / Line 1: @@
-====== Metody Eksploracji Danych: Laboratorium 5 ======
-Podczas zajęć będziemy korzystali z funkcji biblioteki Weka wołanych programowo z kodu Java.
-{{:med:med-lab05.pdf|Opis zadań (PDF)}}
-:!: Prezentacja na YouTube
-[[https://youtu.be/uutIrXYbV5w| Laboratotrium 5 część 1 (6.23)]]
-[[https://youtu.be/6gSbj9EyD7I| Laboratotrium 5 część 2 (17.38)]]
-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:
-.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
-.1.3
-<code java>
-Classifier cls = new NaiveBayes();
-cls.buildClassifier(data);
-</code>
-Instancja do sklasyfikowania
-.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>
-.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>
-.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>
-.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>
-.2.4
-<code java>
-ArffSaver saver = new ArffSaver();
-saver.setInstances(result);
-saver.setFile(new File("c-001-result.arff"));
-saver.writeBatch();
-</code>
-.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>