Extensions Weka et Scikit-Learn pour Knime

Описание: Machine Learning. Data Science. Utilisation des extensions Weka Data Mining et Scikit-Learn (Sklearn) sous KNIME. Installation des extensions, localisation dans l’arborescence des composants. Expérimentation du dispositif dans une démarche d’analyse prédictive consistant à prédire la nature d’un courriel (spam ou ham) à partir de ses caractéristiques. Quel que soit l’outil utilisé (algorithme natif de Knime, Weka ou Sklearn), le processus est toujours le même : introduction d’un composant « learner » pour l’entraînement du modèle, utilisation d’un « predictor » pour son application en prédiction. Dans notre exemple, nous comparons les mérites de différents expressions de la régression logistique (ou apparentés), nous les évaluons à la fois en prédiction (matrice de confusion) et en « scoring » (courbe roc et critère auc).

Knime extensions : https://www.knime.com/knime-extensions
Données et workflow : https://tutoriels-data-science.blogsp...

00:00 Les extensions (packages) pour Knime
04:03 Les données "spam" (synthétiques, générées avec ChatGPT)
06:11 Démarrage de Knime (interface classique vs. modern UI)
07:21 Installation des extensions (Weka + Sklearn)
09:24 Création d'un workflow, importation des données, visualisation
11:16 Partition en échantillons d'apprentissage et de test
12:07 Régression logistique de Knime (entraînement, évaluation)
16:52 Régression logistique de Weka
21:59 Gaussian Process Classification (noyau linéaire) de Sklearn
26:46 Proba d'affectation, courbe ROC, critère AUC - Comparaison