Icon

JKISeason2-19@obito_​od

Just Knime It season2-19@obito_od

Just KNIME It! Season2
Challenge 19: Dealing with Diabetes
@obito_od回答例

このWFは複数のWFを呼び出します。そのすべてが揃って初めて機能します。
なので、https://hub.knime.com/-/spaces/-/latest/~6qbEVq7YHrqloCK9/
のフォルダ毎importする必要があります。











Just KNIME It! season2-19 Knime ver. : 4.7.4 方針https://hub.knime.com/victor_palacios/spaces/Public/latest/Sampling%20Strategies%20Comparison~ouHL6-Ca44-UK-WtのWFにAutoMLを組み入れる。そうするとnode数多すぎて動かない問題が出てくるのて、Call workflowを利用して分散することでごまかす。 説明この課題では、あなたは臨床医の役割を担い、機械学習が糖尿病の予測に役立つかどうかを調べます。ベースラインの精度65％を上回り、両方のクラス（糖尿病である場合と糖尿病でない場合）で非常にうまく機能するソリューションを作成する必要があります。 我々は最小限のワークフローで77％の精度を得た。このチャレンジを簡単なものから中程度のものにしたい場合は、実装してみてください： Description: In this challenge you will take the role of a clinician and check if machinelearning can help you predict diabetes. You should create a solution that beats a baselineaccuracy of 65%, and also works very well for both classes (having diabetes vs not havingdiabetes). We got an accuracy of 77% with a minimal workflow. If you'd like to take thischallenge from easy to medium, try implementing:sampling techniquesfeature importance calculation サブWFを同一のWF groupに入れると機能する データ読み込み学習データ分けRandom_samplingoutcomeを文字型に変換execute up-streambefore configurationcompare all modelsjoin all predictions together Input:0 : Model as a Workflow Object1 : Data from Model Test PartitionOutput:0 : Global Feature Importanceモデル適用カラム名変更Stratified_SamplingSMOTEBootstrappingUnder_samplingCSV Reader Partitioning Number To String AutoML Binary ClassificationInspector Column Appender Global FeatureImportance Workflow Executor Column Rename Call Workflow(Table Based) Call Workflow(Table Based) Call Workflow(Table Based) Call Workflow(Table Based) Just KNIME It! season2-19 Knime ver. : 4.7.4 方針https://hub.knime.com/victor_palacios/spaces/Public/latest/Sampling%20Strategies%20Comparison~ouHL6-Ca44-UK-WtのWFにAutoMLを組み入れる。そうするとnode数多すぎて動かない問題が出てくるのて、Call workflowを利用して分散することでごまかす。 説明この課題では、あなたは臨床医の役割を担い、機械学習が糖尿病の予測に役立つかどうかを調べます。ベースラインの精度65％を上回り、両方のクラス（糖尿病である場合と糖尿病でない場合）で非常にうまく機能するソリューションを作成する必要があります。 我々は最小限のワークフローで77％の精度を得た。このチャレンジを簡単なものから中程度のものにしたい場合は、実装してみてください： Description: In this challenge you will take the role of a clinician and check if machinelearning can help you predict diabetes. You should create a solution that beats a baselineaccuracy of 65%, and also works very well for both classes (having diabetes vs not havingdiabetes). We got an accuracy of 77% with a minimal workflow. If you'd like to take thischallenge from easy to medium, try implementing:sampling techniquesfeature importance calculation サブWFを同一のWF groupに入れると機能する データ読み込み学習データ分けRandom_samplingoutcomeを文字型に変換execute up-streambefore configurationcompare all modelsjoin all predictions togetherInput:0 : Model as a Workflow Object1 : Data from Model Test PartitionOutput:0 : Global Feature Importanceモデル適用カラム名変更Stratified_SamplingSMOTEBootstrappingUnder_samplingCSV Reader Partitioning Number To String AutoML Binary ClassificationInspector Column Appender Global FeatureImportance Workflow Executor Column Rename Call Workflow(Table Based) Call Workflow(Table Based) Call Workflow(Table Based) Call Workflow(Table Based)

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: F065807
Created at: 2023-03-30
On NodePit since: 2023-08-04
Last update: 2024-04-27
Created with KNIME version: v4.7.4
Tags: obito_odJKISeason2-19

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!