KNIME_​project work_​Fondamenti di IA_​v3.knar

Data Preprocessing

Balance by filtering

Balance by adding data

K-Fold Cross Validation

Data splitting and Normalization

Logistic Regressor

Decision Tree

Random Forest

Il metodo SMOTE (Synthetic Minority Over-sampling Technique) viene utilizzato per affrontare il problema dei dataset sbilanciati, generando esempi sintetici della classe minoritaria al fine di bilanciare la distribuzione delle classi e migliorare le prestazioni dei modelli di apprendimento automatico.

Funzionamento:

1. Per ogni punto della classe minoritaria, trova i k vicini più simili (nearest neighbors).

2. Crea nuovi punti “sintetici” lungo la linea che li collega ai vicini.

3. Aumenta così il numero di esempi della classe minoritaria.

Il nodo X-Partitioner in KNIME serve a suddividere un dataset in più partizioni, permettendo di elaborare ciascun sotto-flusso separatamente, utile per Creare esperimenti separati per ciascun gruppo. Esempio: allenare un modello per ogni categoria, per ogni regione, o per ogni classe target., con la possibilità di aggregare i risultati successivamente tramite X-Aggregator.

Il Data Explorer è uno strumento utilizzato per analizzare e visualizzare rapidamente un dataset, permettendo di rilevare anomalie, valori mancanti, statistiche descrittive e distribuzioni, al fine di comprendere meglio i dati e guidare le operazioni di preprocessing e modellazione.