最新KNIME使用说明Word下载.docx

最新KNIME使用说明Word下载.docx

《最新KNIME使用说明Word下载.docx》由会员分享，可在线阅读，更多相关《最新KNIME使用说明Word下载.docx（12页珍藏版）》请在冰豆网上搜索。

单击菜单栏File里的New之后出现如下对话框：

选择NewKNIMEProject，并按下Next键，之后点击Finish即可完成新文档的创建。

二、K-D树的生成与准确度判断

1.布局

1）查找filereader，其结果如下图所示：

2）分别拖两个filereader出来。

3）将IBK拖出来。

并将其中的一个filereader与IBK连接起来。

4）拖一个WekaPredictor出来并与IBK和另一个filereader连接起来。

5）将Scorer与WekaPredictor连接起来。

其具体的布局和连接情况如下图所示：

2.导入数据

右击第一个FileReader，选择Configure（或直接双击进入），在ValidURL处选择要导入的数据的文件。

之后点击OK就完成了数据的导入。

3.生成K-D树

右击IBK，点击Configure，可以改变KNN的数值，从而改变精度。

改distanceweighting（距离权重）的值为weightby1-distance，之后点击nearestneighbourSearchAlgorithm后面的choose，选择KDTree，点击OK。

4.导入新的数据

其方法与参照步骤2中导入数据的过程

5.模型运行与验证

1）将来自FileReader2的数据和来自IBK的K-D树模型输入到WekaPredictor中。

注：

当发现设置完的结点没有变成绿灯时要及时按下按钮

来执行所有的结点。

2）设置scorer的属性

右击后点击Configure,firstcolumn选择要预测的属性；

secondcolumn选择winner.

6．查看结果

右击后点击accuracystatistics来查看预测的结果。

聚类——K-D树存储和检索优化

1．布局与数据导入

1）先打开knime，再新建（new）一个工程（project）。

2）先拖一个filereader到工作区，右击选择configure，设置成下图形式：

3）再拖入一个k-means（依次mining—clustering---k-means），filereader连接k-means

4）拖入一个interactivetable（data—views—interactivetable），k-means连接interactivetable。

5）再拖入一个filereader，右击选择configure，设置成下图形式：

6）再拖入一个聚类器clusterassigner（三个下拉菜单里存在聚类器，这里选择mining—clustering---clusterassigner）

7）最终使工作区变成如下形式：

2、模型测试与运行

1）点击

，运行，观察各node的运行结果。

2）右击k-means，选择“0labeledinput”，可观察到如下结果：

3）、右击k-means，选择“view：

clusterview”，可观察到如下结果

在interactivetable的“view：

clusterview”中也可观察到相应结果，结果如下图

4、再右击clusterassigner，选择“0assigneddata”，可得到如下结果：

Adaboost——决策树推理RBR

用Adaboost对数据进行训练并得到规则，并用此规则对新数据进行预测

1.布局与数据导入

1）数据源的选取

先查找到FileReader，然后将其拖出。

共拖两个，分别代表用来进行训练的数据和用来预测的数据。

2）找出Adaboost，将其拖出

3）将Wekapredictor和Scorer，Interactivetable拖出，形成如下图所示。

4）开始进行设置。

在第一个FileReader上点击右键，选择Configure，出现如下图所示：

点击“Browse…”，选择数据源。

本例中是选取经过粗糙集处理的241例病例的数据。

5）同理，将第二个FileReader的数据源设置为经过粗糙集处理的61例病例的数据。

如下图：

2.参数设置

1）对Adaboost进行设置，在Adaboost上点击右键，选择Configure，出现如下图所示

其中，numIterations一项指的是将多少个分类器累加，即迭代多少次。

不同的迭代次数会使最后的准确度不同，次数过少会训练不足，次数太多会训练过度，都不会得到最好的结果，需要多次试数。

使最后的准确度最高的迭代次数，就是最合理的迭代次数。

2）对Scorer进行设置，在Scorer上点击右键，选择Configure，出现如下图所示

将进行比较的两列设为如图所示。

即为，将患者实际的是否患病的情况（class）与用训练出的规则预测的情况（winner）进行比较，在Wekapreictor上点击右键，选择0ClassifiedTestData，即可观察比较情况：

如上图，若判断情况相同，则准确度高；

反之，则准确度低。

3.运行与测试

设置完成，即可开始运行

如上图，点击最上面一行的

即可运行，当所有控件下部都显示绿灯时，运行即结束。

如下图所示

4、观察预测结果与分析

在Scorer上点击右键，选择0Confusionmatrix或1AccuracyStatistics，即可观察预测结果（或在InteractiveTable中也能观察），如下图所示

图中数据意为：

实际为Yes的案例一共有20个，但预测结果是11个No，9个Yes；

实际为No的案例一共有41个，但实际预测结果是39个No，2个Yes

如上图所示，规则预测准确率为78.7%，这是在迭代次数为55时的结果。

大家也可以试试变化迭代次数后准确率是否会提高。

5.模型验证——回归检验

上例中，如果将第二个FileReader的数据也换成241例的数据，则会发现最后结果准确率非常高。

这是因为规则就是用这241的数据训练出来的，反过来用这个规则来预测自己本身，自然准确率就会很高。

如下图所示：