RapidMiner数据挖掘
RapidMiner数据挖掘入门之一：概要
1 简介
RapidMiner原名Yale，它是用于数据挖掘、机器学习、商业预测分析的开源计算环境。根据KDnuggets在2011年的一次 投票显示，从使用率来看该软件比之R语言还要略胜一筹。因为其具备GUI特性，所以很适合于数据挖掘的初学者入门。RapidMiner提供的数据挖掘和机器学习程序包括：数据加载和转换（ETL），数据预处理和可视化，建模，评估和部署。数据挖掘的流程是以XML文件加以描述，并通过一个图形用户界面显示出来。RapidMiner是由Java编程语言编写的，其中还集成了WEKA的学习器和评估方法，并可以与R语言进行协同工作。
2 学习资源
软件的帮助菜单中自带了26个tutorial，可以帮助用户进行基本入门。另外在sample有也有不错的案例数据和流程可供参考学习。从官方网站可以下载到一份简单的用户手册，另外还有相应的 资源站提供了很好的视频教程。
3 基本概念
rapidminer中的功能均是通过连接各类算子（operataor）形成流程(process)来实现的，整个流程可以看做是工厂车间的生产线，输入原始数据，输入出模型结果。算子可以看做是执行某种具体功能的函数，不同算子有不同的输入输出特性。
大体上有这样几类算子：
- 流程控制类，是为了实现循环和条件功能。
- 数据输入和输出类，是为了实现数据交换。
- 数据转换类，包括各种数据抽取、清洗整理功能；
- 建模类，包括分类回归建模，关联分析、聚类分析、集成学习等功能。
- 评估类，包括多重交叉检验，自助法检验等功能
将算子拖入主流程工作区后，它会以一个方箱形式呈现，不同的颜色暗示着不同的函数功能。箱体左侧是输入接口，对应着输入类型的缩写。右侧对应输出接口和相应缩写。左下角会有三种颜色的状态灯，红灯表示关于该算子的设置错误，黄灯表示设置正常但还未进行过执行操作，绿灯表示设置正常且已经进行过执行操作。
在建模时，变量（attributes）会分为两个大类，普通变量称为regular,而目标变量称为label。这在有监督学习时需要特别留意。从数据特征来分，又可分为数值变量numeric，分类变量nominal，其中又有两值分类变量binominal，多值分类变量polynominal。不同的算子对于输入数据的类型有着不同的要求，这点需要在算子帮助中仔细阅读。
4 建模一般流程
- 新建一个库（Repository）
- 选择需要的算子（operator）放入主流程(main process)中
- 设置算子相关参数 (parameter)
- 进行算子连接
- 执行流程以得到结果
rapidminer数据挖掘入门之二：数据导入、预处理和绘图
当安装软件时rapidminer会问你新建库文件在所在地，也就是Repositories，它相当于是用户的所有资料存放地。库中主要存放两种资料：一种是建模需要的数据（Data），另一种是建模用到的模型，或称为流程（Processes）。在安装完软件后，用户可以从Repositories下面看到sample文件，里面提供了用来练习用的数据和模型。
2 数据导入
数据导入有两种方式：
第一种是在Repositories菜单中点击import，可以读取CSV等五种格式数据，导入后以data形式存在库中，可随时拖拽到主流程图中调用，将会显示为Retrieve。
第二种是以算子（Operators）形式导入，从算子中的import类中可以选择十几种导入算子拖拽到主流程图中，然后在设置窗口确定资料来源。
3 数据预处理
数据预处理主要通过Data Transformation算子实现中，其中包括了这样几个大类：
- 重定义，在数据导入时软件会让你定义哪些属于预测变量，哪些属于响应变量，如果在导入阶段没有定义，则可以在预处理阶段用（Set Role）算子进行再定义，否则会无法进行分类建模。
- 数据类型转换，数据大致上可分为数值（numerical）、两类(Binomial)、多类(Polynomial)数据，有时候希望相互转换，这就要用到Type Conversion类的算子来处理。
- 数据标准化，标准化数据和还原是经常用到的功能，分别对应Normalize和De-Normalize算子，
- 数据的清理，有这样几种数据可能是需要清理的，一是离群点，通过Detect Outier进行检测；二是缺失数据，通过Replace Missing Values进行处理；三是近似于常数的变量，通过Remove Useless Attribute算子来处理；四是相关度很高的变量，用Remove Correlated Atributes算子处理。
- 数据抽样，通过sample算子实现。
绘图是在result overview窗口中实现，我们以著名的鸢尾花数据为例。首先将库中sample下的iris拖入Main Process，然后将其进行标准化，再点击大三角符号进行运算。软件会自动转到结果窗口，在该窗口选择plot view就可以选择多种绘图方式，下图就是所绘制的三维散点图：
rapidminer数据挖掘入门之三：特征选择
维数过高对于大多数回归分类模型来说是难以忍受的，而且这么高维特征可能会大大干扰训练效果、降低分类性能，因此有必要采取措施进一步地降低特征空间的维数。降维过程包括两类方法：一种是特征选择又称为子集选择，即从最初的N个特征中选取n个特征，而这n个特征可以更简洁、更有效地表示样本的信息。另一种是数据变换，即把N个原始特征变换为n个新的特征，例如主成分分析、投影寻踪方法。
特征选择的一般思路是：构造一个评估函数，对特征子集中的每一个特征进行独立的评估，使每一个特征得到一个评估分，然后对所有特征按照其评估分大小进行排序，选取满足阀值的预定数目个特征形成特征子集。
从使用方法上，特征选择又分为过滤器（Filter）方法和嵌入（Wrapper）方法，Filter是独立于分类器训练的，而Wrapper是结合分类器的效果进行选择的。Filter处理速度快，而Wrapper比较准确，但丧失了数据的一般性。rapidminer就采用Wrapper方法。
我们首先在Repositories中选择sample->processes->04_Attributes->10_ForwardSelect。该例子中用的方法是以前向搜索为选择顺序，以回归均方误为评估指标进行特征选择。
点击运行，然后观察结果窗口，在ProcessLog标签下观察散点图，纵轴选performance，横轴选generation，可以观察到在选择3个变量时，均方误达到最低，从ExampleSet标签可以看到最终选择了a1,a2,a3,这三个变量。
rapidminer数据挖掘入门之四：建模和评价（完）
这些学习器都可以看做是一个黑箱，输入数据，输出模型和预测结果。在使用这些学习器时要注意的一点就是：不同的学习器需输入的数据类型不同。以Decision Tree学习器为例，它可以输入numerical attributes（数值数据自变量）、binominal attributes（两分类数据自变量）、polynomial attributes（多分类数据自变量），以及polynominal label（多分类数据因变量） binominal label（两分类数据因变量），但它不能处理numerical label（数值数据因变量）。这些信息都可以在学习器上通过帮助信息了解。
在建模时，我们通常会将样本数据分为两个部分，一半做为训练样本，另一半做为检验样本，那么这如何来进行呢？首先还是将iris数据拖入，在后面加上split data算子，该算子将数据分为两个等份，一部分数据连接到decision tree用于建模，另一部分连接到apply model算子用于模型检验。还需要将decision tree算子的输出连接到apply model算子的输入，将apply model的lab输出连接到performance进行检验评价，最后将mod输出和per输出都连接到右边墙上即可。然后点击运行三角键就可以得到最终的结果输出。整个连接图应该如下图所示：
另一种常用的检验方法是cross-validation（交叉检验），以十重交叉检验为例，也就是将全部数据随机地分为等量的十份，选择其中的9份作为训练数据，剩下1份作为检测数据来评价模型。然后更换其中的1份数据，重复实验。这样得到10组不同的评价指标，最后综合评判模型的表现。在rapidminer中需要用X-Validation算子来实现这一功能。流程图如下所示，
需要注意validation是一个嵌套算子，双击进入后需要设置学习器等子模块。