Rapid miner
•Télécharger en tant que PPTX, PDF•
0 j'aime•458 vues
Introduction RapiidMiner
Recommandé
Contenu connexe
Tendances
Tendances (20)
Plus de Fatima Zahra Fagroud
Plus de Fatima Zahra Fagroud (20)
Rapid miner
- 1. RapidMiner Réalisé par: Fatima Zahra Fagroud Encadré par: Mme N. Sael
- 2. logiciel open source gratuit dédié au data mining
- 4. Installation
- 5. Installation
- 6. Installation
- 7. Installation
- 8. Installation
- 12. Repository , DataSet, Process Repository: Permet le stockage de plusieurs objets (dataSet , Process, mdéle de prédiction..) correspond à un dossier sur l’ordinateur créé spécifiquement pour le travail Rapidminer DataSet: ensemble de données Process: une série d'opérateurs appliqués au DataSet pour l'analyser.
- 13. Data Access
- 14. Data Access
- 15. Data Access
- 16. Blending
- 17. Blending
- 18. Blending
- 19. Blending
- 20. Cleansing
- 21. Cleansing
- 22. Modeling
- 23. Modeling
- 24. Modeling
- 25. Scoring
- 26. Validation
- 27. Validation
- 28. Atelier
Notes de l'éditeur
- Normalize:La normalisation est utilisée pour mettre à l'échelle les valeurs afin qu'elles correspondent à une plage spécifique. L'ajustement de la plage de valeurs est très important lorsqu'il s'agit d'attributs d'unités et d'échelles différentes. Scale by Weights: peut être utilisé pour mettre à l'échelle les attributs par des poids pré-calculés. Au lieu d'ajuster la plage de valeurs à une échelle commune, cet opérateur peut être utilisé pour donner encore plus de poids aux attributs importants. De-Normalize: peut être utilisé pour rétablir une normalisation précédemment appliquée. Il nécessite le modèle de prétraitement renvoyé par un opérateur de normalisation. Discretize by Binning: discrétise les attributs numériques sélectionnés en attributs nominaux. Discretize by Frequency: crée des classes de manière à ce que le nombre de valeurs uniques dans tous les groupes soit (presque) égal. Discretize by Size: crée des classes de manière à ce que chaque groupe possède une taille spécifiée par l'utilisateur Outliers: les valeurs aberrantes
- Split Validation: Cet opérateur effectue une validation simple, c'est-à-dire divise de façon aléatoire le ExampleSet en un ensemble d'apprentissage et un ensemble de tests et évalue le modèle. Cet opérateur effectue une validation de division afin d'estimer la performance d'un opérateur d'apprentissage (généralement sur des ensembles de données non-vus). Il est principalement utilisé pour estimer avec quelle précision un modèle (appris par un opérateur d'apprentissage particulier) fonctionnera dans la pratique.