Bibliotecas e Ferramentas para Aprendizado de Máquina

INF 1771 – Inteligência Artificial

Aula 16 – Bibliotecas e Ferramentas para

Aprendizado de Máquina

Edirlei Soares de Lima

<elima@inf.puc-rio.br>

LibSVM

•

Biblioteca com implementação atual e bem

otimizada de Support Vector Machine (SVM).

É escrita originalmente em C e Java, mas possui

versões em C#, Python, Ruby, Perl, Haskell, Lisp, PHP,

CUDA...

•

Versão atual 3.18.

LibSVM

•

LibSVM:

–

http://www.csie.ntu.edu.tw/~cjlin/libsvm/

GNUPlot:

–

http://sourceforge.net/projects/gnuplot/files/gnuplot/4.4.3/gp443win

32.zip/download

•

Python:

–

http://python.org/download/releases/2.7.2/

Exemplos de Datasets:

–

http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/

LibSVM

•

Instalação:

–

Descompacte: libsvm-3.18.zip e gp443win32.zip

–

Instale: python-2.7.2.msi

–

Obs: É necessário usar a versão 2.7 do Python.

LibSVM

•

Configuração:

–

Edite o arquivo: libsvm-3.18\tools\easy.py

Substitua a linha 25:

gnuplot_exe = r"c:\tmp\gnuplot\binary\pgnuplot.exe“

Pelo caminho do GNUPlot. Exemplo:

gnuplot_exe = r" C:\gp443win32\gnuplot\binary\ gnuplot.exe“

LibSVM

•

Execução:

–

Considerando os arquivos train.txt e test.txt como bases

de treinamento e teste, o processo de treinamento e teste

é executado pela seguinte linha de comando:

C:\Python27\python.exe easy.py train.txt test.txt

LibSVM

•

Formato do arquivo de treinamento/testes:

(Classe) (Atrib₁ID):(Atrib₁) (Atrib₂ID):(Atrib₂) ... (Atrib_NID):(Atrib_N)

Exemplo:

8

6

3

8

3

1:47 2:100 3:27 4:81 5:57 6:37 7:26

1:100 2:100 3:88 4:99 5:49 6:74 7:17

1:50 2:84 3:66 4:100 5:75 6:75 7:51

1:48 2:96 3:62 4:65 5:88 6:27 7:21

2:83 3:29 4:100 5:88 6:95 7:64

LibSVM

•

Avaliação dos Resultados:

–

Precisão geral: Valor do accuracy exibido no console.

Arquivos Gerados:

Train.txt.scale e Test.txt.scale – Contém os dados normalizados.

Train.txt.range e Test.txt.range – Valor mínimo e máximo dos atributos.

Train.txt.scale.out – Contém os resultados parciais obtidos com diferentes parâmetros

durante o treinamento.

Train.txt.scale.png – Gráfico com a variação dos resultados obtidos com diferentes

parâmetros durante o treinamento.

Test.txt.predict – Resultado da classificação dos exemplos de teste.

Train.txt.model – Modelo do classificador treinado.

Weka

•

Ferramenta e biblioteca completa para tarefas de

aprendizado de máquina.

Possui uma grande quantidade de algoritmos de

aprendizado de máquina.

•

Implementado na linguagem Java.

Versão atual: 3.6

Weka

•

Weka:

–

http://www.cs.waikato.ac.nz/ml/weka/

Exemplos de Datasets:

–

“C:\Program Files\Weka-3-6\data\”

–

http://www.cs.waikato.ac.nz/ml/weka/index_datasets.html

Weka

•

Formato do arquivo de treinamento/testes:

Cabeçalho do arquivo:

@

.

relation (DatasetName)

attribute (AtribName₁) (AtribType₁)

attribute (AtribName₂) (AtribType₂)

.

@attribute (AtribName_N) (AtribType_N)

@attribute (Class) {(Class₁, Class₂, … Class_N)}

@data

(

.

Atrib₁), (Atrib₂), … , (Atrib_N),(Class)

Weka

•

Formato do arquivo de treinamento/testes:

Exemplo:

@relation Activity_Recognition

@attribute 'valor1' real

@attribute 'valor2' real

@attribute 'valor3' real

@attribute 'class' {0,1,2,3,4,5,6,7,8,9,10}

@data

0.24679,0.210083,0.0873606,0

0.546452,0.811992,0.0163704,1

0.745887,0.114372,0.0957822,3

0.245887,0.214372,0.0857822,0

Weka

•

Interface para Testes:

Weka

•

Selecionando uma Base de Treinamento:

Weka

•

Selecionando um Algoritmo:

Weka

•

Alterando Parâmetros do Algoritmo:

Weka

•

Realizando Testes:

Weka

•

Analisando os Resultados:

Weka

•

Realizando Experimentos:

Weka

•

Realizando Experimentos:

Weka

•

Comparando os Resultados dos Experimentos: