Introducción a selección de atributos usando WEKA

Blanca A. Vargas Goveablanca.vargas@cenidet.edu.mx

Reconocimiento de patronescenidet

Octubre 1, 2012

2

Contenido

Introducción a WEKAInterfaces

El origen

Selección de atributos

1

2

3

Selección de atributos

4

¿Por qué selección de atributos?

Calidad de los datos – éxito algoritmos.

Problemas: información irrelevante, ruidosa.

Procesos lentos debido exceso de información poco significativa.

5

¿Por qué selección de atributos?

Problemas aún con algoritmos como C4.5.

Selección manual: profundo conocimiento del problema y los atributos.

6

¿Por qué selección de atributos?

Selección deatributos

Técnica muy usada - 1970 Elimina datos redundantes,

irrelevantes, ruidosos. Reconocimiento de patrones,

aprendizaje automático, minería de datos.

Categorización de textos, recuperación de imágenes, detección de intrusos y análisis del genoma.

7

Beneficios Mejora del desempeño

predictivo

Reducción del tiempo de entrenamiento/proceso

Reducción de las necesidades de almacenamiento

Visualización y comprensión de los datos

¡Qué bueno que saquétodo lo que había

guardado en el auto!

8

Selección de atributos: objetivo

Seleccionar el sub-conjunto más pequeño de atributos tal que no se afecte significativamente el porcentaje de clasificación y que la distribución resultante sea lo más parecida a la original.

9

Selección de atributos: cuatro pasos

Generación de sub-conjuntos

Evaluación de sub-conjuntos

Criteriode

paro

Validaciónde

resultados

Conjunto original

Sub-conjunto

NoSi

Medida de bondad del sub-conjunto

10

1. Generación de sub-conjuntos: búsquedaCada estado en el espacio define un sub-conjunto candidato.

Dirección de la búsqueda: forward y backward

11

1. Generación de sub-conjuntos: búsqueda

Búsqueda exhaustiva - impráctica

Búsqueda greedy haciendo un cambio en cada estado (agregando o borrando un atributo http://en.wikipedia.org/wiki/Greedy_algorithm

Otros esquemas:Best-first, beam search

12

13

2. Evaluación de sub-conjuntosCada candidato es evaluado y comparado con el mejor de acuerdo a cierto criterio de evaluación.

Filtro:● Independiente● Características de los datos

Envoltura:● Dependiente del algoritmo.

● Se usa la evaluación del ● algoritmo de aprendizaje.● Costo computacional alto

como el C4.5

14

Filtros: rankeoMedidas de distancia, de información. Ejemplos:

Ganancia de información.

Basado en instancias. Se muestrea aleatoriamente una instancia, se ubica a los vecinos cercanos (misma clase y opuesta).

a b c d f g consa b c d f e cons

a b c d f g consa b c d f e vocal

Irrelevante, se decrementasu score.

Relevante, se incrementasu score.

Se seleccionan los atributos con pesos positivos

15

Filtros: sub-conjuntosMedidas de dependencia y de consistencia. Ejemplos:

Correlación

Consistencia

16

17

18

3. Criterio de paro

Determina cuándo el proceso de selección debe parar.

Búsquedacompleta

Límite:No. de atributosNo. iteraciones

Se selecciona unsub-conjunto bueno

No hay mejoraal agregar o eliminar un atributo

19

Introducción a WEKA

20

¿Qué es WEKA?

21

¿Qué es WEKA?

aikato nvironment for nowledge nalysis

WWEEKKAA

Plataforma de prueba para aprendizaje automático

22

NuevaZelanda

23

Origen

1993 ● Inicio del proyecto – Universidad de Waikato.●Primer versión en C y TCL/TK.●Algoritmos de distintas fuentes.

1997 ●Reimplementación en Java. ●Cambio de nombre a JAWS (Java WEKA System).

1998 ● Incluía clasificadores, reglas de asociación, filtros y evaluación.

1999 ●Se le agregó selección de atributos.●Se le regresó el nombre WEKA.

24

¿Qué se puede hacer con WEKA?

Pre-proceso de datos:

Soporte de distintos formatos, conectividad a base de datos y filtrado.

Clasificación:

Más de 100 métodos.

Clustering:

K-means, jerárquicos.

25

¿Qué se puede hacer con WEKA?

Selección de atributos:Diversos criterios de selección y métodos de búsqueda.

Visualización:Gráficas de atributos con respecto a la clase y a otros atributos.

Visualización: Árboles, redes bayesianas y dendogramas para clustering jerárquico.

26

¿Cómo puede usarse?

●Aplicar un método de aprendizaje a un conjunto de datos y analizar la salida para aprender más sobre los datos.

●Usar métodos aprendidos para generar predicciones sobre nuevas instancias.

27

¿Cómo puede usarse?

●Aplicar diferentes técnicas y comparar su desempeño para elegir uno.

●Preprocesamiento y selección de atributos: transformación de atributos continuos a nominales, eliminación de atributos irrelevantes o redundantes.

28

Interfaces

Exploración de datos, filtrado, clasificación,clustering y visualización.

Experimentos que involucren clasificación y regresión. Permite comparación de desempeño.

Exploración, procesamiento y visualización. El usuario determina los pasos y puede repetirse.

29

Explorer: preprocess

30

Práctica

1.Con los datos del archivo rtoy.html, construye un archivo de tipo CSV.

2.Construye los sub-árboles para cada atributo.

3.Con base en 2, ¿cuál crees que sería el mejor atributo?

4.Obtén la ganancia de información para el atributo que crees sería el mejor.

5. Obtén el árbol en WEKA e interpreta los resultados del árbol. ¿Fué el mejor atributo el que tu creíste? ¿qué indica en términos del usuario el árbol obtenido?

31

4. Validación de resultados

Probar con los datos/algoritmos de la aplicación de tu interés

32

Actividades 1

1.Selecciona atributos usando CfsSubsetEval y búsqueda GreedyStepwise. Evalúa con 'use full training set' y con 'cross-validation'.

2.Interpreta los resultados: ¿son los mismos atributos significativos?¿Por qué?

3.Selecciona atributos usando Relief.

4.Interpreta los resultados. ¿Cuál es la diferencia en la salida con respecto a CfsSubsetEval?

Aplica la selección de atributos usando CfsSubsetEval. Datos: car, adult y mushroom

33

Actividades 2

1.Selecciona atributos con WrapperSubsetEval, J48 y GreedyStepwise. Evalúa con el conjunto completo y cross-validation.

2.Interpreta los resultados. Compara con los resultados del ejercicio anterior.

3.Selecciona atributos con un filtro para atributos individuales, elimina los atributos. Corre un árbol J48 con el archivo resultante.

4.Repite pero ahora haz el proceso con J48. ¿Son los mismos atributos? ¿Con cuál conjunto es mejor la evaluación?

Aplica la selección de atributos usando WrapperSubsetEval Datos:

34

Referencias

[Bouckaert et al., 2010] Bouckaert, R. R., Frank, E., Hall, M. A., Holmes, G., Pfahringer, B., Reutemann, P., andWitten, I. H. (2010). WEKA–experiences with a java open-source project. Journal of Machine Learning Research, 11:2533– 2541.

[Hall et al., 2009] Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The WEKA data mining software: an update. SIGKDD Explorations Newsletter, 11:10–18.

[Witten et al., 2011] Witten, I., Frank, E., and Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann series in data management systems. Elsevier Science & Technology

35

Referencias

[Hall and Holmes, 2003] Hall, M. A. and Holmes, G. (2003). Benchmarking attribute selection techniques for discrete class data mining. IEEE Transactions on Knowledge and Data Engineering, 15(6):1437–1447.

[Liu and Yu, 2005] Liu, H. and Yu, L. (2005). Toward integrating feature selection algorithms for classification and clustering. IEEE Transactions on Knowledge and Data Engineering, 17:491–502

[Guyon and ElisseeU, 2003] Guyon, I. and ElisseeU, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3:1157– 1182..

36

Mapa Nueva Zelandahttp://www.flickr.com/photos/duncan/478984969/in/photostream/Wekashttp://www.flickr.com/photos/61897811@N00/367600536/Acumuladohttp://www.flickr.com/photos/99796131@N00/347158515/Botellashttp://www.flickr.com/photos/96547648@N00/237795761/Expertoshttp://www.flickr.com/photos/35034348187@N01/35555985/Carrerahttp://www.flickr.com/photos/97449017@N00/289473278/Ollashttp://www.flickr.com/photos/12519225@N03/2263693205/

Imágenes