Daten

Numerische Daten

Energy efficiency Data Set

DATA: Variable State.dataEE01 Type: {X1, X2, X3, X4, X5, X6, X7, X8, Y1, Y2} []

X1 Relative Compactness X2 Surface Area X3 Wall Area X4 Roof Area X5 Overall Height X6 Orientation X7 Glazing Area X8 Glazing Area Distribution y1 Heating Load y2 Cooling Load

X,Y=Klasse={N,P}

▸

✗

≡

Ein einfacher Klassifikator

Vorbermerkung

Ein C4.5 Klassifikator

Nachfolgend wird gezeigt wie auf einfachen kategorischen Daten ein einfacher Klassifikator algorithmisch durch Tarining erzeugt werden kann.

Aufgaben

Benutze D=this.data.

Die Zielvariablen müssen intervallkodiert werden! Empfehlung: 4-5 Intervalle (Klassen A-E, wie bei dem Energielabeling von Geräten). Die kodierten Variablen Y1 und Y2 als Y1K und Y2K in die Tabelle einfügen (Achtung: Datenstrukturtabelle!).
Teile den Datensatz in Trainings- und Testdaten. Wähle eine geeignete Verteilung. Wiedehole die Parititionierung ggfs. wenn 2./3./4. keine guten Ergebnisse liefern.
Mit dem C45 Algorithmus soll ein Modell trainiert werde. Bestimme die Trainingszeit (mit der time() Funktion, gibt Zeit in ms zurück).
Test Ergebnisse und bestimmte die Fehlerrate für die Trainings- und Testdaten
Wähle geeignete Features (reduzierter Satz) aus um die bestmögliche Klassifikation zu erzielen (also Fehler Training und Test)

Eine Kodierung von numerischen Werten ist nicht erforderlich!
Aber eine Kodierung der numerischen Zielvariablen ind kat. Werte!
Im folgenden Eingabefeld die Ergebnisse zusammentragen (geeignete Features, verschiedene Versuche, Fehler, Rechenzeit für das Training, Inferenzzeit beim Test):

Intervallkodierung der Zielvariablen

var data   = this.data;
// ML.split, siehe oben
var y1 = this.data.pluck('Y1'), y2= this.data.pluck('Y1');
var codeY1 = { a:0, b: 10, c: 20, d: 30, e:  40 }
var codedY1 = data.pluck('Y1').map(function (x) {
  return Math.decode(Math.frac(x,20),codeY1)
})
data.forEach(function (row,index) {
  row.Y1K=codedY1[index][0];
})
/* TODO Y2 */

▸

✗

≡

Datenteilung

var data   = this.data;
// ML.split, siehe oben
this.test1  = ..;
this.train1 = ..;

▸

✗

≡

C45 Modell und Training

// this.train1 verwenden, siehe oben
this.modelX=.. // TODO

▸

✗

≡

C45 Test

// this.modelX, this.train1 und this.test1 verwenden, siehe oben

▸

✗

≡

C4.5 Modell: Die Baumstruktur von this.modelX

var g = Graph();
var root = this.modelX.model;
var connects = [],id=0;
function iter(node,parent,edge) {
  var i=id++;
  // console.log(node);
  if (node.type=='feature_category') {
    g.setNode(node.name+i, {label:node.name,shape:'circle'});
    node.values.forEach(function (val) {
      iter(val.child,node.name+i,'='+val.name);
    })
  } else if (node.type=='feature_number') {
    g.setNode(node.name+i, {label:node.name,shape:'circle'});
    node.values.forEach(function (val,index) {
      iter(val.child,node.name+i,(index==0?'>':'≤')+node.cut);
    })
  } else if (node.type=='result') {
    g.setNode(node.name+i,{label:node.name});
  }
  if (parent && edge) {
    connects.push({from:parent,to:node.name+i,label:edge});
  }

}
iter(root);
console.log('graph nodes:',id);
connects.forEach(function (c) { g.setEdge(c.from, c.to, {lineInterpolate: 'basis', label:c.label}) });
g.render();

▸		✗