开源工具在机器学习教学中的应用.docVIP

开源工具在机器学习教学中的应用 　　文章编号：1672-5913(2009)02-0100-03 　　摘 要：机器学习是一门以算法和学习理论为主的计算机专业基础课程，单纯的算法分析和理论讲解很难引起学生的学习兴趣。为了激发学生的兴趣，循序渐进的完成教学目标，本文探讨了在课堂讲授、课程作业和毕业设计三个基本教学环节中应用开源机器学习工具――WEKA的教学方法。 　　关键词：机器学习；WEKA；算法 　　中图分类号：G642 　　文献标识码：B 　　 　　1 引言 　　 　　机器学习课程是很多大学为计算机科学与技术专业的高年级学生和研究生开设的专业基础课程。它主要讲授目前机器学习中各种实用的理论和算法，包括概念学习、决策树、神经网络、贝叶斯学习、基于实例的学习、遗传算法、规则学习、基于解释的学习和增强学习等。机器学习教学的主要目标有两个：一是掌握典型的机器学习算法并利用这些技术解决实际问题；二是根据实际应用改进现有方法，发展新的机器学习技术。目前机器学习的教学内容主要集中在典型算法和学习理论，现有教材中使用的实例和现实应用差距很大，如果教师的课堂教学中过多的采用算法分析和伪码演示，很难激发学生的学习兴趣。实际上，机器学习方法已经有了十分广泛的应用，被成功的运用到了生物特征识别、搜索引擎、医学诊断等各个领域。如果在教学过程中，让同学们看到、感受到、甚至于自己参与到这些机器学习的应用实例中，必定能大大激发学生的学习兴趣。 　　为此，我们设计了一个包括课堂讲授、课程作业和毕业设计三个教学环节的教学过程，并在每个教学环节中，应用了一个开源的机器学习工具――WEKA。首先，教师利用WEKA的可视化界面在课堂教学上展示了经典算法和实例的运行效果；其次，教师应用WEKA的多种算法实现，在课程作业环节，为学生布置了一些现实应用，并要求他们借助WEKA自己解决；最后，在毕业设计环节，教师针对机器学习技术的最新发展，要求有能力、感兴趣的学生自己实现某个新算法，并借助WEKA的可视化接口，和原有算法进行性能对比分析。借助WEKA，应用这种循序渐进的教学过程，可以引导学生了解机器学习课程的作用，并培养他们利用所学知识解决实际问题的动手能力和发现问题、解决问题、评估问题的研究能力。 　　下边首先简单介绍一下开源工具――WEKA。接着讲述其在教学演示，课程作业和毕业设计方面的应用。最后是对本文的简要总结。 　　 　　2 WEKA简介 　　 　　WEKA[1]的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis)，它的源代码可通过http://www.cs.waikato.ac.nz/ml/WEKA得到。由于WEKA的主要开发者来自新西兰，所以使用了一种新西兰的鸟名命名这个工具。2005年8月，在第11届ACM SIGKDD国际会议上，怀卡托大学的WEKA小组荣获了数据挖掘和知识探索领域的最高服务奖，WEKA系统得到了广泛的认可，成为现今较完备的数据挖掘工具之一。WEKA 3.5.8能够提供四种操作环境：SimpleCLI、Explorer、Experimenter、knowledgeflow。四种操作环境的基本原理都大同小异，只是提供的界面不一样。SimpleCLI适合于直接使用代码的用户；Knowledgeflow倾向于喜欢图标的实验者；explorer和experimenter通常更适用于功能形控制。WEKA作为一个开源的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理、分类、回归、聚类、关联规则以及在新的交互式界面上的可视化。WEKA提供了通用的接口文档和插件模式的系统结构，供机器学习研究人员方便的实现自己的算法并集成到WEKA环境中进行深入研究。 　　 　　3 WEKA在教学演示方面的应用 　　 　　讲解某个机器学习算法时，除了从理论上进行阐述外，使用一个真实问题，借助WEKA为学生演示该算法解决这个真实问题的整个步骤，并根据算法特点和知识点，在演示过程中设置问题和学生交互更能激发学生的兴趣，加深他们对算法的认识。下边是针对教材中通用的天气(weather)数据集(5个属性，14个样例)讲解决策树算法ID3时WEKA―Explorer在教学演示方面的应用。 　　1) 数据预处理：Explorer的选项卡“Preprocess”提供了对样例数据的多角度观察和大数据集的属性实例过滤操作等数据预处理方法。在这个过程中，以可视的形式给学生展示了数据预处理，数据格式等和算法相关的知识。由于ID3算法只能处理离散值属性，原始实例中的两个属性(temperature和humidity)值范围是实数，为了满足ID3算法，需要对这些属性