آموزش عملگرهای رپیدماینر، عملگر (Set Parameters)

آموزش عملگرهای رپیدماینر، عملگر (Set Parameters)


  • 428 بازدید

داده کاوی علمی است که به دنبال پیدا کردن الگوی نهفته از داده های خام است. ولی این الگوی نهفته چگونه و با چه ابزاری باید از داده خام استخراج شود؟ 

چه چیزی داده کاوی نیست؟

داده کاوی چیست؟

نرم افزار رپیدماینر بسیار محبوب است زیرا توانسته برای پیاده سازی مسائل مختلف داده کاوی راه حل های مفیدی ارائه دهد. هزاران مقاله در زمینه داده کاوی با استفاده از رپیدماینر پیاده سازی شده اند که در وب سایت دیتاهارت دهها مقاله فارسی در مورد داده کاوی که با رپیدماینر پیاده سازی شده اند به صورت رایگان در اختیار علاقه مندان داده کاوی قرار داده است که می توانید آن ها را دانلود کنید. خواندن این مقالات به شما این امکان را می دهد که با قابلیت های نرم افزار رپیدماینر بیشتر آشنا شوید. 

انجام پایان نامه در حوزه متن کاوی

در این سلسله مقالات ابزار داده کاوی رپیدماینر به عنوان قویترین ابزار پیاده سازی آموزش داده می شود. مانند دیگر ابزارهای، ابزار داده کاویِ رپیدماینر نیز از عملگرها تشکیل شده است بدین ترتیب که با استفاده از اتصال عملگرها، مدلهای داده کاوی ایجاد شده و مورد استفاده قرار می گیرد. بدین ترتیب در ادامه مخاطب با عملگرهای رپیدماینر آشنا می گردد. لازم به ذکر است که این توضیحات از کتاب داده کاوی کاربردی صنیعی آباده برداشته شده است که البته ترجمه کلمه به کلمه از توضیحات داخل خود نرم افزار رپیدماینر است. 

این عملگر چندین پارامتر را به صورت یک مجموعه پارامتر مشخص دسته بندی می کند و با تنظیم پارامترهای مرتبط به دست آمده از ورودی، آنها را به صورت پیش فرض برای عملگرهای تعیین شده به کار می برد. پارامترهای یک عملگر علاوه بر خواست کاربر، می توانند به وسیله عملگرهای بهینه سازی پارامتر که در ادامه همین بخش ذکر خواهند شد، تولید شوند. در حالت عادی خروجی عملگرهای بهینه سازی پارامتر می تواند به وسیله یک عملگر ذخیره کننده مجموعه پارامتر، ذخیره شده و در ادامه در پردازش های آتی توسط عملگر بارگذاری کننده مجموعه پارامتر خوانده شود و نهایتا دوباره به عملگر اولیه ارسال و روی آن پیاده سازی های لازم صورت پذیرد. اما می بایست دقت داشته باشیم که این روش همیشه کاربردی نیست. جهت پی بردن به میزان کارایی این عملگر به ذکر یک مثال می پردازیم. فرض کنید اگر در سناریویی، درخواستی برای پیدا کردن بهترین پارامترها برای ایجاد یک مدل یادگیر خاص شامل چندین عملگر موجود باشد، در گام ابتدایی با استفاده از یک عملگر بهینه سازی پارامتر این امر به آسانی امکان پذیر می نماید، ولی در گام بعدی خواهیم دید، از آنجا که عملگر بهینه سازی پارامتر، عناصر ورودی و خروجی تولیدشده شامل مدل ایجادشده را به عنوان خروجی باز نمی گرداند، استفاده از پارامترهای بهینه شده برای سایر مدل ها امکان پذیر نیست. چرا که عملگر بهینه سازی پارامتر چیزی در مورد مدل های خروجی نمی داند و معلومات آن تنها ناشی از بردارهای کارایی تولیدشده مدل است و برای تولید بردارهای کارایی لزوما نیاز به داشتن یک مدل ضروری نیست. ولی ما قطعا در انتهای کار یک مجموعه پارامتر خواهیم داشت که نیاز داریم آنها را ذخیره کنیم و در صورت نیاز، مجددا از آن استفاده نماییم. از طرفی ممکن است داده ورودی مدل آموزش داده شده در ادامه تغییر پیدا کند و نیاز به آموزش مدل جدید. داشته باشیم. مسلما با هر بار تغییر مدل آموزش داده شده پارامترهای بهینه خروجی می بایست مجددا ذخیره و خوانده شوند. اما با استفاده از عملگر parameter setter دیگر نیازی به ذخیره پارامترها نخواهیم داشت و با تغییر مدل، مجموعه پارامترهای بهینه شده برای تمامی عملگرهای در نظر گرفته شده تغییر خواهند نمود.
معمولا یک پردازش شامل یک parameter setter دارای دست کم دو عملگر یا بیشتر از یک نوع است. عملگر اول در یک مدل یادگیرنده به صورت یک عملگر درونی در عملگر بهینه سازی پارامتر پیاده سازی می شود و پارامترهای بهینه را تولید خواهد نمود. سپس عملگرهای بعدی از همان نوع در یادگیرنده ثانویه و یا سایر یادگیرنده های نوع مشابه با نام «یادگیرنده بهینه » را خواهیم داشت که از نتایج مجموعه پارامتر بهینه استفاده خواهند نمود. به منظور ساختن مجموعه با parameter Setter باید نام مجموعه پارامترهای بهینه عملگر با استفاده از نام درست همان عملگر در یک جدول تعیین شود. بنابراین در عملگر parameter setter یک لیست پارامتر name-map تولید خواهد شد. در این لیست، نام هر مجموعه پارامتر بهینه به دست آمده از یک عملگر که در طول بهینه سازی در مدل یادگیرنده استفاده شده است به عملگری که در حال حاضر باید از این پارامترها استفاده کند، نگاشت می شود.

مجموعه مقالات داده کاوی پیاده سازی شده توسط رپیدماینر را می توانید به صورت رایگان از وب سایت دیتاهارت دانلود کنید.  

آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل، آدرس جیمیل: dataacademyir@gmail.com می باشد.  

افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.