MEODY GRUPOWANIA DANYCH

Wielkość: px

Rozpocząć pokaz od strony:

Download "MEODY GRUPOWANIA DANYCH"

Bartłomiej Drozd
8 lat temu
Przeglądów:

1 Sztuczna inteligencja 9999 pages 17 MEODY GRUPOWANIA DANYCH PB 1 CWICZENIE I 1. Ze zbioru danych iris.tab wybra nastepuj ce obiekty: ID SL SW PL PW C Iris-setosa Iris-setosa Iris-setosa Iris-ver Iris-ver Iris-ver Iris-vir Iris-vir Iris-vir Nazwy atrybutów: SL- sepallength, SW - sepalwidth, PL- petallength, PW - petalwidth. C - klasykacja. 2. Wybra do oblicze«dwa atrybuty - sepallength oraz petallength, obliczy macierz podobie«stwa mi dzy parami wszystkich 9 obiektów. Na tym etapie, mamy 9 jednoelementowych grup Pobobie«stwo mi dzy dwoma obiektami p i oraz p j, obliczamy jako odlegªo± euklidesow : d ij = Na (p ia p ja ) 2 a=1 gdzie N a - liczba atrybutów, p ia - warto± atrybutu o numerze a dla obiektu o indeksie i. 3. Wykonac grupowanie obiektow, poprzez poª czenie dwu najbardziej podobnych obiektów w jedn grup, w wyniku otrzymujemy 8 grup obiektów, jedn grup dwuelementow, oraz 7 grup jednoelementowych. 4. Powtórzy grupowanie obiektów do momentu otrzymania trzech grup obiektów (ew. jednej 9-elementowej grupy obiektów). Miara podobie«stwa obiektów /grup obiektów. W przypadku, gdy wykonujemy obliczenia odlegªo±ci mi dzy dwiema grupami obiektów zªo»onych z k obiektów -

3 Iris-vir 101 6.3 3.3 6.0 2.5 Iris-vir 102 5.8 2.7 5.1 1.9 Iris-vir Nazwy atrybutów: SL- sepallength, SW - sepalwidth, PL- petallength, PW - petalwidth. C - klasykacja. 2. Wybra do oblicze«dwa atrybuty - sepallength oraz petallength, obliczy macierz podobie«stwa mi dzy parami wszystkich 9 obiektów.

2 2 PB pierwsza grupa, oraz l obiektów - druga grupa. Wykonujemy obliczenie odlegªo±ci mi dzy wszystkimi parami obiektów x i, y j, gdzie x i - i-ty obiekt z grupy I, i = 1,..., k y j - j-ty obiekt z grupy II, j = 1,..., l oraz d xi,y j = Na (p xia p yja) 2 a=1 gdzie N a - liczba atrybutów, p xia - warto± atrybutu o numerze a dla obiektu x i z grupy pierwszej oraz p xia - warto± atrybutu o numerze a dla obiektu y i grupy drugiej. Metody ª czenia grup (scalania) 1. Miara (ang. nearest rst) - jako odlegªo± dwu grup rozumiemy najmniejsz z odlegªo±ci d xi,y j, wykonujemy ª czenie dwu grup, których odlegªo± jest najmniejsza. 2. Miara (ang. farest rst)- ª czymy grupy, dla których odlegªo± mi dzy dwoma najdalszymi obiektami jest najmniejsza. 3. Miara (ang. average rst)- ª czymy grupy, których ±rednia odlegªo± jest najmniejsza, Nadawanie wag poszczególnym atrybutom 5. Zastosowa wa»enie warto±ci atrybutów wedªug schematu: Niech min = min P L - warto± minimalna dla petallength max = max P L - warto± maksymalna dla petallength oraz w podobny sposób: min SL, min SW, min P W, max SL, max SW, max P W, d SL = max SL min SL d SW = max SW min SW d P L = max P L min P L d P W = max P W min P W Wag dla danego atrybutu obliczamy jako iloraz zakresu danego atrybutu do maksymalnego zakresu atrybutów, przykªadowo dla atrybutu petallength: 1. W P L = d P L max(d P L,P W,SW,SL )

.., l oraz d xi,y j = Na (p xia p yja) 2 a=1 gdzie N a - liczba atrybutów, p xia - warto± atrybutu o numerze a dla obiektu x i z grupy pierwszej oraz p xia - warto± atrybutu o numerze a dla obiektu y

3 MEODY GRUPOWANIA DANYCH 3 2. d P L sum(d P L,P W,SW,SL ) W P L = 1.0 W P L Wzór na odleglo± mi dzy dwoma atrybutami przybiera posta : d ij = Na W a (p ia p ja ) 2 2 CWICZENIE II Powtórzy zadanie dla atrybutów: 1. SW, PW 2. SW, PW, SL 3. SW, PW, SL, PL. oraz obiektów: a= , 15, 20, 60, 65, 70, 120, 125, , 25, 30, 85, 90, 95, 130, 135, , 40, 45, 70, 75, 80, 135, 140, CWICZENIE III 1. Uruchomi aplikacj WEKA - Explorer 2. Wczyta dane iris.ar 3. Wybra dwa atrybuty SL, PL 4. Przej± do zakladki Clusterer 5. Wybra algorytm SimpleKMeans 6. Dwukrotnie wcisn przycik myszy na nazwie algorytmu 7. Wprowadzi liczb grup-klas na jakie ma zosta podzielony badany zbiór - ustawi na trzy klasy. 8. Wykona grupowanie (przycisk Start) 9. Zapami ta ±rodki klas W arkuszu kalkulacyjnym przydzieli wszystkie obiekty do najbli»szych ±rodków klas. Powtórzy zadanie dla atrybutów: 1. SW, PW 2. SW, PW, SL

oraz obiektów: a=1 1. 10, 15, 20, 60, 65, 70, 120, 125, 130. 2. 20, 25, 30, 85, 90, 95, 130, 135, 140. 3. 35, 40, 45, 70, 75, 80, 135, 140, 145. 3 CWICZENIE III 1. Uruchomi aplikacj WEKA - Explorer 2.

4 4 PB 3. SW, PW, SL, PL. oraz obiektów: 1. 10, 15, 20, 60, 65, 70, 120, 125, , 25, 30, 85, 90, 95, 130, 135, , 40, 45, 70, 75, 80, 135, 140, CWICZENIE IV 1. Uruchomi aplikacj WEKA - Explorer 2. Wczyta dane iris.ar 3. Wybra dwa atrybuty SL, PL 4. Przej± do zakladki Clusterer 5. Wybra algorytm EM 6. Dwukrotnie wcisn przycik myszy na nazwie algorytmu 7. Wprowadzi liczb grup-klas na jakie ma zosta podzielony badany zbiór - ustawi na trzy klasy. 8. Wykona grupowanie (przycisk Start) 9. Zapami ta ±rodki klas Powtórzy zadanie dla atrybutów: 1. SW, PW 2. SW, PW, SL 3. SW, PW, SL, PL. oraz obiektów: 1. 10, 15, 20, 60, 65, 70, 120, 125, , 25, 30, 85, 90, 95, 130, 135, , 40, 45, 70, 75, 80, 135, 140, CWICZENIE V Wykona polecenia z zadania pierwszego dla poni»szych danych: wybieraj c atrybuty: Powtórzy zadanie I, III, IV dla atrybutów: 1. T, H 2. T, H, W (przypisuj c 1 - dla TRUE, 0 - dla FALSE) 3. T, H, O (przypisuj c 0 - rainy, overcast, 1 dla sunny) 4. T, H, W, O (przypisuj c 1 - dla TRUE, 0 - dla FALSE), (przypisuj c 0 - rainy, overcast, 1 dla sunny) Literatura 1. Dokumentacja systemu WEKA.

Wprowadzi liczb grup-klas na jakie ma zosta podzielony badany zbiór - ustawi na trzy klasy. 8. Wykona grupowanie (przycisk Start) 9. Zapami ta ±rodki klas Powtórzy zadanie dla atrybutów: 1. SW, PW 2.

5 MEODY GRUPOWANIA DANYCH 5 ID O T H W P 1 sunny FALSE no 2 sunny TRUE no 3 overcast FALSE yes 4 rainy FALSE yes 5 rainy FALSE yes 6 rainy TRUE no 7 overcast TRUE yes 8 sunny FALSE no 9 sunny FALSE yes 10 rainy FALSE yes 11 rainy TRUE yes 12 overcast TRUE yes 13 sunny FALSE yes 14 sunny TRUE no Rysunek 1:

0 65.0 TRUE yes 8 sunny 72.0 95.0 FALSE no 9 sunny 69.0 70.0 FALSE yes 10 rainy 75.0 80.

6 6 PB Rysunek 2: Rysunek 3:

7 MEODY GRUPOWANIA DANYCH 7 Rysunek 4: Rysunek 5:

Podobne dokumenty

Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY

Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z wyznaczania reduktów zbioru Liczba osób realizuj cych projekt: 1-2 osoby 1. Wczytanie danych w formatach arf,