Introduction to Datamining using WEKA Anto Satriyo Nugroho

Introduction to Datamining using WEKA Anto Satriyo Nugroho Center for Information & Communication Technology Agency for the Assessment & Application of Technology, Indonesia Email: asnugroho@ieee. org

Practicing WEKA • What is WEKA ? • Formatting the data into ARFF • Klasifikasi – Tahapan membangun classifier – Contoh kasus : Klasifikasi bunga iris – Tahapan membangun classifier – Merangkum hasil eksperimen k-Nearest Neighbor Classifier – Eksperimen memakai classifier yang lain (JST, SVM) – Classification of cancers based on gene expression – Parkinson Disease Detection • K-Means Clustering 2

What is WEKA ? • Machine learning/data mining software written in Java (distributed under the GNU Public License) • Used for research, education, and applications • Complements “Data Mining” by Witten & Frank • Main features: – Comprehensive set of data pre-processing tools, learning algorithms and evaluation methods – Graphical user interfaces (incl. data visualization) – Environment for comparing learning algorithms • Weka versions – WEKA 3. 4: “book version” compatible with description in data mining book – WEKA 3. 5: “developer version” with lots of improvements 3

Formatting Data into ARFF @relation iris @attribute sepallength real @attribute sepalwidth real @attribute petallength real @attribute petalwidth real @attribute class {Iris-setosa, Iris-versicolor, Iris-virginica} @data 5. 1, 3. 5, 1. 4, 0. 2, Iris-setosa 4. 9, 3. 0, 1. 4, 0. 2, Iris-setosa … 7. 0, 3. 2, 4. 7, 1. 4, Iris-versicolor 6. 4, 3. 2, 4. 5, 1. 5, Iris-versicolor … 6. 3, 3. 3, 6. 0, 2. 5, Iris-virginica 5. 8, 2. 7, 5. 1, 1. 9, Iris-virginica … 4

Practicing WEKA • What is WEKA ? • Formatting the data into ARFF • Klasifikasi – Tahapan membangun classifier – Contoh kasus : Klasifikasi bunga iris – Tahapan membangun classifier – Merangkum hasil eksperimen k-Nearest Neighbor Classifier – Eksperimen memakai classifier yang lain (JST, SVM) – Classification of cancers based on gene expression – Parkinson Disease Detection • K-Means Clustering 5

Tahapan membangun Classifier 1. Tentukan manakah informasi yang merupakan (a) attribute/feature (b) class (c) training & testing set (d) skenario pengukuran akurasi 2. Tentukan kombinasi parameter model, dan lakukan proses pelatihan memakai training set 3. Ukurlah akurasi yang dicapai dengan testing set 4. Ubahlah parameter model, dan ulang kembali mulai dari step 2, sampai dicapai akurasi yang diinginkan 6

Contoh Kasus : Klasifikasi bunga iris • Data set yang paling terkenal • Author: R. A. Fisher • Terdiri dari 3 kelas, masing-masing memiliki 50 samples (instances) • Attribute information: – Sepal (kelopak) length in cm – sepal width in cm – Petal (mahkota) length in cm – petal width in cm – class: (1) Iris Setosa (2) Iris Versicolour (3)Iris Virginica • URL: http: //archive. ics. uci. edu/ml/datasets/Iri s 7

Flower’s parts 8

Tahapan membangun Classifier 1. Tentukan manakah informasi yang merupakan (a) attribute/feature : sepal length (panjang kelopak) sepal width (lebar kelopak) petal length (panjang mahkota) petal width (lebar mahkota) (b) class: iris setosa iris versicolor iris virginica (c) training & testing set training set : 25 instances/class testing set: 25 instances/class 9

Step by Step klasifikasi 10

Open file “iris-training. arff” 11

Klik pada Classify untuk memilih Classifier algorithm statistical information of “sepallength” 12

Klik pada “Choose” untuk memilih Classifier algorithm 13

Naïve Bayes SMO ( implementasi SVM) 14

IB 1 : 1 -Nearest Neighbor Classifier) IBk : k-Nearest Neighbor Classifier 15

Multilayer Perceptron (Jaringan Syaraf Tiruan) 16

SMO singkatan dari Sequential Minimal Optimization. SMO adalah implementasi SVM Mengacu pada paper John Platt 17

Decision Tree J 48 (C 4. 5) 18

Misalnya kita pilih IBk : k-Nearest Neighbor Classifier 19

Selanjutnya pilihlah skenario Pengukuran akurasi. Dari 4 Options yang diberikan, pilihlah “Supplied test set” dan klik Button “Set” untuk memiilih Testing set file “iris-testing. arff” 20

Tahapan membangun Classifier Iris-training. arff iris setosa iris versicolor iris virginica 25 Iris-testing. arff 25 25 Classifiers : 1. Naïve Bayes 2. K-Nearest Neighbor Classifier (lazy i. Bk) 3. Artificial Neural Network (function multilayer perceptron) 4. Support Vector Machine (function SMO) 25 Akurasi terhadap testing set ? 21

Apakah yang dimaksud “mengukur akurasi” • Testing set “iris-testing. arff” dilengkapi dengan informasi actual class-nya. Misalnya instance no. 1 adalah suatu bunga yang memiliki sepal length 5. 0 cm, sepal width 3. 0 cm, petal length 1. 6 cm, petal width 0. 2 cm, dan jenis bunganya (class) “Iris setosa” • Model classification yang dibangun harus mampu menebak dengan benar class tersebut. 22

Berbagai cara pengukuran akurasi • “Using training set” : memakai seluruh data sebagai training set, sekaligus testing set. Akurasi akan sangat tinggi, tetapi tidak memberikan estimasi akurasi yang sebenarnya terhadap data yang lain (yang tidak dipakai untuk training) • Hold Out Method : Memakai sebagian data sebagai training set, dan sisanya sebagai testing set. Metode yang lazim dipakai, asal jumlah sampel cukup banyak. Ada 2 : supplied test set dan percentage split. Pilihlah “Supplied test set” : jika file training dan testing tersedia secara terpisah. Pilihlah “Percentage split” jika hanya ada 1 file yang ingin dipisahkan ke training & testing. Persentase di kolom adalah porsi yang dipakai sbg training set 23

Berbagai cara pengukuran akurasi • Cross Validation Method ( fold = 5 atau 10 ) : teknik estimasi akurasi yang dipakai, jika jumlah sampel terbatas. Salah satu bentuk khusus CV adalah Leave-one-out Cross Validation (LOOCV) : dipakai jka jumlah sampel sangat terbatas 24

Ilustrasi Cross Validation (k=5) 1. Data terdiri dari 100 instances (samples), dibagi ke dalam 5 blok dengan jumlah sampel yang sama. Nama blok : A, B, C, D dan E, masing-masing terdiri dari 20 instances 2. Kualitas kombinasi parameter tertentu diuji dengan cara sbb. step 1: step 2: step 3: step 4: step 5: training memakai A, B, C, D training memakai A, B, C, E training memakai A, B, D, E training memakai A, C, D, E training memakai B, C, D, E testing memakai E akurasi testing memakai D akurasi testing memakai C akurasi testing memakai B akurasi testing memakai A akurasi a b c d e 3. Rata-rata akurasi : (a+b+c+d+e)/5 mencerminkan kualitas parameter yang dipilih 4. Ubahlah parameter model, dan ulangi dari no. 2 sampai dicapai akurasi yang diinginkan 25

Kali ini memakai “Supplied test set”. Selanjutnya klik pada bagian yang Di dalam kotak untuk men-set nilai Parameter. Dalam hal ini, adalah Nilai “k” pada k-Nearest Neighbour Classifier (Nick name : IBK) 26

Set-lah nilai “k”misalnya 3 dan klik OK. Untuk memahami parameter yang lain, kliklah button “More” & “Capabilities” 27

Klik button “Start” Hasil eksperimen : Correct classification rate : 96% (benar 72 dari total 75 data pada testing set) Bagaimana cara membaca Confusion matrix ? 28

• Baris pertama “ 25 0 0” menunjukkan bahwa ada (25+0+0) instances class Iris-setosa di dalam file iris-testing. arff dan semua benar diklasifikasikan sebagai Iris setosa • Baris kedua “ 0 24 1” menunjukkan bahwa ada (0+24+1) instances class Iris-versicolor di dalam file iris-testing. arff dan 1 salah diklasifikasikan sebagai Iris-virginica • Baris ketiga “ 0 2 24” menunjukkan bahwa ada (0+2+23) instances class Iris-virginica di dalam file iris-testing. arff dan 2 di antaranya salah diklasifikasikan sebagai Iris-versicolor

Untuk mengetahui instance mana yang tidak berhasil Diklasifikasikan klik “More Options” dan check lah “Output predictions”. Klik “Start” untuk mengulangi eksperimen yang sama

Inst# : nomer urut data pada file “iris-testing. arff” actual : class yang sebenarnya predicted: class yang diprediksi Error: jika ada misclassification, akan diberikan tanda “+” dalam contoh ini, pada instance no. 34, 59 & 60

Merangkum hasil eksperimen No. K Correct Classification Rate Iris setosa Iris versicolor Iris virginica Total 1 1 ? ? 2 3 100% 96% 92% 96% 3 5 5 7 9 • Tugas : lanjutkan eksperimen di atas untuk nilai k = 1, 3, 5, 7 dan 9 • Buatlah grafik yang menunjukkan akurasi yang dicapai untuk masing-masing class pada berbagai nilai k. Sumbu horisontal : nilai k dan sumbu vertikal : akurasi • Kapankah (pada nilai k berapa ? ) akurasi tertinggi dicapai ? Bagaimanakah trend akurasi masing-masing class ?

Eksperimen memakai Neural Network • Untuk eksperimen memakai neural network, caranya sama dengan k-Nearest Neighbor Classifier. • Parameter yang dituning meliputi antara lain: – hidden. Layers: banyaknya neuron pada hidden layer. Default “a” : rata jumlah neuron pada input & output layer – Learning. Rate : biasanya nilai kecil (0. 1, 0. 01, 0. 2, 0. 3 dsb) – Momentum: biasanya nilai besar (0. 6, 0. 9 dsb) – training. Time: maksimum iterasi backpropagation (500, 1000, 5000, 10000 dsb. ) 33

Eksperimen memakai SVM 34

Eksperimen memakai SVM C: complexity parameter (biasanya mengambil nilai besar. 100, 1000 dst) Untuk memilih kernel 35

Eksperimen memakai SVM

Classification of cancers based on gene expression • Biological reference: Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks, J. Khan, et al. , Nature Medicine 7, pp. 673 -679, 2001 (http: //www. thep. lu. se/~carsten/pubs/lu_tp_01_06. pdf ) • Data is available from http: //research. nhgri. nih. gov/microarray/Supplement/ • Small Round Blue Cell Tumors (SRBCT) has two class: – Ewing Family of Tumors (EWS) – NB: Neuroblastoma – BL: Burkitt lymphomas – RMS: Rhabdomyosarcoma : RMS • Characteristic of the data – Training samples : 63 (EWS: 23 BL: 8 NB: 12 RMS: 20) – Testing samples: 20 (EWS: 6 BL: 3 NB: 6 RMS: 5) – Number of features (attributes): 2308 37

Classification of cancers based on gene expression Experiment using k-Nearest Neighbor Classifier • Training and testing set are given as separated arff file • Use training set to build a classifier: k-Nearest Neighbor (k=1) • Evaluate its performance on the testing set. • Change the value of k into 3, 5, 7 and 9 and repeat step 1 to 3 for each value. Experiment using Artificial Neural Network • Do the same experiment using Multilayer Perceptron Artificial Neural Network for various parameter setting (hidden neurons, learning rate, momentum, maximum iteration). Make at least five parameter settings. 38

Parkinson Disease Detection Max Little (Oxford University) recorded speech signals and measured the biomedical voice from 31 people, 23 with Parkinson Disease (PD). In the dataset which will be distributed during final examination, each column in the table is a particular voice measure, and each row corresponds one of 195 voice recording from these individuals ("name" column). The main aim of the data is to discriminate healthy people from those with PD, according to "status" column which is set to 0 for healthy and 1 for PD. There around six recordings per patient, making a total of 195 instances. (Ref. 'Exploiting Nonlinear Recurrence and Fractal Scaling Properties for Voice Disorder Detection', Little MA, Mc. Sharry PE, Roberts SJ, Costello DAE, Moroz IM. Bio. Medical Engineering On. Line 2007, 6: 23, 26 June 2007). Experiment using k-Nearest Neighbor Classifier Conduct classification experiments using k-Nearest Neighbor Classifier and Support Vector Machines, by using 50% of the data as training set and the rest as testing set. Try at least 5 different values of k for k-Nearest neighbor, and draw a graph show the relationship between k and classification rate. In case of Support Vector Machine experiments, try several parameter combinations by modifying the type of Kernel and its parameters (at least 5 experiments). Compare and discuss the results obtained by both classifiers. Which of them achieved higher accuracy ? 39

Parkinson Disease Detection Max Little (Oxford University) recorded speech signals and measured the biomedical voice from 31 people, 23 with Parkinson Disease (PD). In the dataset which will be distributed during final examination, each column in the table is a particular voice measure, and each row corresponds one of 195 voice recording from these individuals ("name" column). The main aim of the data is to discriminate healthy people from those with PD, according to "status" column which is set to 0 for healthy and 1 for PD. There around six recordings per patient, making a total of 195 instances. (Ref. 'Exploiting Nonlinear Recurrence and Fractal Scaling Properties for Voice Disorder Detection', Little MA, Mc. Sharry PE, Roberts SJ, Costello DAE, Moroz IM. Bio. Medical Engineering On. Line 2007, 6: 23, 26 June 2007). Experiment using k-Nearest Neighbor Classifier Conduct classification experiments using k-Nearest Neighbor Classifier and Support Vector Machines, by using 50% of the data as training set and the rest as testing set. Try at least 5 different values of k for k-Nearest neighbor, and draw a graph show the relationship between k and classification rate. In case of Support Vector Machine experiments, try several parameter combinations by modifying the type of Kernel and its parameters (at least 5 experiments). Compare and discuss the results obtained by both classifiers. Which of them achieved higher accuracy ? 40

Practicing WEKA • What is WEKA ? • Formatting the data into ARFF • Klasifikasi – Tahapan membangun classifier – Contoh kasus : Klasifikasi bunga iris – Tahapan membangun classifier – Merangkum hasil eksperimen k-Nearest Neighbor Classifier – Eksperimen memakai classifier yang lain (JST, SVM) – Classification of cancers based on gene expression – Parkinson Disease Detection • K-Means Clustering 41

K-Means Clustering : Step by Step • Pilihlah k buah data sebagai initial centroid • Ulangi – Bentuklah K buah cluster dengan meng-assign tiap data ke centroid terdekat – Update-lah centroid tiap cluster • Sampai centroid tidak berubah 42

K-Means Clustering : Step by Step 43

Filename : kmeans_clustering. arff

1 2 45

Klik untuk memilih algoritma clustering Pilih “Use training set” 46

47

Klik untuk memilih nilai k 48

max. Iterations: untuk menghentikan proses clustering jika iterasi melebih nilai tertentu num. Clusters: nilai k (banyaknya cluster) 49

Hasil clustering: terbentuk 3 cluster dan masing-masing beranggotakan 50 instances 50

Klik dengan button kanan mouse untuk menampilkan visualisasi cluster 51

Nilai attribute x ditampilkan pada sumbu x, dan nilai attribute y ditampilkan pada sumbu y Tiap cluster diberikan warna yang berbeda (merah, biru, hijau) 52