Domácí úkol č. 1 do předmětu PV056
Prerekvizity:
Nainstalovaný program WEKA 3, lze stáhnout na adrese http://www.cs.waikato.ac.nz/ml/weka/
Datasety:
Datasety ke stahnutí na http://archive.ics.uci.edu/ml/datasets.html. Datasety oznaCene hvezdiCkou jsou v archivu metal-data.tar ve studijních materiýlech
https://is.muni.cz/auth/el/1433/jaro2011/PV056/?fakulta=1433;obdobi=5105;predmet=585450 Kazdý student mý jinou sadu datasetu viz tabulka.
UCO	DATASETY
255496	Abalone, ann*
374580	Post-Operative Patient, adult*
356530	Balance Scale, allbp*
325073	Teaching Assistant Evaluation, australian*
269281	Car Evaluation, diabetes*
255821	Chess (King-Rook vs. King-Pawn), fluid*
374386	Chess (King-Rook vs. King), german_cont*
208013	SpamBase, german_f*
256726	Contraceptive Method Choice, german_n*
359312	Cylinder Bands, Statlog Project (Heart)
255756	Dermatology, segment*
255658	Echocardiogram (vymazat sloupec name), Wine (1. atribut
	class label)
324899	Glass Identification, letter*
172564	Zoo, yeast*
374160	Congressional Voting Records(class label je 1. atribut),
	optical*
348646	Ionosphere, Connectionist Bench (Sonar, Mines vs. Rocks,
	all data)
173390	Soybean (Small), page*
374370	Mammographic Mass, pendigits*
324545	Poker Hand (pracovat pouze s trenovacimi daty), vaw40*
143357	Lung Cancer (atribut 1 je class label), vehicle*
256368	MAGIC Gamma Telescope, quisclas*
325001	Nursery, Blood Transfusion Service Center, vowel*
389924	Libras Movement (movement libras.data), satimages*
359500	Acute Inflammations, vaw21*
Zadání:
1. Stáhněte si přidělené datasety. Mají obvykle dva soubory *.names a *.data. Soubory *.data zkontrolujte, zda jsou ve formátu hodnot oddelených Carkou a třídu mají jako
1
poslední hodnotu, popř. je do něj převedte.
2. Vytvořte odpovídající soubory *.names, aby odpovídaly požadovanemu formátu C4.5 popsanemu dale. Ve staženem souboru *.names muže být popis jednotlivých pařametřU, v opaCnem případe je potřeba souboř přojít a pařametřy popsat. Je možne take impoř-tovat souboř *.data jako *.csv do WEKY, kde na první řadek napísete jmena atřibutu oddelení Cařkou, poslední jmeno bude třída. WEKA provede konveřži. Zkontřolujte, žda datove typy jsou spřívne řožpožnane. I v tomto případe se oCekíva odevždaní soubořu *.names.
3. U každeho datasetu proveclte klasifikaci s defaultním nastavením pařametřu, použijte cřoss-validation (10).
4. Po dobehnutí algoritmu uložte cely vístup do soubořu dataset_algoritmus.log, kde al-gořitmus G {NB,IB1,IB3, JRip,DS, J48,SMO,PART,MLP} Povsimete si celkove spřavnosti (accuřacy, pocet spřavne klasifikovanych příkladu) a casu potřebneho přo sestavení modelu. Vytvořte souboř řesults.txt, tam žažnamenejte požnamky o netypickem přubehu, např. pokud algořitmus nedobehne a o případních dodatecních ípřavach dat, jako vymažaní sloupce id...
5. U algoritmu s nejvyssí celkovou spřívností (accuřacy), při více stejních vybeřte ten s nejnidždsím dcasem (je-li i dcas stejnyí, vybeřte si) a žkuste nastavit jiníe vstupní pařametřy. Sledujte tendence vyvoje celkove spřavnosti. Naležnete nejlepsí nastavení pařametřu. Zažnamenejte postup a kombinace pařametřu do soubořu řesults. Uložte celí vístup WEKY do soubořu cislo_dataset_algoritmus.log přo přvní tři nejlepsí vísledky, kde cislo ožnadcuje podřadí.
6. Vypřacovaní domací íkol (logy, řesults.txt) uložte do odevždavařny vcetne soubořu s koncovkou .names (tech, kteře jste sami vytvořili) do adřesaře se svím jmenem do 7.4.2011.
7. Infořmace o splnení se objeví v požnamkovem bloku.
8. Konkřetní dotažy řeste střucním mailem na 208230@mail.muni.cž, do předmetu napiste minimalne kíd PV056. Případne nejasnosti obecneho řažu přes diskusní fořum předmetu.
Formát C4.5
Soubor.data - co řadek to žížnam, hodnoty atřibutu oddelene cařkou, poslední hodnota na
říadku je t říída. Zaížnam neníí ukoncen teckou. Každíy atom (nenumeřickía hodnota atřibutu)
musíí bíyt v sežnamu hodnot (popisu) kořespondujíícíího atřibutu. Atomy nesmíí byít v uvo-
žovkaích, obsahovat mežeřy ani jiníe bíílíe žnaky. Chybejíícíí hodnotu vyjad řuje otažníík. Zíažnamy
s chybejíícíí tříídou nejsou povoleny.
Nap ř.
a2,39,a4,c2
a4,30,a1,c2
a1,9,a2,c1
Soubor.names - popis atřibutu a jejich hodnot.Přvní řídek obsahuje sežnam možních hodnot třídy oddelenych cířkou a ukoncenych teckou. Tyto musí kořespondovat s posledními
2
hodnotami na řádcích v Soubor.data. Všechny řádky obsahují popis atributů v pořadí, v jakem se nachazejí v Soubor.data. Chybějící hodnota (?) se do výCtu nezahrnuje. Popis atributu je nýsledující:
jmeno_atribůtů: [continuous | CSV seznam hodnot u odinýrního atributu].
Napr.
c1,c2.
atl: a1,a2,a3,a4. at2: continuous. at3: a0,a1,a2,a3,a4.
Zadne komentíre ani prazdne radky nejsou povoleny. Poznamky lze umístit do samostatneho souboru Soubor.info.
Soubor.data, Soubor.names, popr. Soubor.info musí byt ve stejnem adresari.
Poznímka 1: Pri pouzití automaticke konverze WEKY by vypadal príklad takto (ulozeno jako Soubor.csv):
at1,at2,at3,class
a2,39,a4,c2 a4,30,a1,c2 a1,9,a2,c1
Poznamka 2: Obsahuje-li vís dataset sloupec unikatních hodnot (id), odstraňte ho. algoritmy
Pouze klasifikacní algoritmy, ve WECE zalozka classify.
• Naive Bayes
• IB1
• IBk (pro k = 3, nastavit jako parametr KNN)
• JRip
• DecisionStump
• J48
• PART
• SMO
• Multilayer Perceptron
3