Экспорт результатов в Rapidminer - PullRequest
Новая
       10

Экспорт результатов в Rapidminer

0 голосов
/ 28 июня 2018

Я создал модель нейронной сети в Rapid miner, но результаты не такие, как я ожидал, результаты связаны с каким-то промежуточным звеном, для достижения конечных результатов мне нужно выполнить пользовательский запрос на наборе результатов, сгенерированном модель нейронной сети, теперь вопросы: 

1.How can I query the result set? 
2.Or how can I import that result set of neural net in a database then use read database operator to query it. 
3.Or how can I export the neural net model's result set in a csv file so I can Import it into a database for further processing?

1 Ответ

0 голосов
/ 24 июля 2018

Когда вы тренируете нейронную сеть, вы сначала создаете модельный объект. Затем вам нужно применить эту модель к вашим данным тестирования, которые не должны совпадать с данными, используемыми для обучения. Посмотрите на этот пример процесса ниже (вы также можете просто скопировать и вставить xml в окно процесса RapidMiner 1 ):

Sample process for training and testing a simple neural network

Для импорта результатов в базу данных или CSV-файл существуют специальные операторы, которые называются Write CSV или Write Database, для последующего также необходимо сначала определить соединение в пункте меню Соединения - > Управление соединениями с базой данных

Вы также можете посмотреть раздел обучения сообщества RapidMiner, где есть много обучающих видео и связанных материалов: Бесплатные учебные материалы

1 

<?xml version="1.0" encoding="UTF-8"?><process version="8.2.000">
<context>
<input/>
<output/>
<macros/>
</context>
<operator activated="true" class="process" compatibility="6.0.002" expanded="true" name="Process">
<process expanded="true">
  <operator activated="true" class="retrieve" compatibility="8.2.000" expanded="true" height="68" name="Retrieve Weighting" width="90" x="45" y="136">
    <parameter key="repository_entry" value="//Samples/data/Weighting"/>
  </operator>
  <operator activated="true" class="split_data" compatibility="8.2.000" expanded="true" height="103" name="Split Data" width="90" x="246" y="136">
    <enumeration key="partitions">
      <parameter key="ratio" value="0.7"/>
      <parameter key="ratio" value="0.3"/>
    </enumeration>
    <description align="center" color="yellow" colored="true" width="126">Split the data into training and a testing set (ratio 70% and 30%)</description>
  </operator>
  <operator activated="true" class="neural_net" compatibility="8.2.000" expanded="true" height="82" name="Neural Net" width="90" x="447" y="34">
    <list key="hidden_layers"/>
    <description align="center" color="green" colored="true" width="126">Train the neural net here</description>
  </operator>
  <operator activated="true" class="apply_model" compatibility="8.2.000" expanded="true" height="82" name="Apply Model" width="90" x="648" y="136">
    <list key="application_parameters"/>
    <description align="center" color="green" colored="true" width="126">Apply the trained net on the test data</description>
  </operator>
  <operator activated="true" class="performance_classification" compatibility="8.2.000" expanded="true" height="82" name="Performance" width="90" x="841" y="136">
    <list key="class_weights"/>
    <description align="center" color="orange" colored="true" width="126">Check how well the network worked on the data and the see output of classification</description>
  </operator>
  <connect from_op="Retrieve Weighting" from_port="output" to_op="Split Data" to_port="example set"/>
  <connect from_op="Split Data" from_port="partition 1" to_op="Neural Net" to_port="training set"/>
  <connect from_op="Split Data" from_port="partition 2" to_op="Apply Model" to_port="unlabelled data"/>
  <connect from_op="Neural Net" from_port="model" to_op="Apply Model" to_port="model"/>
  <connect from_op="Apply Model" from_port="labelled data" to_op="Performance" to_port="labelled data"/>
  <connect from_op="Performance" from_port="performance" to_port="result 1"/>
  <connect from_op="Performance" from_port="example set" to_port="result 2"/>
  <portSpacing port="source_input 1" spacing="0"/>
  <portSpacing port="sink_result 1" spacing="0"/>
  <portSpacing port="sink_result 2" spacing="0"/>
  <portSpacing port="sink_result 3" spacing="0"/>
</process>
</operator>
</process>
...