Entregatze epea: maiatzak 19, asteazkena. Gaiak aurrera joan ahala, galdera gehiago jarriko ditut.

==== WEKA formatoko datubaseak: kurtso guztian zehar eta praktika guztietarako erabil itzazu ====

 

[Galdera 1 -- Sailkatzaile anitzak WEKA-n: the "meta" family of supervised classifiers] -- WEKA-ren "meta" familian dauden hainbat "sailkatzaile anintzentzako": AdaBoostM1, Bagging, Stacking eta Vote. Beraien "more" botoia sakatu behin aukeratu eta gero, eta bakoitzarentzako, saiatu explikatzen ahal dituzun bere parametro gehienak (denak ez dituzu ulertuko) (klaseko teoriarekin "matcheatu" WEKA-ren terminologia).

 

[Galdera 2 -- Sailkatzaile anitzak: stacking egitearen abantaila?] -- WEKA-k "meta" familiaren barruan sailkatzaile anitzetarako aukera desberdinak eskeintzen ditu. Bertan ikusiko dituzu klase teorikoetan aurkeztutako batzuk.

"Vote" saillkatzailearekin "gehiengoaren botoaren" (edo "Plurality vote") sailkapen eskema egikaritzen da: predizitutako klasea etiketatu gabeko kasu batentzat erabakitzen da oinarrizko sailkatzaile talde baten botoaz. "Vote" metodoaren "classifiers" parametroarekin oinarrizko sailkatzaile hauek hautatzen dituzu (naive Bayes, J48, etc.). Ohartu zaitez, lehenik, "classifiers" parametro honetan defektuzko "ZeroR" ("Zero Rules" = erregelarik ez = ez ikasi "ezer" eta datu fitxategian klase nagusia beti predizitu edozein kasurentzat) sailkatzailea kendu behar duzula...

"Stacking" eskemaz proposatutako multisailkatzailea klase teorikoetan ikusi duzu. Bigarrengo nibel batetan "meta"-sailkatzaile bat kokatzen da non hau entrenatua izaten den oinarrizko sailkatzaileek (lehen nibela) predizitzen duten klaseekin (eta bukaeran berriro klase erreala kokatuz: horrekin entrenatzen da bigarren nibeleko metasailkatzailea, eta hauxe erabiliko da kasu bakoitzaren azken apostua egiteko). Uler itzazu "classifiers" eta "metaClassifier" parametroak. Uler ezazu klase teorikoetan ikusitakoa.

300 kasu baino gehiago dituen problema bat aukeratu. Hiru zure hautazko sailkatzaileekin "Vote" eta "Stacking" eskemak landu itzazu (azken honentzat bigarrengo nibelean "fidatzen" zaren sailkatzaile bat kokatu), eta ikertuko dugu ea "Stacking"-en bigarrengo nibel honek "plus" bat ematen digun. Zorizko hazi desberdinak ("More options"-- "random seed") erabiliz H metodoaren 5 exekuzioen bidez "Vote" eta "Stacking" eskemen asmatze tasa estima ezazu: eta hauetan oinarrituz, pasatako praktikan egin bezala, konparaketa estatistiko bat egin ezazu test ez-parametriko baten bidez bi sailkatzaileen artean.

"Estatistikoki esangarria" al da "Stacking"-ek ematen duen abantaila asmatze tasaren ikuspegitik? Oinarri estatistiko batekin, hitzegin al daiteke sailkatzaile irabazle/galtzaile batetaz konparaketan?

Gogoratu "statistical significance" (edo "p-value") kontzeptuaren explikazio intuitiboak (pasatako Praktikaren 2. galderan):

• probabilitate bat da, 0 eta 1 artekoa. Kontuz!!! SPSS-aren irteeran komaren ezkerrean "0"-a ez da agertzen. Hobeto ulertzeko, probabilitate hori ehunekoetara pasa.
• "Esangarritasun asintotiko"-ak adierazten digu konparatu ditugun bi zenbaki multzoek zenbateko "berdintasun-antzekotasun maila" duten.
• "Esangarritasun asintotiko"-aren beste definizio pixka bat zailagoa ondokoa da: konparatu ditugun bi zenbaki multzoen artean dauden diferentziak esplikatzeko "azarrak"-"zoriak" duen pisua.
• "Esangarritasun asintotiko" honen balio %5-a baino txikiagoa bada, onartzen da konparatu ditugun bi sailkatzaileen artean diferentzi handia ("esangarria") dagoela → orduan, onartzen da H-metodoaren 5 exekuzioen asmatze tasen batazbesteko onena duen sailkatzailea HOBEA DELA ESTATISTIKOKI, eta sailkatzaile IRABAZLE batetaz hitzegin dezakegula.
• %5-eko muga hau estatistikaren muga klasiko bat da, arbitrarioa ere bai. Baina "Esangarritasun asintotiko"-aren maila %5-a baino handiagoa bada, ezin dezakegu hitzegin sailkatzaile irabazle/galtzaile batetaz ("ezin gara busti").

 

                                                        
 

 

[Galdera 3 -- Sailkapen gainbegiratua -- etiketatu gabeko kasu berri batentzat "apostua", iragarpena] --  Pentsa ezazu gure datubaseko kasu guztiekin sailkatzaile bat eraiki dugula (kontutan hartu sailkatzailea eraiki dugun kasu guztien klase etiketa jakin bat zutela). Pentsa ezazu orain geroan kasu berri bat etortzen dela, baina KLASE GABEKOA, ETIKETA GABEKOA (adibidez "Iris" problemaren kasuan 151 landarea non botanikoak ez dakien zein iris motakoa den...). Ikasketa automatikoaren funtzio nagusietako bat da aldez aurretik eraiki dugun sailkatzailearekin, klaserik gabe etortzen diren kasu hauentzako klase aldagaia predizitzea, "apostua egitea". Funtzio honi "kategorizatu" bezala ere ezagutzen zaio, edo "class prediction". Hemen sailkatzaileak "apostua" itxuan egiten du, eta benetan ez daki asmatu duen edo ez: "spam karpetara joaten zaizkigu ere gure lagunen mail-ak...", "edo euria iragarrita dagoenean biharko, gero eguzkia dugu..."

Goazen WEKA-n egoera hau simulatzea. Hautatu lan egiteko WEKA formatoko datubase bat. Sortu ezazu *.arff fitxategi berri bat zuk asmatutako 5 etiketatu gabeko kasuekin, non '?' balioa jartzen duzun klasean (WEKA-k hau eskatzen du, "zerbait" jarri klase aldagaian, nahiz balio galdua izan). Kontutan izan sortzen duzun fitxategi berriak entrenamendukoaren formato bera jarraitu behar duena: inkluso bere "WEKA cabeceran", aldagaien definizio berbera jarraituz: aprobetxatu entrenamendukoarena eta kopiatu zuk asmatutako 5 klase gabeko instantzien fitxategian.

Begirada bat emaiozu hau egiteko WEKA-ren lan manualari, eta "test-options"-eko bigarren aukeraren bidez ("supplied test-set"), esandakoa simulatu daiteke. Eta ikusi zein klase predizitzen duten zure aukerako diren bi sailkatzaile desberdinek, zuk asmatutako 5 kasuentzat. Baina kontutan izan sailkatzaileak ez direla eraiki zure 5 instantziekin (klase gabekoak), baizik eta zure entrenamendu fitxategiko guztiekin (hau da, "Preprocess" leihoan kargatu dituzun, eta etiketatutak dauden kasu guztiekin...). 

Lehenik kargatuta izan WEKA-n zure entrenamendu fitxategia, klase erreala duten kasu guztietakoa: hauekin gerora predikzioak egingo dituen sailkapen modeloa ikasiko da. Gero, WEKA-ri "Supplied test-set" aukerarekin klase ezezaguneko kasuak eman behar dizkiozu.

Ikusteko zein klase iragartzen den etiketarik ez duen kasu bakoitzarentzat, "More options"-en, desaktibatuta dagoen aukera bat aktibatu behar duzu. Zein?

Erakutsi zein den zure bi sailkatzaileek iragartzen duten klasea zure 5 kasuko bakoitzarentzat. Ez diozu begiratu nahi "confusion matrix"-i, non ez den diferenziatzen zer prediziten den kasu bakoitzarentzat, baizik orokorrean. WEKA-ren irteeran hainbat kontzeptu agertzen dira klase gabeko 5 kasu horietako bakoitzarentzat: "actual", "predicted", "error" (honek ez du zentzurik), "probability distribution": laburki argitu eta komentatu zer den hauetako bakoitza. ETA ULERTU EGITEN ARI ZARENA.                                                     

 

[Galdera 4 -- Sentiment Analysis -- Irakurketak] --  "Sentiment Analysis" problema gure gizartean agertu berria da. Konpainia handiak (hotelak, arropa eta diseinu markak...), beraiek mediotan erosten duten publizidadeaz baino kezkatuagoak, Internet-eko foro eta blog-etan beraietaz nola hitzegiten den eta zein imagina duten gehiago kezkatzen die, bait dakite gaur egun foro horietara jotzen dugula eros dezakegun produktu bati buruz kontsulta egiteko. Nielsen, Asomo (Bilbon dago hau), Jodange... bezalako enpresak dedikatzen dira konpainia handiei informeak egitea Internet-en duten imaginari buruz. Horrela, enpresa hauetako langileak ordu asko dituzte Internet-en, baina ados egongo zareta nirekin ezin dutela orduak eta orduak egon blog eta foro asko ikusten, eta hor dauden sarrerak eta komentarioak irakurri eta "etiketatzen" eskuz (hau da, esanez post batetan agertzen den imagina konpainia bati buruz positiboa den edo ez)... lan izugarria, partzialki egin dezakete, baina "robot" edo "programa automatiko" bat behar dute non, Internet "rastreatzen" duena konpainia edo produktu jakin baten komentarioen inguruan, eta AUTOMATIKOKI kategorizatuko-sailkatuko duena post horietako idazlearen sentimendua: "positive sentiment", "neutral sentiment","negative sentiment" ("or opinion").

    Irakur itzazu gai honen inguruko bi artikulu hauek:

• A divulgative article about "automatic sentiment classification and blog analysis" (published in the spanish El Pais newspaper)
• A divulgative article about "sentiment analysis on the web" (published by the NY Times)

Irakurri eta gero, hurrengo galderei erantzun:

• iruditzen al zaizu mundu errealean aplikazio honek erabilgarritasunik duenik? Zure iritzia eman problema honen geroari buruz.
• antzematen al duzu "non dauden" datuak, hau da, "nondik ateratzen-sortzen" diren datuak?
• zergatik da beharrezkoa "data mining" egitea, datu analisia? ez al dago gizaki jakitunik non zihurtasun osoz klasifika ditzaken kasu berriak?
• nondik joan daiteke "web mining" mundu hau? Zein izan daiteke hurrengo aplikazioa, "the next frontier"?
• eta abar...

                                     

 

 

[Galdera 5 -- Aldagai aukeraketa -- Feature selection -- Feature ranking -- Univariate feature selection] --  Zihur joan zarela somatzen kurtso guztian zehar problema batetan, aldagai iragarle guztien garrantzia ez dela berdina klasea predizitzerako garaian. Aldagai redundanteak (informazio bera aportatzen dutenak: e.g., soldata eurotan eta soldata dolarretan) eta aldagai garrantzigabekoak ("irrelevant features", klase-aldagaiarekin inongo erlazioa ez dutenak) sailkatzailearen asmatze tasa gutxitzen dute. WEKA-rekin aldagai aukeraketarako ariketa anitz egin daitezke bere "Select Attributes" goiko fitxarekin ("pestaña"), eta era batera edo bestera jakin problema baterako zeintzuk diren aldagai garrantzizkoenak. Arlo honi "Feature selection" bezala ezagutzen zaio eta oso erabilia da machine learning-en.

Erarik errazena jakiteko zeintzuk diren aldagai garrantzizkoak, hauen ordenazio edo "ranking" bat egitean datza. "Ranking" hauek isladatzen dute, handienetik txikira, zenbateko korrelazio maila (erlazioa) duten problemaren aldagai iragarle bakoitzak klasearekin. Korrelazio maila hauek kalkulatzeko metrika (neurri) asko daude teorian ("Attribute Evaluator", WEKA-n). Hauetako hiru neurriek, zerikusi haundia dute sailkapen zuhaitzetan aldagaiak kokatzeko neurriekin, hau da, entropia eta Informazio Teoriarekin: "gain ratio", "info gain" (J48 eraikitzekoa) eta "symmetrical uncertainty". Aukeratu itzazu eta beraien izenaren gainean klikatuz eta gero "More" klikatuz ikusi zein formula erabiltzen duten aldagai prediktore baten korrelazio maila kalkulatzeko eta hauek rankeatzeko: ulerterrazak dira.

Ohartu zaitez hauetakoak aukeratzerakoan, WEKA-k esaten dizula soilik "Rankeatu" ditzakela eta ordenazio hori erakutsi. Metrika hauek "univariate metric" dira, aldagaiak banan banan ikertzen dituztelako, eta ez besteekin kontextu edo erlazioan.

10 aldagai iragarle baino gehiago dituen datubase batentzat (hau da, "jokoa ematen" dizuna), ondokoa egin:

• "gain ratio", "info gain" eta "symmetrical uncertainty" metrika bakoitzarako erakutsi zein formula erabiltzen duen aldagai-klase arteko korrelazioa kalkulatzeko.
• metrika bakoitzarako eraiki ezazu dagokion "ranking-a", aldagai iragarleen ordenazioa eraikitzen duena klasearekiko duten korrelazio mailaren arabera. Aldagaien ezkerreko partean agertzen den kantitatea korrelazio horren kalkuloa da. Hiru ranking-ak berdinak al dira? Antzekoak? Analisi labur bat egin honen inguruan.
• ranking-aren goiko parteko aldagaiak omen dira garrantzizkoenak erabilitako metrikaren arabera → "top-ranked features": aldagai hauek J48-zuhaitz sailkatzailean "paper garrantzizkoa" al dute (arbolaren goiko mailetan agertzen al dira)? Analisi labur bat egin honen inguruan.
• era honetako neurriek aldagai iragarleen arteko redundantzia maila neurtzen al dute? Kapaz al dira detektatzeko, adibidez "1st ranked and 3rd ranked" aldagai iragarleak redundanteak-antzekoak direla, hau da, oso korrelatuak daudela beraien artean eta informazio berbera ematen digutela problemaren klasearen inguruan (adibidez, gaurko tenperatura Celsius edo Fahrenheit graduetan)? Bota ideiaren bat hau ekiditeko...

 
 

[Galdera 6 -- Aldagai aukeraketa -- Feature selection -- Feature ranking -- Univariate feature selection] --  Aurreko galderarekin erlazionatuta. WEKA-ren lehenengo "Preprocess" fitxan posible da aldagaiak ezabatzea modeloa egin baino lehen. Kontutan izan aurreko galderan egin duzun ranking-a, eta "top-ranked"-eko portzio batekin geratu zaitez modeloak eraikitzeko: zuk erabaki heren onenarekin, erdi onenarekin... (ez ezabatu klase aldagaia!!!)

Test estatistiko ez-parametriko (gure kasuan, "Mann Whitney" test) eta Hold-out asmatze-tasa estimatzeko 5 exekuzioen bidez, konparaketa estatistiko bat egin ezazu ondoko bi eskemen artean:

• 5-NN (5 bizilagun hurbilena) sailkatzaile baten bidez, non soilik zuk erabaki duzun aldagai iragarle hobe rankeatuen portzio horrekin lan egingo duena
• 5-NN sailkatzaile bat aldagai iragarle original guztiekin

Ondokoa kontutan izan ezazu: "Ranker" metodoaren parametroen artean, "numToSelect" parametroa erabilgarria da, uler ezazu: exekuzioa egin eta gero, pantailaren ezker-behe parteko "Result-list"-en propietateen artean (arratoiaren eskubiko botoiarekin) "Visualize reduced data" erabilgarria al da? Zer erakusten dizu honek?

Abantailik ba al du asmatze tasaren ikuspuntutik aldagai kopurua murriztea?  Nahiz eta aldagai iragarle kopurua murriztu, asmatze tasa ez al da "estatistikoki txarragoa"? Era honetako konklusioak bildu eta komentatu.

                                         

 

[Galdera 7 -- What did you discover about this subject? Where is your curiosity leading you?] --  Zihur nago ez zara "ikasle funtzionarioen" artean sentitzen, eta kuriosidadea, jakin-mina eta jakiteko gogoa hor daudela bueltaka... pentsatu nahiko nuke aste hauetan zehar eta irakasgai honen inguruan horrelako zerbait noizbait sentitu duzula. Horrela izan ez bada nik ere zerbait gaizki egin dut.

• ikus ezazu "kdnuggets.com" data-mining webguneko bisitariek zer esperientzia duten datu-analisien gaineko hainbat iharduerei buruz. Egindako hainbat inkesten emaitzak dira: egindako data-mining aplikazioak, erabilitako data-mining softwarea, analizatutako datuen eta datubasen formatoa, more data or better classification algorithm?, data-mining algoritmoen sinesgarritasun mailaren inguruan, analizatutako datubase handiena...  ------ zerbaitek ATENTZIOA DEITU AL DIZU? ZERK? BESTE ZERBAIT ESPERO AL ZENUEN? Astero inkesta bat egiten dute webgune honetan: egindako guztien zerrenda eta hauen emaitzak, hemen.
   

• pentsatu nahi dut hilabete hauetan zehar webgune, aplikazio, software... interesanterik topatu duzula datu analisiaren inguruan sarean. Zein? Laburtu bere helburuak? Zergatik deitu dizu atentzioa? ...

 

[Galdera 8 -- Sailkapen ez gainbegiratua -- Clustering -- "Class discovery"] --  Ondoko fitxategia ("food.arff"= clustering egiteko aproposa da. Bertan, hainbat jaki-janari ("kasuak", datu analisiaren ikuspegitik) agertzen ditu, non bakoitza karakterizatzen den hainbat aldagaiengatik: fitxategiaren testua ikusiz gero, ilara-kasu bakoitzean, lehenik janari bakoitzaren izena agertzen da, eta gero bera deskribatzen duten 5 aldagai (ulerterrazak, ez da?). Kasuek ez dute "klase aldagairik":

• helburua ez da kasu hauekin sailkatzaile-modelo bat eraikitzea, etiketatu gabeko kasu berrien klasea predizitzeko-iragartzeko (ikusi "Galdera 3"). "No class prediction". "There is no class to be predicted".

• ordea, helburua, kasu hauetarako multzoak-clusterak sortzea da helburua" "class discovery", non cluster bateko kasuek antzekotasun handia dute beraien artea, eta cluster desberdinetakoek ordea antzekotasun oso txikia. Cluster hauek sortu eta gero, oso tipikoa da multzo hauek "bataiatzea", cluster horretan dauden kasuen ezaugarrietan oinarrituz: inkestak egin eta gero, soziologoen "hobby" handia da hauxe. 

Goazen "ariketa hau simulatzea" eman dizuedan "food.arff" datubasearekin (baita janarien izena ingelesez ikasteko aukera ona...):

• WEKA-ren "cluster" pestaña hor dago. Bertan, "SimpleKMeans" metodoa, clustering banatzailea egiteko. Bere parametroetan klikatu eta gero "More": ez da espezifikatzen "Forgy" edo "McQueen" metodoa den.

• hainbat parametro ditu "SimpleKMeans" metodoak: esplika itzazu ahal dituzunak, ulertzen dituzunak. Batzuk ezinbestekoak dira clustering-a aurrera eramateko.

• lan egiten hasi baino lehen, cluster teknikak aplikatzeko, ez du zentzurik hauek aplikatzea "food.arff"-ren "Name" (janariaren izena) string erako aldagaia erabiliz. Zergatik? Egindako analisietatik ezaba ezazu, "Ignore Attributes" WEKA-ren botoia erabiliz ("Cluster" pestañan). Cluster-ak egingo ditugu janari bakoitzaren elikagarritasun-ezaugarriekin: proteinak, kaltzioa...

• Cluster metodo baten exekuzioak, era honetako "output"-ak sortzen ditu (orain dudan WEKA-ren bertsioa ez da zehazki laborategietan duzutena, eta "output"-ak ez dira guztiz berdinak: baina oso oso antzekoak, balioko zaizu...). "Food.arff" ez den beste datubase batentzat egin dut. Esplika itzazu agertzen diren kontzeptuak, zuk egindako "food.arff"-rentzako clustering-ean, eta klase teorikoetako materiarekin erlazionatuz: number of iterations, cluster centroids (zer adierazten dute mean/mode aldagai bakoitzarentzat? zenbat zutabe daude "centroids"-etan? zerekin erlazionatzen da zutabe bakoitza?), clustered instances.

• Exekuzio bakoitzak WEKA-ren "Result-list"-en (ezker aldean) emaitzaren hainbat propietate sortzen ditu: "right-click" eginez azken exekuzioan, emaitzaren "Visualize cluster assignments" propietatea interesgarria da. "X ardatzean" janariaren izena kokatu ("Name"), "Y ardatzean" nahi duzun beste aldagaia, eta kolore bezala esleitutako cluster-a. Horrela ikus daiteke zein cluster-etan multzoratu du janari bakoitza, eta cluster bakoitza zein janari bereziekin osatuta dagoen. Proba ezazu hainbat cluster-multzo kopuru desberdinekin, "eta gehien konbenzitzen" dizunarekin geratu: emaidazu zergatiren bat justifikatzeko zure cluster kopuruaren aukera-konfigurazioa.
  Ez da "automatikoa" izango, aurre-informaziorik edo "intuiziorik" edo aditu bat izan gabe, jakitea ZENBAT CLUSTER-MULTZOtan banatzea janari-elikagaiak. Teoria eta lan asko dago honen inguruan, baina konklusio definitoborik ere ez. Ez dago neurri edo metrika zehatz bat hori egiteko, batzutan intuizioa da onena, jakiteko zenbat cluster-etan hobe den banatzea gure kasuak non: cluster bateko kasuek antzekotasun handia dute beraien artea, eta cluster desberdinetakoek ordea antzekotasun oso txikia. Hau da kriterio numerikoa: hala ere, ahal denean "intuizioa" erabilia (hori eskatzen dizuet) ez da batzutan aukerarik txarrena...
  
                                                 
  
  
  
   

 

[Galdera 9 -- Sailkapen zuhaitzak -- "ad hoc" edo eskuz erabikitako arbolak] --  "Trees" familiaren barruan dagoen "UserClassifier" sailkatzaileak aukera asko, eta oso kuriosoak, baditu. Beharbada lehenengo momentuan ez da erraza berataz jabetzea, baina guztiz oinarrituta dago WEKA-ren erabiltzailearen intuizioan: helburua delarik, zuk eskuz, 2-D-ko grafiketan oinarrituz, zure sailkapen arbola eraiki dezazun. Zure atentzioa eraman ezazu lehenik erakusten dizun 2-D grafikan ("Data Visualizer"): errektangeluen bidez ("Select instance ---> rectangle") defini ditzakezu arbolaren adarrak, eta hauen bidez bazoaz pixkanaka zuk deritzozun arbola eraikitzen, definituz ingelesez deritzon "decision boundaries" (klase desberdinen arteko "erabaki mugak").
Honetarako, beharbada "iris.arff" bezalako problema sinple bat erabiltzea da onena (3 klase eta 4 aldagai iragarlekin).
Posible izango zen teknika hau erabiltzea datubase zailago batekin: aldagai askotakoa, eta klase desberdinek beraien artean solapamendu handiagoa balute?
Saiatu zaitez sailkatzaile honen aukerak ulertzen. Komenta itzazu, eta esaidazu zer iruditu zaizun. Eta definitu zein abantaila/desabantaila ikusten dizkiozun.
Saiatu zaitez ulertzen zein lotura dagoen "Tree Visualizer" eta "Data Visualizer", sailkatzaileak eskaintzen dituen bi leiho hauen artean: antzemanez "Data Visualizer"-en delimitatzen dituzun "erabaki mugek", zein eragina duten pixkanaka "Tree Visualizer"-en eraikitzen den sailkapen zuhaitzaren estrukturan.
Ohartu zaitez eraikitze prozedura osoan zehar, WEKA-ren "txoria" mugitzen dagoela, "model building"-ean murgilduta bait dago. Eta "Test-options"-en aukera "10-fold cross-validation"-en baduzu, 11 aldiz egin araziko dizu exekutatzea teknika osoa (11 aldiz pantaila guztiak): zergatik 11 aldiz (zein da horietako bakoitza)? Modeloa balidatzea interesatzen al zaizu (hau da, bere asmatze tasa kalkulatzea), edo soilik eraikitzea?
 

 

[Galdera 10 -- Aldagai aukeraketa -- wrapper teknikak -- Algoritmo genetikoak] -- Hasi baino lehen, atera itzazu aldagai aukeraketarako apunteak, eta errepasatu: bereziki "wrapper" (erderazko "envoltura" bezala itzuli daiteke). Erlazio estua du aurrez jarritako 5-6. galderekin. Lehenengo galdera osoa irakurri, kontutan izan teoria, eta geor joan sekuentzian lantzen:

• 5. eta 6. galderetan erabilitako "filter" teknikak, "univariate" esaten zaie: aldagai iragarle bakoitzaren korrelazio maila neurtzen zuten klasearekin, banan banan eta kontutan hartu gabe aldagai iragarleen arteko erlazioak eta konplementagarritasuna. Ranking bat osatzen zuten, non ranking horrek adierazten zuen aldagai iragarle bakoitzak klasearekin duen korrelazio maila. Goazen gauzak pixka bat hobeto egitea, "from UNIvariate to MULTIvariate data-analysis", kontutan hartuz guk azkenean nahi duguna ALDAGAI AZPIMULTZO ON bat dela, eta ez banan banan eta beraien artean kolaboratu gabe onak diren aldagaiak. "Wrapper" teknikek aukera hau ematen digute.
   

• "wrapper" aldagai aukeraketarako teknika hauek, ALDAGAI AZPIMULTZO on bat aukeratzeko, kontutan hartzen dute geroago erabiliko den sailkatzaile berezia.

• aldagai azpimultzo hori osatuta egongo zen problemaren klasearekin erlazio estua (korrelazio altua) duten aldagai iragarletaz: baina era berean, beraien artean aldagai iragarle hauek konplementagarriak izango ziren, eta ez ziren adibidez redundanteak esango (hau da, informazio berbera emango baziguten klaseari buruz; e.g., soldata eurotan edo soldata dolarretan).

• horretarako, aldagai-azpimultzoen espazioan "mugitu" behar dira, bilaketa heuristiko bat eginez.

• horrela, bilaketa horretan topatutako aldagai azpimultzo bakoitzarentzat, aldagai berezi horiekin eraikiko zen sailkatzailearen asmatze tasa estimatzen dute: estimatutako asmatze tasa honek gidatuko du bilaketa hori.

• laborategietan aipatu dizuedan bezala, ezin daiteke normalean bilaketa exaustibo bat egin, garantizatzeko aldagai azpimultzo optimoa topatu dugula (hau da, aldagai azpimultzo guztiak bisitatuz, estimatuz sailkatzaileen asmatze tasa guztiak).

• "d" aldagai iragarle dituen problema batetarako, "2^d" aldagai azpimultzo desberdin daude. "d=20" denean, miloi bat baino gehiago aldagai iragarle azpimultzo daude: guzti hauetarako sailkatzailearen asmatze tasa estimatzea ere, konputo mendeak izango ziren makina askotarako. ULERTZEN AL DUZU HAU (aldagai iragarle azpimultzoen kopuru hau)? JARRI ADIBIDE TXIKI BAT DEMOSTRATUZ ULERTU DUZULA.

• horrela, bilaketa heuristiko bat egin behar da, aldagai-azpimultzoen espazioan, eta soluzio (aldagai azpimultzo) suboptimo bat bueltatzearekin konformatu beharko gara.
   

• bilaketa heuristiko hau egin daiteke optimizazio eta adimen artifizialeko teknika heuristiko askoren bitartez: ariketa honetan, ALGORITMO GENETIKOAK erabiliko ditugu horretarako.

• data-mining-en munduan dabiltzan zientzilariek, askotan erabili izan dituzten algoritmo genetikoak "feature subset selection" ("feature" == aldagai iragarle) problemari aurre egiteko.

• topa ezazu Internet-en lan zientifikoren bat non algoritmo genetikoak erabiltzen dituen aldagai azpimultzo on bat topatzeko: lan horren "abstract"-a laburbildu ezazu.
   

• WEKA-k ere aukera ematen digu wrapper aldagai aukeraketa teknikak erabiltzeko aldagai azpimultzo on bat topatzeko.

• "Select Attributes" pestañan: "Attribute evaluator" ---- "WrapperSubsetEval": bere parametroetan klikatu ezazu, eta hiru lehenengoak ("classifier", "fold", "seed") ulertu, eta explika itzazu.

• ariketa lantzeko, ACB-ko saskibaloiko datubasea eta naive-Bayes edo 5-NN sailkatzailearekin lan egin. Nola estimatuko duzu aldagai azpimultzo bakoitzaren asmatze tasa (zein teknikaren bidez)?

• zergatik proposatzen dizuet naive-Bayes edo 5-NN bezalako sailkatzaile sinple bat, eta ez sailkatzaile konplexuago bat wrapper bilaketarako?
   

• "Select Attributes" pestañan, bilaketa egiteko aldagai-azpimultzoen espazioan, optimizazioko eta adimen artifizialeko teknika heuristiko anitz daude: ZEINTZUK EZAGUTZEN DITUZU?

• horien artean, algoritmo genetikoak daude: AUKERATU, ETA BERE LEHENENGO LAU PARAMETROAK ESPLIKATU, klaseko teoriarekin hestuki erlazionatuz: "crossoverProb", "maxGenerations", "mutationProb", "populationSize".
   

• [KONTUZ: WEKA-k, bilaketak egiterakoan, aldagai azpimultzo baten asmatze tasaren estimazioa "MERIT" terminoarekin isladatzen du, non aldagai azpimultzoaren ERRORE TASA ESTIMATUA isladatzen duen: errorea, hau da, orain arte erabilitako asmatze tasaren konplementarioa]. Saiatu ulertzen WEKA-ren emaitzako informazio gehiena. Algoritmo genetikoetarako informazio anitz dago: "merit", aukeratutako aldagaiak, eta abar.
   

• proba informalak egin itzazu algoritmo genetikoekin, eta beste bi bilaketa heuristiko teknikekin (ulertzen dituzunak: lehenengo bere parametroak ikusi eta ulertu).
   

• ERANTZUN:

  • zein bilaketa teknikak aukeratu dituzu?

  • zer balio eman diezu bilaketa tekniko hauen parametroei (algoritmo genetikoak barne)? [kontuz "RandomSearch"-en "SearchPercent" parametroarekin]

  • zein teknikak eman dizkizu emaitzarik onenak? (test-estatistiko bat egin beharko genuke hau sendo zihurtatzeko, baina informalki egingo dugu)

  • egindako proba guzti hauetan, "bukatu ezinda" geratu al zaizu WEKA-ren txoritxoa probaren batetan? zein proban, zein bilaketa heuristiko eta parametro balioekin?

 

LABORATEGIEKIN BUKATZEKO, zuen IRITZI PERTSONALA jaso nahiko nuke:

• zer aldatuko zenuke laborategien planteamendutik?

• zer da gehien gustatu dizuena laborategi eta jarritako galderetatik?

• galderak nola planteatzen ditudan erarekin gustora al zaudete?

• zer egin nezaken, irakasle bezala eta zuei behartu gabe, bolondresko laborategietara gehiago etortzeko?

• kuriosidadea piztu al dizue, nahiz gutxi, era batera edo bestera, irakasgaiak?

• eta abar... nahi duzun edozien irakokizun, eskerrikasko.

 

---