The Knowledge Flow Interface 김개원 데이터베이스 연구실

1. Overview

Overview  Explorer  특정 data 에 대해 다양한 option 으로 실험을 해볼 수 있는 환경  KnowledgeFlow  기능적으로 Explorer 와 동일하지만 Drag & Drop 방식으로 실험해 볼 수 있음  Incremental Learning 이 가능함  Simple CLI  Command Line Interface 를 구동시키는 메뉴로 WEKA Java Class Module 을 바로 구동시켜 볼 수 는 환경  Experimenter  여러 Machine Running Algorithm 을 비교해 볼 수 있는 환경 3

2. Components

Data Sources & Data Sinks  Data Sources / Data Sinks  데이터가 입력 / 출력 되는 Source 를 설정하기 위해 사용  Possible Data Sources  ARFF file (Attribute-Relation File Format)  CSV file (Comma-Separated Values)  Spreadsheets 에서 데이터 형식이 변환된 파일  C4.5 file  C4.5 Decision Tree Algorithm 이 적용된 File  Serialized Instance  Java Object 의 Instance 로 저장된 데이터 파일  Database 5

Data Sources File Format 비교 ARFF File FormatCSV File Format 6

Visualization  Visualization  출력을 Text 나 Grapth 등으로 시각적으로 나타내기 위해 사용  Components  Data Visualizer  Scatter Plot Matrix  Attribute Summarizer  Model Performance Chart  Text Viewer  Graph Viewer  Strip Chart 7

Visualization 8 Data VisualizerScatter Plot Matrix Attribute SummarizerModel Performance Chart

Evaluation  Evaluation  입력과 출력 알고리즘을 구성하기 위해 사용  Components  Training Set Maker  Test Set Maker  Cross Validation Fold Maker  Train Test Split Maker  Class Assigner  Class Value Picker  Classifier Performance Evaluator  Incremental Classifier Evaluator  Cluster Performance Evaluator 9

Evaluation  Components  TrainingSetMaker / TestSetMaker  Training Set / Test Set 으로 Data Set 을 만든다.  CrossValidationFoldMaker  Data Set 으로부터 Cross-Validation Folds 를 구성한다.  Cross-Validation  모집단의 표본에 자주 이용되는 방법을 같은 모집단의 다른 표본에 적용시켜 정확성을 확인  K-Folds Cross-Validation  1 개 – Test Set, K-1 개 – Training Set 으로 구성  TrainTestSplitMaker  Data Set 에서 Training Set 을 ?% 사용할 것인지 설정  ClassAssigner  분석의 목적이 되는 속성 ( 종속 변수 ) 을 설정  ClassValuePicker  ClassifierPerformanceEvaluator / ClusterPerformanceEvaluator  알고리즘 평가 통계치를 수집  Visualization Components 에 연결  IncrementalClassifierEvaluator 10

3. Operations

Edit Operations & Action Operations  Edit Operation  The Edit operations delete components and open up their configuration panel  Actions Operation  The Actions operations are specific to that type of component 12

 Connections Operation  The Connections operations are used to connect components  Two kinds of connection from data sources  Data Set  Batch operation  Test Set or Training Set 을 구성하여 일괄적으로 처리하는 Classifier Components 에 연결  Instance  Stream operation  Incremental Learning 이 가능한 Classifier Components 에 연결  Two types of connection from classifier  graph, text  batchClassifier, incrementalClassifier  Performance Evaluator, Incremental Classifier Evaluator 에 연결 13 Connections Operation

4. Incremental Learning

 Several classifiers & Filters that can handle data incrementally  Classifiers  AODE, NaiveBayesUpdateable, Winnow, instance-based learners(IBl, IBk, KStar, LWL)  Filters  Add, AddExpression, Copy, FirstOrder, MakeIndicator, MergeTwoValues, NonSparseToSparse, NumericToBinary, NumericTransform, Obfuscate, Remove, RemoveType, RemoveWithValues, SparseToNonSparse, and SwapValues  Incremental Learning Algorithms can process data files that are too large to fit in memory  Many instance-based learners store the entire dataset internally 15 Incremental Learning

5. Example

Example (batch mode) 17

Example (batch mode) 18

Example (batch mode) 19

Example (incremental learning) 20

 Strip chart plots both the accuracy and the root mean-squared probability error against time 21 Example (incremental learning)