Przykład 3.2. Prosty przykład zastosowania modelu

# sztuczne dane trenujace
table 'dane_trenujace':

    id_klienta  wiek  region   aktywa   interesujacy

    1            18    'A'      1500      'nie'
    2            34    'A'      200       'nie'
    3            15    'A'      100       'nie'
    4            24    'A'      20000     'tak'
    5            21    'A'      10000     'tak'
    6            54    'B'      30000     'tak'
    7            14    'B'      20000     'tak'
    8            13    'B'      1200      'tak'
    9            15    'B'      100       'tak'

pd = PhysicalData('dane_trenujace')

fs = ClassificationFunctionSettings()
fs.logicalData = LogicalData(pd)
fs.algorithmSettings = TreeSettings()

# wykluczenie atrybutu id_klienta z budowy modelu
att = fs.attributeUsageSet.getAttribute('id_klienta')
att.setUsage(UsageOption.inactive)
fs.targetAttributeName = 'interesujacy'

bt = MiningBuildTask( 'pd', 'fs', 'model' )

save('bt', bt)
save('fs', fs)
save('pd', pd)

execute('bt')

model = load('model')

for leaf in model.modelStatistics.allLeaves:

    # wyświetlenie kilku statystyk
    print "**Wezel %d, ilosc: %g" % (leaf.nodeID, leaf.count)
    print 'REGULA:'
    print leaf.nodeRule
    print 'Przewidywana wartosc:'
    print leaf.getPredictedValue()
    print '---'

Wynik:

**Wezel 1, ilosc: 4
REGULA:
region IN ('B')
Przewidywana wartosc:
tak
---
**Wezel 3, ilosc: 3
REGULA:
region IN ('A') AND 
aktywa < 5 750.000
Przewidywana wartosc:
nie
---
**Wezel 4, ilosc: 2
REGULA:
region IN ('A') AND 
aktywa >= 5 750.000
Przewidywana wartosc:
tak
---
    

Przykład 3.3. Podstawowy przykład modelu klasyfikacyjnego, przypisującego decyzę do wektora danych wejściowych

# sztuczne dane trenujące:
table 'dane_trenujace':

    id_klienta  wiek  region   aktywa   interesujacy
    1            18    'A'      1500      'nie'
    2            34    'A'      200       'nie'
    3            15    'A'      100       'nie'
    4            24    'A'      20000     'tak'
    5            21    'A'      10000     'tak'
    6            54    'B'      30000     'tak'
    7            14    'B'      20000     'tak'
    8            13    'B'      1200      'tak'
    9            15    'B'      100       'tak'

pd = PhysicalData('dane_trenujace')

fs = ClassificationFunctionSettings()
fs.logicalData = LogicalData(pd)
fs.algorithmSettings = TreeSettings()

# pomiń atrybut id_klienta budując model
att = fs.attributeUsageSet.getAttribute('id_klienta')

att.setUsage(UsageOption.inactive)
fs.targetAttributeName = 'interesujacy'

bt = MiningBuildTask( 'pd', 'fs', 'model' )

save('bt', bt)
save('fs', fs)
save('pd', pd)

execute('bt')

#----------------------------------------------------
# przygotwanie i wykonanie zadania zastosowania
# modelu przewidującego kategorię każdej
# obserwacji
#----------------------------------------------------

table 'nowi_klienci':

    wiek  region   aktywa

    14    'A'      400
    23    'B'      6500
    78    'A'      500
    24    'B'      10000
    15    'B'      600
    14    'B'      200

# klasyfikacyjny model ekstrakcji danych działający
# na danych podobnych do tych ze zbioru data_to_apply
classifierName = 'model'
inputTableName = 'nowi_klienci'
outputTableName = 'decyzje'

save(inputTableName, PhysicalData(inputTableName) )
save(outputTableName, PhysicalData(outputTableName) )

task = MiningApplyTask()

task.setReplaceExistingData(TRUE)
task.applyOutput = ClassificationApplyOutput()

# będzie jeden atrybut wynikowy dla każdej decyzji klasyfikatora,
# zawierający kategorie target uznane przez algorytm jako
# najlepsze (pierwszego rzędu)

predictedItem = ClassificationRankItem('decyzja', ClassificationOutputType.predictedCategory, 0)

task.applyOutput.item.add(predictedItem)

task.modelName = classifierName
task.sourceDataName = inputTableName
task.targetDataName = outputTableName

save('apply', task)                          # zapisz zadanie zastosowania modelu...
execute('apply')                             # i je wykonaj

# wyświetlenie wyników:
print 'wynik'
print 20*'_'
trans None <- outputTableName:
    print '%s' % decyzja

Output:

wynik
____________________
nie
tak
nie
tak
tak
tak
    

Przykład 3.4. Podstawowy przykład dla modelu przeżycia.

task=MiningApplyTask()
ao = SurvivalApplyOutput()
ao.setFirstTimePoint(0)
ao.setLastTimePoint(15)
ao.setNumberOfTimePoints(1)
task.applyOutput = ao
    

Przykład 3.5. Stosowanie modelu z odwzorowywaniem zmiennych

# sztuczne dane trenujace
table 'dane_trenujace':

    id_klienta  wiek  region   aktywa   interesujacy

    1            18    'A'      1500      'no'
    2            34    'A'      200       'no'
    3            15    'A'      100       'no'
    4            24    'A'      20000     'yes'
    5            21    'A'      10000     'yes'
    6            54    'B'      30000     'yes'
    7            14    'B'      20000     'yes'
    8            13    'B'      1200      'yes'
    9            15    'B'      100       'yes'

pd = PhysicalData('dane_trenujace')

fs = ClassificationFunctionSettings()
fs.logicalData = LogicalData(pd)
fs.algorithmSettings = TreeSettings()

#  excluding id attribute from model building
att = fs.attributeUsageSet.getAttribute('id_klienta')
att.setUsage(UsageOption.inactive)

fs.targetAttributeName = 'interesujacy'

bt = MiningBuildTask( 'pd', 'fs', 'model' )

save('bt', bt)
save('fs', fs)
save('pd', pd)

execute('bt')

#--------------------------------------------------
# przygotwanie i wykonanie zadania zastosowania
# modelu przewidującego kategorię każdej
# obserwacji
#--------------------------------------------------

table 'nowi_klienci':

    id_klienta  age  kod_regionu   aktywa_2

    12            14    'A'      400
    18            23    'B'      6500
    11            78    'A'      500
    16            24    'B'      10000
    19            15    'B'      600
    17            14    'B'      200


# model klasyfikacyjny ekstrakcji danych oparty na
# zbiorze danych podobnyego do zbioru data_to_apply
classifierName = 'model'
inputTableName = 'nowi_klienci'
outputTableName = 'decisions_table'

save(inputTableName, PhysicalData(inputTableName) )
save(outputTableName, PhysicalData(outputTableName) )

task = MiningApplyTask()

# Zmienna wynikowa 'id' będzie kopią zmiennej wejściowej
# 'id_klienta', dzięki czemu będzie możliwe porównywanie
# odpowiednich wierszy w tabeli wejściowej i wynikowej
task.directMapping.add( ApplySourceItem('id_klienta', 'id') )

# Dwie kolumny w tabeli wynikowej 'nowi_klienci' maja inne nazwy
# od podanych w sygnaturze modelu. Jesli nie zostanie określone
# odwzorowanie, zmienne te przyjmą wartości NULL
task.modelAssignment.assignment.add( SignatureAssignment( 'kod_regionu', 'region' ) )
task.modelAssignment.assignment.add( SignatureAssignment( 'aktywa_2', 'aktywa' ) )

task.applyOutput = ClassificationApplyOutput()
task.setReplaceExistingData(TRUE)

# Jeden atrybut będzie zawierał decyzję klasyfikatora: kategorie
# zmiennej 'target' wybrane przez algorytm jako najlepsze
# (pierwszego rzędu)
predictedItem = ClassificationRankItem('decyzja', ClassificationOutputType.\
predictedCategory, 0)

task.applyOutput.item.add( predictedItem )
task.modelName = classifierName
task.sourceDataName = inputTableName
task.targetDataName = outputTableName

save( 'apply', task )
execute( 'apply' )

# wyświetlenie wyników
print 'id\tdecyzja'
print 20*'_'
trans None <- outputTableName:
    print '%d\t%s' % (id, decyzja)

Wynik:

id        decyzja
____________________
12        no
18        yes
11        no
16        yes
19        yes
17        yes
    

Przykład 3.6. Changing the classification threshold

# Ten skrypt nie jest kompletny. Wymagane są tabela z danymi
# i zadanie
ao = ClassificationApplyOutput()
ao.item.add( ClassificationRankItem( 'prawd_dobrej_kat', ClassificationOutputType.\
probability, 0) )

trans 'wynik' <- 'tabela_wynikow':
drop out prawd_dobrej_kat
if prawd_dobrej_kat > 0.3:
	target = 'dobry'
else:
	target = 'zly'

Przykład 3.7. An advice system with secondary decision suggestion

# Ten skrypt nie jest kompletny. Wymagane są tabela z danymi
# i zadanie
ao = ClassificationApplyOutput()
ao.item.add( ClassificationRankItem('pierwsza_decyzja', ClassificationOutputType.\
predictedCategory, 0) )
ao.item.add( ClassificationRankItem('pierwsza_decyzja_prob', ClassificationOutputType.\
probability, 0) )
ao.item.add( ClassificationRankItem('druga_decyzja', ClassificationOutputType.\
predictedCategory, 1) )

trans 'wynik' <- 'tabela_wynikow':
drop out pierwsza_decyzja_prob
if pierwsza_decyzja_prob > 0.7:
druga_decyzja = None