RapidMiner im akademischen Einsatz - Documentation - Rapid

Sebastian Land, Simon Fischer
RapidMiner 5
RapidMiner im akademischen
Einsatz

Sebastian Land, Simon Fischer
RapidMiner 5
RapidMiner im akademischen Einsatz
27. August 2012
Rapid-I
www.rapid-i.com

Dieses Werk ist urheberreichtlich geschützt. Alle Rechte, auch die der Übersetzung,
des Nachdrucks und der Vervielfältigung des Buches, oder Teilen daraus,
vorbehalten. Kein Teil des Werkes darf ohne schriftliche Genehmigung in irgendeiner
Form reproduziert oder unter Verwendung elektronischer Systeme verarbeitet,
vervielfältigt oder verbreitet werden.
Copyright © 2012 Rapid-I

Vorwort
RapidMiner ist eine der weltweit meistverbreiteten eingesetzten Open-Source
Data-Mining-Lösungen. Im Jahr 2001 entstand das Projekt an der Universität
Dortmund und wird seit 2007 von der Rapid-I GmbH weitergeführt. Mit diesem
akademischen Hintergrund richtet sich RapidMiner auch heute nicht nur an
Geschäftskunden, sondern auch weiterhin an Universitäten und Forscherinnen
und Forscher aus den verschiedensten Disziplinen.
Dazu zählen auf der einen Seite Informatiker, Statistiker und Mathematiker, die
an den Techniken von Data Mining, maschinellem Lernen und statistischen Verfahren
interessiert sind. Durch RapidMiner ist es auf einfache Art und Weise
möglich, neue Analyseverfahren und Ansätze zu implementieren und mit anderen
zu vergleichen.
Auf der anderen Seite findet RapidMiner auch in vielen Anwendungsdisziplinen
wie Physik, Maschinenbau, Medizin, Chemie, Linguistik und Gesellschaftswissenschaften
Verwendung. Viele Wissenschaftszweige sind heute datengetrieben
und verlangen nach flexiblen Analysewerkzeugen. RapidMiner bietet sich als eine
solche an, da es von einfachen statistischen Auswertungen wie Korrelationsanalyse
über Regressions-, Klassifikations- und Clusteringverfahren bis zu Dimensionsreduktion
und Parameteroptimierung ein breites Spektrum an Methoden
bereitstellt, die für vielfältige Anwendungsdomänen wie Text-, Bild-, Audio- und
Zeitreihenanalyse genutzt werden können. All diese Analysen können voll automatisiert
und ihre Ergebnisse auf vielfältige Art visualisiert werden.
In diesem Papier zeigen wir, wie RapidMiner optimal für diese Aufgaben ein-
V

gesetzt werden kann. Wir setzen dabei keine Kenntnisse über RapidMiner oder
Data Mining voraus. Auch ist dieser Text kein Lehrbuch, der es Ihnen ermöglicht,
die Verwendung von RapidMiner zu erlernen. Stattdessen erfahren Sie, welche
grundsätzlichen Einsatzmöglichkeiten sich für RapidMiner in der Forschung bieten.
Als weiterführende Lektüre empfehlen wir das RapidMiner Benutzerhandbuch
[3, 5], das sich auch zum Einstieg ins Data Mining eignet sowie das Whitepaper
“How to Extend RapidMiner” [6] wenn Sie eigene Verfahren in RapidMiner
implementieren möchten.
Des Weiteren freut sich das Rapid-I-Team über jeden Kontakt und hilft gerne
bei der Umsetzung von Projekten im akademischen Umfeld. Rapid-I beteiligt
sich an Forschungsprojekten und richtet jährlich die RapidMiner Benutzerkonferenz
RCOMM (RapidMiner Community Meeting and Conference) aus. Sollten
Sie also mit RapidMiner oder RapidAnalytics Ergebnisse erzielen, die Sie einem
interessierten Publikum vorstellen möchten, denken Sie doch über die Einreichung
eines Papiers nach.
VI

Inhaltsverzeichnis
1 Einführung 1
1.1 Das Programm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Das Umfeld . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Die Anwendungsfälle 9
2.1 Evaluierung von Lernverfahren . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Performance-Evaluation und Kreuzvalidierung . . . . . . . 10
2.1.2 Vorverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.3 Parameteroptimierung . . . . . . . . . . . . . . . . . . . . . 12
2.2 Implementierung neuer Algorithmen . . . . . . . . . . . . . . . . . 17
2.2.1 Der Operator . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Das Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Die Integration in RapidMiner . . . . . . . . . . . . . . . . 21
2.3 RapidMiner für die deskriptive Analyse . . . . . . . . . . . . . . . 21
2.3.1 Datentransformationen . . . . . . . . . . . . . . . . . . . . . 22
2.3.2 Reporting . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Transparenz von Veröffenlichungen 33
3.1 Rapid-I Marketplace: App Store für RapidMiner-Erweiterungen . . 34
3.2 Prozesse veröffentlichen auf myExperiment . . . . . . . . . . . . . 35
3.3 Verfügbarmachen der Daten . . . . . . . . . . . . . . . . . . . . . . 38
4 RapidMiner in der Lehre 41
VII

Inhaltsverzeichnis
5 Forschungsprojekte 43
VIII

1 Einführung
Wir möchten an dieser Stelle nicht voraussetzen, dass der Leser bereits mit RapidMiner
vertraut ist oder es bereits verwendet hat. Daher wird in diesem ersten
Teil genauer auf das Programm, seine Funktionen und die Art und Weise, wie
diese eingesetzt werden können, eingegangen. Außerdem beschreiben wir kurz,
welche Möglichkeiten es gibt, mit der Community in Kontakt zu treten um Hilfe
zu bekommen oder selbst beizutragen. Abschließend erwähnen wir einige der
wichtigsten Begriffe aus dem Bereich Data Mining, die in späteren Kapiteln vorausgesetzt
werden.
1.1 Das Programm
RapidMiner ist unter der GNU Affero General Public License Version 3 lizensiert
und mittlerweile in der Version 5.2 verfügbar. Ursprünglich wurde es seit
2001 am Lehrstuhl für künstliche Intelligenz an der Universität Dortmund unter
dem Namen ”
Yale“ entwickelt. Seit 2007 wird das Programm von der Rapid-
I GmbH, gegründet von ehemaligen Lehrstuhlmitarbeitern, fortgeführt und hat
sich seitdem rasant entwickelt. Mit RapidAnalytics steht seit 2010 eine entsprechende
Serverversion bereit, die die Kollaboration und das effiziente Nutzen von
Rechnerresourcen ermöglicht.
RapidMiner verfügt über ein komfortables Benutzerinterface, in dem Analysen
in einer Prozessansicht konfiguriert werden. RapidMiner verwendet dazu ein modulares
Konzept, bei dem jeder Schritt einer Analyse, z.B. ein Vorverarbeitungs-
1

1. Einführung
Abbildung 1.1: Ein einfacher Prozess mit exemplarischen Operatoren zum Laden,
Vorverarbeiten und Modellerzeugung
schritt oder ein Lernverfahren, durch einen Operator im Analyseprozess abgebildet
wird. Diese Operatoren besitzen Ein- und Ausgabeports, über die sie mit den
anderen Operatoren kommunizieren können, um Eingabedaten zu erhalten oder
die veränderten Daten und generierte Modelle an nachfolgende Operatoren weiterzureichen.
So ergibt sich ein Datenfluss durch den gesamten Analyseprozess,
wie beispielhaft in Abbildung 1.1 zu sehen ist. Dabei gibt es neben Datentabellen
und Modellen zahlreiche anwendungsspezifische Objekte, die durch den
Prozess fließen können. In der Textanalyse werden ganze Dokumente weitergeleitet,
Zeitreihen können durch spezielle Transformationsoperatoren geführt werden
oder es werden einfach Vorverarbeitungsmodelle, wie eine Normalisierung,
an einen Speicheroperator weitergereicht, um dieselbe Transformation später auf
anderen Daten reproduzieren zu können.
Durch sogenannte Super-Operatoren, die ihrerseits wieder einen kompletten Subprozess
enthalten können, lassen sich so auch komplexeste Analysesituationen
und -bedürfnise bedienen. Ein bekanntes Beispiel ist die Kreuzvalidierung, die
zwei Subprozesse beinhaltet. Ein Subprozess ist dafür zuständig, ein Modell aus
den jeweiligen Trainingsdaten zu erzeugen, während der zweite Subprozess dieses
Modell und etwaige andere generierte Ergebnisse übergeben bekommt, um sie auf
die Testdaten anzuwenden und die jeweilige Güte des Modells zu messen. Eine
typische Anwendung sehen wir in Abbildung 1.2, in der ein Entscheidungsbaum
auf den Trainingsdaten generiert wird, im Testsubprozess ein Operator das Mo-
2

1.1. Das Programm
Abbildung 1.2: Die inneren Subprozesse einer Kreuzvalidierung
del anwendet und ein weiterer die Güte anhand der Vorhersage und der wahren
Klasse bestimmt.
Repositories erlauben es dem Benutzer, Analyseprozesse, Daten und Ergebnisse
projektspezifisch zu speichern und sie gleichzeitig immer im Blick zu haben (siehe
dazu Abbildung 1.3). So lässt sich ein bereits erstellter Prozess bei einem ähnlichen
Problem schnell wiederverwenden, ein einmal generiertes Model laden und
anweden oder einfach nur ein Blick auf die erzielten Analyseergebnisse werfen,
um die erfolgsversprechendste Methode zu finden. Per Drag and Drop lassen sich
die Ergebnisse auf Prozesse ziehen, in denen sie von speziellen Operatoren wieder
geladen und dem Prozess zur Verfügung gestellt werden.
Neben den lokalen Repositories, die im Dateisystem des Computers abgelegt werden,
können auch RapidAnalytics-Instanzen als Repository benutzt werden. Da
der Server RapidAnalytics über ein umfangreiches Benutzerrechtemanagement
verfügt, können hierüber Prozesse und Ergebnisse geteilt oder der Zugriff für
Personen oder Personengruppen beschränkt werden.
Die von RapidAnalytics bereitgestellten Repositories stellen eine weitere Funktion
bereit, die das Durchführen von Analysen deutlich erleichtert. Der Benutzer
kann die Prozesse dort nicht nur speichern, sondern sie auch von der Rapid-
Analytics-Instanz mit dem gewohnten Komfort ausführen lassen. Dadurch wird
die Analyse vollständig im Hintergrund ausgeführt und der Benutzer kann sich
durch eine Statusanzeige über den Analyseverlauf informieren. Im Vordergrund
3

1. Einführung
Abbildung 1.3: Ein gut gefülltes Repository
4

1.1. Das Programm
Abbildung 1.4: Ein Prozess, der mehrfach auf einer RapidAnalytics-Instanz gestartet
wurde. Einige durchläufe sind bereits beendet und haben
Ergebnisse produziert.
kann der Benutzer gleichzeitig weiterarbeiten, ohne dass sein Computer durch
rechen -und speicherintensive Berechnungen belastet wird. Alle Berechnungen
erfolgen jetzt auf dem möglicherweise deutlich leistungsfähigeren Server im Hintergrund,
wie in Abbildung 1.4 zu sehen. Dies ermöglicht auch den effizienteren
Einsatz der Hardwareresourcen, da nur noch ein von allen Analysten gemeinsam
genutzter, potenter Server benötigt wird, um speicherintensive Berechnungen
durchzuführen.
Neben den Kernkomponenten von RapidMiner existieren zahlreiche Erweiterungen,
sogenannte Extensions, die weitere Funktionen nachrüsten, wie das Verarbeiten
von Texten, Zeitreihen oder eine Anbindung an das Statistikpaket R [1] oder
an Weka [2]. Alle diese Erweiterungen nutzen die umfangreichen Möglichkeiten,
die RapidMiner bietet, und ergänzen diese: Sie ergänzen nicht nur Operatoren
und neue Datenobjekte, sondern stellen auch neue Ansichten zur Verfügung, die
sich frei in die Benutzeroberfläche integrieren lassen, oder ergänzen gar ganze
Perspektiven, in denen sie ihre Ansichten bündeln können wie die R Erweiterung
in Abbildung 1.5.
5

1. Einführung
Abbildung 1.5: Die R Perspektive in RapidMiner
1.2 Das Umfeld
RapidMiner und RapidAnalytics stehen natürlich nicht alleine. Keine Software
existiert ohne ihre Entwickler und kein Open-Source Projekt wird Erfolg haben
ohne eine lebendige Community. Die wichtigste Anlaufstelle für Communitymitglieder
und solche, die es werden wollen, ist das Forum unter http:
//forum.rapid-i.com, das von Rapid-I bereitgestellt und moderiert wird. Hier
finden sowohl Anfänger als auch Fortgeschrittene und Entwickler, die RapidMiner
in ihre eigenen Open-Source-Projekte integrieren möchten oder eigene Erweiterungen
bereit stellen wollen, Antworten auf ihre Fragen. Jeder ist herzlich
eingeladen an diesem internationalen Austausch teilzunehmen.
Für alle, die sich auf einem Themengebiet speziell engagieren wollen, eigenen
Code zur Verfügung stellen wollen, oder eigene Erweiterungen veröffentlichen
möchten, bietet es sich an, Mitglied in einer der Special Interest-Gruppen zu
werden, die sich jeweils auf ein Thema wie Textanalyse, Informationsextraction
oder Zeitreihenanalyse konzentrieren. Da auch Rapid-I-Entwickler an diesem Aus-
6

1.3. Terminologie
tausch teilnehmen, fließen hier diskutierte Themen direkt in die weitere Entwicklungsplanung
mit ein. Möchte jemand seine eigene Erweiterung einer größeren
Öffentlichkeit zugänglich machen, existiert mit dem Marketplace die notwendige
Plattform dafür (siehe Abschnitt 3.1). Hier können Benutzer ihre Erweiterungen
anbieten und aus den angebotenen Erweiterungen anderer Benutzer auswählen.
RapidMiner wird, falls gewünscht, beim nächsten Start die ausgewählten Erweiterungen
automatisch nachinstallieren.
Ergänzend dazu bietet Rapid-I natürlich auch professionelle Dienstleistungen im
Umfeld von RapidMiner und RapidAnalytics an. Neben Support für RapidMiner
und RapidAnalytics werden auch Schulungen, Beratung und individuelle Entwicklung
rund um das Thema Datenanalyse angeboten.
1.3 Terminologie
Bevor wir mit dem technischen Teil beginnen, ist es hilfreich einige Begriffe zu
klären. RapidMiner verwendet eine Terminologie, die dem Bereich des maschinellen
Lernens entspringt. Dort ist eine typische Zielstellung, auf Grund einer
Reihe von Beobachtungen, für die eine gewisse Zielgröße bekannt ist, Vorhersagen
für Beobachtungen zu machen, bei denen diese Zielgröße nicht bekannt ist.
Jede Beobachtung bezeichnen wir als Beispiel, englisch example. Jedes Beispiel
hat mehrere Attribute, in der Regel Zahlenwerte oder kategorische Werte wie
z.B. Alter oder Geschlecht. Eines dieser Attribute ist die Zielgröße, auf die sich
unsere Analyse bezieht. Oft wird dieses Attribut englisch als label bezeichnet. Alle
Beispiele zusammen bilden eine Beispielmenge, englisch example set. Schreibt
man alle Beispiele mit Ihren Attributen untereinander, erhält man nichts anderes
als eine Tabelle. Statt ”
Beispielmenge“ könnten wir also ”
Tabelle“ sagen,
statt ”
Beispiel“ ”
Zeile“ und statt ”
Attribut“ ”
Spalte“. Für das Verständnis der
in RapidMiner verwendeten Operatornamen ist die Kenntnis der oben genannten
Begriffe allerdings hilfreich.
7

2 Die Anwendungsfälle
Nach der Lektüre des ersten Abschnitts haben Sie vielleicht schon die eine oder
andere Idee bekommen, warum sich der Einsatz von RapidMiner für Sie lohnen
könnte. Hier soll nun genauer auf die Möglichkeiten eingegangen werden, die
RapidMiner in verschiedenen Anwendungsfällen bietet. Es sollen an dieser Stelle
zwei mögliche Anwendungen im akademischen Umfeld vorgestellt werden: Die
erste bezieht sich speziell auf Forscher, die Data-Mining-Verfahren evaluieren
wollen. In Abschnitt 2.1 zeigen wir, wie dies mit bereits vorhandenen Algorithmen
in RapidMiner realisiert werden kann. Im Anschluss zeigen wir in Abschnitt 2.2,
wie selbst entwickelte Algorithmen in RapidMiner integriert werden können und
so als Teil dieser Analyse genutzt werden können.
Natürlich dient Data Mining nicht nur als Selbstzweck, sondern kann auch angewendet
werden. In Abschnitt 2.3 zeigen wir, wie sich mit RapidMiner Daten aus
Anwendungsdisziplinen analysieren lassen.
Alle hier erwähnten Prozesse befinden sich in einem Beispielrepository, das unter
http://rapid-i.com/downloads/documentation/academia/repository_de.zip
zum Download bereitsteht. Um es zu verwenden, muss die ZIP-Datei extrahiert
werden und das so entstandene Verzeichnis als lokales Repository zu RapidMiner
hinzugefügt werden. Klicken Sie dazu in der Werkzeugleiste der Ansicht Repositories
auf die erste Schaltfläche und wählen Sie “New local repository”. Anschließend
geben Sie den Namen des Verzeichnisses an. Alle Beispielprozesse finden Sie
nun im Repository-Baum, der in dieser Ansicht angezeigt wird.
Bei der Lektüre dieses Kapitels empfiehlt es sich, die in diesem Repository enthal-
9

2. Die Anwendungsfälle
tenen Prozesse in RapidMiner zu öffnen um ihre Funktionsweise nachzuvollziehen.
RapidMiner kann dazu unter http://www.rapidminer.com heruntergeladen
werden. Als Einstieg empfiehlt sich außerdem das RapidMiner Benutzerhandbuch
[3].
2.1 Evaluierung von Lernverfahren
Eine typische und wiederkehrende Aufgabe im Bereich des maschinellen Lernens
ist es, zwei oder mehr Lernverfahren miteinander zu vergleichen. Dies kann erfolgen,
um zu untersuchen, welche Verbesserungen sich durch neue Verfahren
erzielen lassen, kann aber auch einfach dazu dienen, für einen Anwendungsfall
ein geeignetes Verfahren auszuwählen. In diesem Abschnitt zeigen wir, wie dies
mit RapidMiner möglich ist.
2.1.1 Performance-Evaluation und Kreuzvalidierung
Die zahlreichen Operatoren, die maschinelle Lernverfahren auf Datensätze anwenden,
lassen sich einfach im Zusammenspiel mit anderen Operatoren nutzen. Typische
Beispiele von Operatoren, die bei der Evaluierung von Lernverfahren zum
Einsatz kommen, sind Kreuzvalidierung, Operatoren zur Berechnung von Standardgütemaßen,
Parameteroptimierungen und nicht zuletzt Logging-Operatoren,
um Profile der Leistung des Verfahrens zu erstellen. Da RapidMiner Schleifen
unterstützt, können auch Prozesse erstellt werden, die das neue Verfahren an
mehreren Datensätzen anwenden und mit anderen Verfahren vergleichen. Ein
Prozess, der eine solche Validierung des eigenen Verfahrens ermöglicht, befindet
sich im Beispielrepository.
Wenn man den Prozess 00.1 - Loop Datasets betrachtet, besteht er vor allem aus
drei Blöcken: Im ersten Block laden einige Operatoren eine Auswahl von Datensätzen,
die dann mit dem Collect-Operator zu einer Collection zusammengefasst
werden. Hier können natürlich beliebige eigene Datensätze geladen werden.
Im zweiten Block wird über die Datensätze iteriert: Dazu wird der innere Prozess
10

2.1. Evaluierung von Lernverfahren
vom Loop Collection-Operator für jeden einzelnen Datensatz der Collection durchgeführt.
Im Subprozess der Schleife wird der Datensatz direkt kopiert und zu drei
Kreuzvalidierungen geführt. In jeder Kreuzvalidierung befindet sich ein anderes
Lernverfahren. So wird die Performance aller drei Lernverfahren gegeneinander
verglichen.
Innerhalb der Schleife protokolliert ein Log-Operator die jeweiligen Ergebnisse
der Verfahren. Dieses Protokoll wird im dritten Block in einen Datensatz umgewandelt,
in dem alle Ergebnisse zusammengefasst werden. Er kann nun wie jeder
andere Datensatz gespeichert, exportiert und betrachtet werden.
Ganz ähnlich arbeitet der zweite Prozess 00.2 - Loop Files. Statt die Datensätze
einzeln aus dem Repository zu laden, werden sie hier automatisch aus einer
Sammlung von CSV-Dateien geladen. Liegen mehrere Datensätze vor, lassen sie
sich so einfach und automatisiert zum Testen verwenden. Der Rest des Prozesses
kann hierbei unverändert bleiben. Natürlich können so auch andere Aufgaben
erledigt werden, wie zum Beispiel das Überführen der Datensätze in das Repository.
2.1.2 Vorverarbeitung
In vielen Fällen benötigen Verfahren zunächst Vorverarbeitungsschritte, um mit
den Daten überhaupt umgehen zu können. Wollen wir den Operator k-NN für das
k-Nächste-Nachbarn-Verfahren verwenden, müssen wir zum Beispiel beachten,
dass Skalenunterschiede in den einzelnen Attributen dafür sorgen können, dass ein
einziges Attribut wichtiger wird als alle anderen und die Nachbarschaftsrelation
im euklidischen Raum dominiert. Daher müssen wir in diesem Fall die Daten
durch das Hinzufügen eines Normalize-Operators zunächst normalisieren.
Fügen wir den Normalize Operator allerdings vor der Kreuzvalidierung hinzu, werden
alle Daten zur Bestimmung des Mittelwerts und der Standardabweichung benutzt.
Dadurch steckt im Trainingsteil des normalisierten Datensatzes innerhalb
der Kreuzvalidierung allerdings implizit schon Wissen über den Testteil. Eventuelle
Ausreißer, die lediglich im Testteil des Datensatzes vorhanden sind, haben ja
bereits die Skalierung beeinflusst, weshalb die Attribute anders gewichtet werden.
11

2. Die Anwendungsfälle
Dies ist ein häufiger Fehler, der zu statistisch invaliden Güteabschätzungen führt.
Um das zu verhindern, müssen wir sämtliche Vorverarbeitungsschritte mit in die
Kreuzvalidierung hereinziehen und im Trainingssubprozess durchführen. Führen
wir keine weitere Anpassung im Prozess durch, wird das im Trainingsprozess generierte
Modell im Testprozess natürlich mit den noch nicht normalisierten Daten
konfrontiert. Deshalb bieten alle Vorverarbeitungsoperatoren, deren Ergebnisse
von den verarbeiteten Daten abhängen, sogenannte Vorverarbeitungsmodelle
(Preprocessing Model) an. Diese können verwendet werden, um eine identische
Transformation erneut auszuführen. Bei der Normalisierung wird also mit den
gleichen Mittelwerten und Standardabweichungen transformiert, statt diese auf
den aktuellen Daten neu zu berechnen.
Um diese Modelle zu verwenden, müssen sie lediglich aus dem Trainings- in den
Testsubprozess der Kreuzvalidierung übergeben werden. Dort können sie mit einem
gewöhnlichen Apply Model-Operator, wie im Prozess 00.3 - Include Preprocessing
in Validation, angewendet werden, bevor das eigentliche Modell angewendet
wird.
2.1.3 Parameteroptimierung
Es ist also insgesamt sehr einfach, in RapidMiner eine echte Validierung eines
Verfahrens durchzuführen. Allerdings besitzt fast jedes Verfahren bestimmte Parameter,
anhand derer sich die Qualität der Modelle beeinflussen lässt. Je nach
Einstellung werden die Ergebnisse besser oder schlechter sein. Soll also gezeigt
werden, dass ein neues Verfahren einem existierenden überlegen ist, darf man
nicht einfach nur die Parameter des eigenen Verfahrens optimieren oder gar die
Parameter willkürlich setzen. Gerade die Leistung von Verfahren wie der Support
Vector Machine oder einem neuronalen Netz hängen sehr stark von den
Parametereinstellungen ab.
Deswegen bietet RapidMiner die Möglichkeit, automatisiert nach den besten Parametereinstellungen
zu suchen. Dazu verwendet man einen der Optimize Parameters-Operatoren.
Am einfachsten lässt sich der Operator Optimize Parameters
(Grid) kontrollieren. Dieser iteriert über eine zuvor vom Benutzer definierte An-
12

2.1. Evaluierung von Lernverfahren
zahl von Kombinationen der zu optimierenden Parameter. Für jede Parameterkombination
führt er seinen inneren Subprozess aus. Entsprechend können auch
nur Parameter von Operatoren dieses Subprozesses optimiert werden. Der Subprozess
muss dabei einen Performance Vector (z.B. die Accuracy) zurückliefern,
anhand dessen Optimize Parameters die Güte der aktuellen Kombination erkennen
kann. Der Optimize Parameters-Operator liefert, nachdem er alle Parameterkombinationen
getetst hat, diejenige zurück, in deren Durchlauf die gemessene
Performanz maximal war.
Ist man nicht nur an dem Ergebnis der besten Kombination interessiert, sondern
zum Beispiel am generellen Verlauf, dann lohnt sich der Einsatz eines Log-
Operators. Wird dieser ausgeführt, schreibt er eine neue Zeile in sein Protokoll,
das alle Werte enthält, die vom Benutzer angegeben werden. Diese Werte können
entweder die aktuellen Werte beliebiger Parameter beliebiger Operatoren im Prozess
sein oder spezielle Werte, die von Operator zu Operator variieren. Alle Operatoren
geben beispielsweise an, wie häufig sie bereits ausgeführt wurden, die
Ausführungszeit und Ähnliches. Darüber hinaus geben einige Operatoren zusätzliche
Informationen. Beispielsweise liefert die Kreuzvalidierung die Güte und deren
Standardabweichung, die bei der letzten Ausführung erreicht wurden. Ein
Beispiel, das eine solche Optimierung vornimmt und dabei alle Kombinationen
protokolliert, findet sich im Prozess 00.4 - Optimize Parameters.
Eine weitere Anwendung für den Log-Operator findet sich im Prozess 00.5 - Create
Learning Curve. Dieser untersucht, wie sich ein Lernverfahren bei unterschiedlichen
Größen des Trainingsdatensatzes verhält. Dazu wird mit einem Sample-
Operator eine Stichprobe einer bestimmten Größe des gesamten Datensatzes gebildet.
Auf dieser Stichprobe kann nun die Güte des Verfahrens mit Hilfe der
Kreuzvalidierung bestimmt werden. Da die Güte dadurch sehr stark von der
gezogenen Stichprobe abhängt, müssen wir dieses mehrmals durchführen, um
zufällige Abweichungen in einer Stichprobe auszugleichen. Dabei gilt: Je kleiner
der Ursprungsdatensatz, desto mehr Wiederholungen sind notwendig. Um einen
Teil eines Prozesses mehrmals auszuführen, kann der Loop-Operator verwendet
werden. Er bietet mit dem Parameter iterations die Möglichkeit, anzugeben, wie
häufig sein Subprozess ausgeführt werden soll.
13

2. Die Anwendungsfälle
Dieser ganze Vorgang muss natürlich für alle verschiedenen Stichprobengrößen
durchgeführt werden. Dafür verwenden wir den Loop Parameters-Operator, mit
dem wir konfigurieren können, mit welchen Parameterkombinationen sein Subprozess
ausgeführt werden soll. In diesem Fall variieren wir schrittweise den Parameter
sample ratio des Sample-Operators im Subprozess zwischen einem und
hundert Prozent. Wir erhalten also eine sehr feine Kurve. Falls die Untersuchung
zu lange dauert, lässt sich die Schrittanzahl reduzieren, so dass der Subprozess
weniger häufig ausgeführt werden muss.
Innerhalb des Subprozesses des Loop-Operators müssen wir jetzt nur noch die
jeweils aktuelle sample ratio und die erzielte Accuracy messen. Da wir für jede
sample ratio aber mehrere Ergebnisse erhalten, müssen wir noch einen Nachverarbeitungsschritt
einführen, um den Durchschnitt und die Standardabweichung
der Güte über die verschiedenen Samples zu bestimmen. Dazu wird in diesem
Prozess mit dem Operator Log to Data das Protokoll in ein Example Set verwandelt,
so dass wir anschließend über die Samplegrößen aggregieren und den
Durchschnitt und die Standardabweichung bestimmen können. Dadurch ergibt
sich ein Datensatz, von dem wir die Güte in Abhängigkeit von der Größe des
Trainingsdatensatzes ablesen können. Um diesen für eine Veröffentlichung zu visualisieren,
können wir die Advanced Charts-Ansicht verwenden. Ein mögliches
Ergebnis könnte dann aussehen wie in Abbildung 2.1.
Wollen wir nicht nur die binäre Entscheidung eines Modells begutachten, sondern
auch, wie die Konfidenzen verteilt werden, lohnt sich ein Blick auf den ROC-
Plot, der die sogenannte Receiver Operator Characteristic visuell darstellt. Dabei
gilt, dass Kurven, die weiter oben links verlaufen, besser sind, als Kurven weiter
unten. Der perfekte Klassifikator würde eine Kurve erzeugen, die vom Ursprung
aus senkrecht nach oben bis zur 1 verläuft und von dort waagerecht nach rechts.
In RapidMiner lässt sich eine solche Kurve sehr einfach erzeugen und auch sehr
einfach mit anderen Verfahren vergleichen. Dazu muss lediglich der Testdatensatz
geladen werden und an den Eingansport eines Compare ROCs-Operators gelegt
werden. Alle zu testenden Lernverfahren können daraufhin in den Subprozess
eingefügt werden. Die Ergebnisse der Verfahren werden gemeinsam in einem Plot
dargestellt, wie in Abbildung 2.2 gezeigt. Die halbtransparenten Bereiche geben
14

2.1. Evaluierung von Lernverfahren
Abbildung 2.1: Eine Grafik, die die Güte der Ergebnisse visualisiert
15

2. Die Anwendungsfälle
Abbildung 2.2: Ein ROCChart zum Vergleich dreier Modelle
die Standardabweichung an, die sich über die verschiedenen Durchläufe der intern
verwendeten Kreuzvalidierung ergibt. Ein Beispiel für den Vergleich von Naive
Bayes, Decision Tree und einem Rule Set finden sich im Prozess 00.6 - Comparing
ROCs.
Zu guter Letzt sollte man beachten, dass alle Plots und Ergebnisse von zufälligen
Schwankungen abhängen können. Daher sollte man sich nicht alleine auf ein Vergleich
der Gütekriterien verlassen, sondern auch testen, ob Unterschiede signifikant
sind. In RapidMiner können dafür die Ergebnisse mehrerer Kreuzvalidierung
einfach an einen T-Test oder Anova-Operator angelegt werden. Man erhält dann
eine Tabelle, die die jeweiligen Testresultate anzeigt. Das Signifikanzniveau kann
dabei als Parameter angegeben werden. Ein Prozess, der diese Tests beispielhaft
auf mehreren Datensätzen durchführt findet sich in 00.7 - Significance Test.
16

2.2. Implementierung neuer Algorithmen
2.2 Implementierung neuer Algorithmen
Wir haben nun gesehen, wie sich Algorithmen vergleichen lassen. Um allerdings
neue, d.h. selbst entwickelte, Algorithmen auf diese Weise evaluieren zu können,
müssen diese natürlich in RapidMiner integriert werden. Ursprünglich wurde RapidMiner
genau für diese Anwendung entwickelt: Neue Algorithmen sollten komfortabel,
schnell und einfach mit anderen Algorithmen verglichen werden können.
Das Implementieren neuer Lernverfahren in RapidMiner ist denkbar einfach. Es
ist lediglich notwendig, zwei Java-Klassen zu erstellen, von denen eine das Lernen
auf dem Trainingsdatensatz durchführt, also das Schätzen der Modellparameter
übernimmt. Die andere Klasse muss diese Parameter speichern das Modell auf
neuen Daten anwenden. Im Folgenden wird dies kurz anhand eines fiktiven Lernverfahrens
vorgestellt.
Dieser Abschnitt soll keine vollständige Einführung in die Programmierung mit
RapidMiner sein. Sie soll nur kurz einige Prinzipien anreißen und zeigen, wie einfach
sich neue Operatoren in das Framework integrieren lassen, so dass Sie die im
vorhergehenden Abschnitt beschriebenen Evaluierungsverfahren auf Ihre eigenen
Algorithmen anwenden können. Eine vollständige Dokumentation für Entwickler
von RapidMiner-Erweiterungen findet sich im White Paper “How to extend
RapidMiner” [6] und in der API-Dokumentation [4]. Sind Sie kein Entwickler,
sondern wollen RapidMiner aus Anwendersicht kennen lernen, können Sie diesen
Abschnitt getrost überspringen.
2.2.1 Der Operator
Um ein Lernverfahren in RapidMiner anwenden zu können, muss es wie jeder
andere Analyseschritt von einem Operator bereit gestellt werden. Dazu müssen
wir lediglich eine neue Subklasse von Operator erstellen. Für viele Arten von
Operatoren existieren spezialisierte Unterklassen, die bereits diverse Funktionen
bereitstellen. In unserem Fall ist dies die Klasse AbstractLearner, von der alle
überwachten Lernverfahren erben. Eine beispielhafte Implementierung eines
solchen Verfahrens ist in Abbildung 2.3 zu sehen.
17

2. Die Anwendungsfälle
1 public class MyLearner extends AbstractLearner {
2
3 public s t a t i c void S t r i n g PARAMETER ALPHA = ” alpha ” ;
4
5 /** Constructor called via reflection . */
6 public MyLearner ( O p e r a t o r D e s c r i p t i o n d e s c r i p t i o n ) {
7 super ( d e s c r i p t i o n ) ;
8 }
9
10 /** Main method generating the prediction model . */
11 @Override
12 public Model l e a r n ( ExampleSet data ) throws OperatorException {
13 // Obtain user - specified parameter
14 int alpha = getParameterAsInt (PARAMETER ALPHA) ;
15 MyPredictionModel model ;
16 // use data to create prediction model here
17 return model ;
18 }
19
20 /** Define user - configurable parameters here . */
21 @Override
22 public L i s t getParameterTypes ( ) {
23 L i s t parameterTypes = super . getParameterTypes ( ) ;
24 parameterTypes . add (new ParameterTypeInt ( ” alpha ” ,
25 ”The parameter alpha ” , 0 , 100 , 10) ) ;
26 return parameterTypes ;
27 }
28
29 /** Tell the user what kind of input the algorithm supports . */
30 @Override
31 public boolean s u p p o r t s C a p a b i l i t y ( O p e r a t o r C a p a b i l i t y c a p a b i l i t y ) {
32 switch ( c a p a b i l i t y ) {
33 case NUMERICAL ATTRIBUTES:
34 case BINOMINAL LABEL:
35 return true ;
36 }
37 return f a l s e ;
38 }
39 }
Abbildung 2.3: Eine beispielhafte Implementierung eines Lernverfahrens in
RapidMiner
18

2.2. Implementierung neuer Algorithmen
Im Wesentlichen muss nur eine einzige Methode implementiert werden, die das
Training durchführt und anschließend ein Modell mit den geschätzten Modellparametern
zurückliefert, learn(). Als Eingabe erhält sie eine Datentabelle in
Form eines ExampleSets.
In der Regel wird ein Lernverfahren dem Benutzer verschiedene Optionen bieten,
um sein Verhalten zu konfigurieren. Im Falle eines k-Nächste-Nachbarn-
Verfahrens wäre die Anzahl der Nachbarn k eine solche Option. Diese heißen
in RapidMiner Parameter und sollten nicht mit den Modellparametern (beispielsweise
die Koeffizientenmatrix einer linearen Regression) verwechselt werden.
Jeder Operator kann diese Parameter durch Überschreiben der Methode
getParameterTypes() spezifizieren. Dabei kann der Wertebereich (Zahl aus einem
bestimmten Intervall, Zeichenkette, Auswahl aus einer Menge möglicher
Werte, usw.) festgelegt werden. Das Benutzerinterface von RapidMiner stellt
dann für die Konfiguration des Operators automatisch geeignete Eingabefelder
zur Verfügung. Die vom Benutzer gewählten Parameterwerte können dann beispielsweise
in der Methode learn() abgefragt und verwendet werden. In unserem
Beispiel definiert der Operator einen Parameter mit dem Namen alpha.
Die RapidMiner-API bietet zahlreiche Möglichkeiten, den Benutzer beim Prozessdesign
zu unterstützen, beispielsweise durch frühzeitige und hilfreiche Fehlermelungen.
Beispielsweise kann man durch Überschreiben der Methode supportsCapability()
spezifizieren, mit welchen Daten das Lernverfahren umgehen kann.
Liegen unpassende Daten vor, wird automatisch eine passende Fehlermeldung geliefert
und entsprechende Lösungsvorschläge unterbreitet. Dies kann bereits zur
Prozessdesign-Zeit erfolgen und erfordert nicht das testweise Ausführen des Prozesses.
In unserem Beispiel kann der Algorithmus nur mit einem Zwei-Klassen-
Problem und numerischen Einflussgrößen umgehen.
2.2.2 Das Modell
Nun muss nur noch das Modell implementiert werden, welches die geschätzten
Modellparameter speichert und diese benutzt, um Vorhersagen mit dem Modell
machen zu können. In der Klassenhierarchie muss die neue Klasse unterhalb von
19

2. Die Anwendungsfälle
1 public class MyPredictionModel extends PredictionModel {
2
3 private int alpha ;
4 private double [ ] estimatedModelParameters ;
5
6 protected MyFancyPredictionModel ( ExampleSet trainingExampleSet ,
7 int alpha ,
8 double [ ] estimatedModelParameters ) {
9 super ( trainingExampleSet ) ;
10 this . alpha = alpha ;
11 this . estimatedModelParameters = estimatedModelParameters ;
12 }
13
14 @Override
15 public ExampleSet p e r f o r m P r e d i c t i o n ( ExampleSet exampleSet ,
A t t r i b u t e p r e d i c t e d L a b e l ) throws OperatorException {
16 // iterate over examples and perform prediction
17 return exampleSet ;
18 }
19 }
Abbildung 2.4: Eie beispielhafte Implementierung eines Vorhersagemodells
Model angeordnet werden. Für ein Vorhersagemodell bietet es sich an, entweder
PredictionModel oder SimplePredictionModel zu erweitern, die ein vereinfachtes
Interface bereitstellen. Eine solche Klasse ist in Abbildung 2.4 skizziert.
Im Wesentlichen muss die Methode learn() implementiert werden, indem über
das ExampleSet iteriert wird und mittels der geschätzten Modellparameter ein
Vorhersageattribut generiert wird. In unserer learn()-Methode könnten wir ein
solches Modell instanziieren und zurückgeben.
Über die Möglichkeit der Anwendung zur Vorhersage hinaus bieten viele Modelle
einen für den Benutzer interpretierbaren Erkenntnisgewinn. Dazu sollte das
Modell auf geeignete Weise visualisiert werden, was über einen Renderer erfolgen
kann. Details dazu befinden sich in der API-Dokumentation [4] der Klasse
RendererService und im WhitePaper “How to extend RapidMiner” [6].
20

2.3. RapidMiner für die deskriptive Analyse
2.2.3 Die Integration in RapidMiner
Um den Operator in RapidMiner verfügbar zu machen, müssen die Klassen in
eine Extension eingebunden werden. Dazu werden die implementierten Operatoren
in einer XML-Konfigurationsdatei gelistet, so dass sie von RapidMiner an
der richtigen Stelle im Operatorbaum eingehängt werden können. Es existiert zu
diesem Zweck ein Template-Projekt, das sich beispielsweise in Eclipse importieren
lässt und ein entsprechendes Ant-Skript zum Bauen der Extension enthält.
Es stellt auch zahlreiche Möglichkeiten zur Verfügung, um komfortabel Dokumentation
und andere Elemente zu erstellen. Die erzeugte Jar-Datei kopieren Sie
einfach in das Plugins-Verzeichnis von RapidMiner, und schon steht Ihre Erweiterung
zur Verfügung. Auch dies ist ausführlich im WhitePaper “How to extend
RapidMiner” [6] beschrieben
2.3 RapidMiner für die deskriptive Analyse
Obwohl die Hauptanwendung von RapidMiner im Bereich der schließenden Statistik
liegt, können die zahlreichen Möglichkeiten in der Vorverarbeitung auch in
der deskriptiven Statistik sehr nützlich sein. Die Herangehensweise der Prozessmetapher
bietet dabei ganz andere Möglichkeiten, komplexere Datenstrukturen
zu bearbeiten, als dies bei herkömmlichen Statistiklösungen der Fall ist. Handelt
es sich zum Beispiel um regelmäßig erhobene Daten, kann so der Verabeitungsprozess
ohne Analyseaufwand weitestgehend automatisiert werden.
Ist man vom Erstellen von Skripten nicht abgeschreckt, bietet die R Extension
von RapidMiner Zugriff auf alle statistischen Funktionen, die das weltweit verbreitetste
Statistiktool bietet. Diese können auch direkt in den Prozess integriert
werden, um die komplette Verarbeitung vollständig zu automatisieren.
Im Weiteren werden wir einen Datensatz betrachten, der Angaben aus einem Fragebogen
beinhaltet. Die Fragen wurden an verschiedenen Schulen verschiedener
Schulformen erhoben, sowie an einer Universität. Uns stehen hier Angaben über
das Geschlecht und das Alter der Befragten zur Verfügung, ansonsten bleiben
21

2. Die Anwendungsfälle
Abbildung 2.5: Ein Ausschnitt der Beispieldaten
die Daten anonymisiert. Alle Angaben wurden in einer Excel-Tabelle eingegeben,
und wir haben diese Daten bereits über das File-Menü und den Eintrag
Import Data im Repository als 01 - Questionare Results gespeichert. Jede Frage
des Bogens hatte unterschiedlich viele Antworten, wobei nur jeweils eine Antwort
angekreuzt werden durfte. Um Zeit während der manuellen Eingabe zu sparen,
wurden die Antworten durchnummeriert und lediglich die Nummer der angekreuzten
Antwort in der Tabelle angegeben. Eine 0 bezeichnet eine falsche oder
fehlende Antwort. Einen Ausschnitt aus der Tabelle zeigt Abbildung 2.5.
2.3.1 Datentransformationen
In einer ersten Analyse wollen wir zunächst einmal nur eine grobe Übersicht
über das allgemeine Antwortverhalten erlangen. Wir möchten hier zunächst alle
22

2.3. RapidMiner für die deskriptive Analyse
Gruppen gemeinsam betrachten, d.h. keine Aufteilung nach Geschlecht oder Alter
vornehmen. Unsere Ziel ist es, eine Tabelle zu erzeugen, in der jede Zeile eine Frage
repräsentiert und jede Spalte eine Antwort. In den Zellen der Tabellen sollen die
relativen Häufigkeiten der Antworten der jeweiligen Fragen angegeben werden.
Da wir zunächst nicht gruppieren wollen, entfernen wir alle Spalten bis auf diejenigen,
die die Antworten enthalten. Dazu verwenden wir den Operator Select
Attributes, wie im Prozess 01.1.1 - Count Answers demonstriert.
Während des Importierens haben wir die Spalten als numerischen Datentyp deklariert.
Zwar handelt es sich um Ziffern, aber dennoch repräsentieren diese keinen
numerischen Wert in dem Sinne, dass man mit ihnen Abstände bestimmen oder
allgemeine Rechenoperationen ausführen könnte. Wir wollen daher zunächst den
Datentypen der Spalte in einen kategorischen Typ verwandeln. In RapidMiner
werden Attribute, die mehrere kategorische Ausprägungen annehmen können,
als polynominal bezeichnet. Dazu verwenden wir den Operator Numerical to Polynominal.
Um für jede Antwort eine eigene Spalte zu bekommen, können wir jetzt die polynominale
Spalte in ein sogenanntes Dummy Encoding überführen. Diese Standardtechnik,
die man häufig anwendet, wenn man nominale Werte numerisch repräsentieren
möchte, führt für jeden nominalen Wert eine neue Spalte ein, die die
Werte null oder eins annehmen kann. Eine Eins zeigt an, dass die ursprüngliche
Spalte den nominalen Wert enthielt, den die neue Spalte repräsentiert. Entsprechend
gibt es in jeder Zeile immer genau eine eins in den so erzeugten Spalten,
wie man leicht an dem Ergebnis der Transformation in Abbildung 2.6 sieht.
Sind wir an den durchschnittlichen Antworthäufigkeiten interessiert, müssen wir
jetzt noch den Durchschnitt über alle abgegebenen Fragebögen berechnen, wozu
das Anwenden des Aggregate-Operators mit der voreingestellten Aggregationsfunktion
average genügt. Da wir den Durchschnitt über alle Zeilen berechnen
wollen, wählen wir keine Attribute zur Gruppierung aus. So fallen jetzt alle Zeilen
in eine Gruppe. Als Ergebnis erhalten wir eine Tabelle mit einer Zeile pro
Gruppe, hier also nur einer einzigen Zeile, die die relative Antworthäufigkeit angibt.
23

2. Die Anwendungsfälle
(a) Vor der Transformation
(b) Nach der Transformation
Abbildung 2.6: Dummycodierung des Antwortverhaltens
Der Ablauf des Prozesses wird dabei durch Haltepunkte (Breakpoints) unterbrochen,
so dass man wichtige Zwischenergebnisse, wie den Ausgangsdatensatz
und die dummy-codierten Daten betrachten kann. Sie können durch wiederholtes
Drücken der, nun grün dargestellten, Ausführen-Schaltfläche in der Hauptwerkzeugleiste
die Ausführung des Prozesses fortsetzen.
Weder für das menschliche Auge, noch für den Abdruck in einer Arbeit lässt sich
dieses Ergebnis bisher verwenden. Natürlich könnte man jetzt diese Werte alle
in eine Excel-Tabelle kopieren und sie sinnvoll manuell anordnen, aber da wir
dieselben Zahlen noch für Subgruppen berechnen wollen, wäre es an dieser Stelle
besser, direkt eine automatisierte Variante zu finden, da sie uns später viel Arbeit
ersparen wird.
Dazu wollen wir zunächst das überflüssige average aus den Spaltennamen entfernen.
Dazu verwenden wir den Operator Rename by Replacing, wie im Prozess
01.1.2 - Count Answers gezeigt. Wir fügen hier die Änderungen einfach an unseren
Prozess an. Dieser Operator verwendet für die Umbenennung von Attributen
sogenannte regulären Ausdrücke. Dabei handelt es sich um ein auch an anderer
Stelle häufig verwendetes Werkzeug. Da im Internet zu diesem Thema zahlreiche
gute Einführungen leicht zu finden sind, wird hier auf eine tiefergehende Erläuterung
verzichtet. Sie können für ihre Experimente den Assistenten verwenden, der
über die Schaltfläche neben dem Eingabefeld für den regulären Ausdruck zu er-
24

2.3. RapidMiner für die deskriptive Analyse
reichen ist. Hier kann man einen Ausdruck auf eine Testzeichenkette anwenden
und bekommt sofort Rückmeldung, ob und auf welchen Teil der Ausdruck passt.
In unserem Beispiel ersetzen wir mittels einer sogenannten Capturing Group den
Attributnamen durch den Inhalt der runden Klammern im Attributnamen. Aus
average(Frage1) wird so Frage1.
Im nächsten Schritt kommen wir zum Transpose-Operator, der die Datentabelle
transponiert. Aus allen Spalten werden Zeilen, während jede Zeile eine Spalte
wird. Da der Datensatz nach der Aggregation nur noch eine Zeile hatte, bekommen
wir jetzt genau eine reguläre Spalte, während die neu erzeugte id-Spalte den
Namen der Attribute beinhaltet, aus denen die Zeile gebaut wurde.
Anhand des id-Attributs können wir jetzt erkennen, von welcher Antwort zu
welcher Frage der berechnete Häufigkeitswert im regulären Attribut att 1 stammt.
Die Werte in der id-Spalte haben die Form ”
Frage X = Y“, wobei X die Nummer
der Frage und Y die Nummmer der Antwort kennzeichnet. Wir wollen diese
Information etwas klarer strukturiert in zwei zusätzliche neue Attribute speichern.
Dazu werden wir einfach das id-Attribut zweimal kopieren und anschließend die
Werte durch einen Replace Operator so ändern, dass sie zum einen eindeutig die
Frage identifizieren und zum anderen die Antwort. Auch der Replace-Operator
verwendet wieder reguläre Ausdrücke. Auch hier werden wir den Mechanismus
der Capturing Group benutzen um zu spezifizieren, welcher Wert übernommen
werden soll. Das Ergebnis nach diesen beiden Operatoren sieht schon viel lesbarer
aus, allerdings ist es noch immer ungeeignet zum Abdrucken. Ein breites Format,
in dem jede Frage eine Zeile belegt und die Antworten in den Spalten angeordnet
werden, wäre deutlich praktischer und kompakter.
Wir werden jetzt zum letzten großen Schritt ansetzen, um die Daten entsprechend
zu transformieren. Dazu hängen wir wie im Prozess 01.1.3 - Count Answers einen
Pivot-Operator an unsere bisherige Prozesskette. Dieser wird dafür sorgen, dass
alle Zeilen, die in dem durch den Parameter group attribute bezeichneten Attribut
denselben Wert haben, zu einer Zeile zusammengefasst werden. Da wir jede Frage
mit einer Zeile beschreiben wollen, wählen wir das Attribut Frage zur Gruppierung
aus. Damit wir für jede Antwortalternative eine Spalte erhalten, wählen wir
das Attribut Antwort als Indexattribut aus. Jetzt wird für jede mögliche Antwort
25

2. Die Anwendungsfälle
eine neue Spalte angelegt. Kommt die Kombination Frage / Antwort im Datensatz
vor, wird die entsprechende Zelle in der Zeile der Frage und der Spalte der
Antwort eingetragen. Kommt eine Kombination nicht vor, wird dies mit einem
fehlenden Wert gekennzeichnet. Dies können wir gut im Ergebnis beobachten,
da überhaupt nur eine Frage, nämlich Frage 1, fünf Antwortalternativen besitzt,
alle anderen Werte in der entsprechenden Spalte sind entsprechend als fehlend
gekennzeichnet. Einige Antworten, wie zum Beispiel Antwort 1 von Frage 17,
wurde niemals gegeben. Entsprechend ist auch dieser Wert fehlend.
Wir schließen den Prozess ab mit einigen Schönheitskorrekturen, indem wir fehlende
Werte durch eine Null ersetzen und die generierten Namen der Spalten, die
aus der Pivotisierung hervorgegangen sind, mittels Rename by Replacing in die
Form ”
Antwort X“ bringen.
2.3.2 Reporting
Dieses Vorgehen unterscheidet sich deutlich von dem gewohnten Manipulieren von
Tabellen, wie es von Tabellenkalkulationen und ähnlicher Software bekannt ist.
Warum lohnt sich der Umstieg auf eine solche prozessorientierte Vorgehensweise?
Dies sehen wir, sobald wir wiederkehrende Aufgaben mehrfach ausführen wollen.
Wir illustrieren dies wieder anhand unseres Beispiels. Wir hatten die erstellte
Tabelle bisher nur für alle Teilnehmer ausgewertet und wollen nun verschiedene
Gruppierungen betrachten, beispielsweise nach Schulform, Jahrgangsstufe oder
Geschlecht.
Dabei lernen wir eine Möglichkeit kennen, Ergebnisse automatisiert aus Rapid-
Miner zu exportieren. Dabei hilft uns die Reporting Extension. Wir können Sie
komfortabel über das Help-Menü mit dem Eintrag Update RapidMiner nachinstallieren,
falls das noch nicht geschehen ist. (Ein Hinweis: Die Reporting Extension
für RapidMiner erlaubt es, statische Berichte zu erzeugen. Mit dem Server
RapidAnalytics ist es möglich, dynamische Web-basierte Berichte zu erstellen.
Dies soll hier jedoch nicht diskutiert werden.)
Nach der Installation steht uns in der Operators-Ansicht eine neue Gruppe von
Operatoren zur Verfügung, mit denen wir jetzt automatisiert Prozessergebnisse
26

2.3. RapidMiner für die deskriptive Analyse
Abbildung 2.7: Die Reporting-Operatoren
in einen Bericht schreiben können, beispielsweise im PDF-, HTML-, oder Excel-
Format. Wenn wir die Gruppe aufklappen, wie in Abbildung 2.7 dargestellt, sehen
wir sechs neue Operatoren. Für jeden Bericht benötigt werden davon Generate
Report, der einen neuen Bericht unter einem bestimmten Namen beginnt, und
Report, der Daten aus dem Prozess entgegen nimmt und diese in einem anzugebenden
Format an den Bericht anhängt.
Damit ist bereits klar, das der Operator Generate Report vor dem Report-Operator
ausgeführt werden muss. Auch die anderen relevanten Operatoren wie Add Text,
Add Section und Add Pagebreak greifen jeweils auf einen geöffneten Bericht zurück.
Add Text fügt an der aktuellen Position des Berichts einen Text hinzu, Add Section
beginnt eine neue Gliederungsebene und Add Pagebreak eine neue Seite. Je
nach Format kann das Ergebnis unterschiedlich aussehen. Im Fall von Excel-
Dateien entsprechen Seitenumbrüche beispielsweise dem Wechsel auf ein neues
Tabellenblatt.
Um einen ersten Bericht zu erstellen, öffnen wir direkt nach dem Laden der Daten
einen neuen Bericht. Beachten Sie, dass der Bericht in eine Datei geschrieben
27

2. Die Anwendungsfälle
Abbildung 2.8: Ein einfacher Reporting Prozess
wird, sie müssen also den Pfad anpassen, wenn Sie den Prozess 01.2 - Report
Counts benutzen. Ein Add Section-Operator erzeugt ein neues Excel-Sheet, dem
wir mit dem Parameter report section name einen Namen geben können. Danach
führen wir die bisherigen Verarbeitungsschritte aus, die man zur besseren Trennung
in einen Subprozess verschieben kann. Sind die Ergebnisse berechnet, fehlt
nur noch der Report-Operator. Mit der Schaltfläche Configure Report kann man
auswählen, welche Darstellung des entsprechenden Objekts man in den Bericht
einfügen möchte. Da wir hier an den Daten interessiert sind, wählen wir unter
Data Table die Darstellung Data View. Danach kann noch konfiguriert werden,
welche Spalten und welche Zeilen man in den Bericht übernehmen will, wir wählen
hier jeweils alle. Unser Prozess sollte jetzt ungefähr aussehen wie in Abbildung 2.8
gezeigt.
Wie wir sehen, fügt sich das Reporting nahtlos in die Prozesslogik ein. Aber
natürlich sind wir nicht nur an dem Gesamtantwortverhalten interessiert, sondern
wollen vor allem Unterschiede zwischen den Subgruppen der Teilnehmer
entdecken. Dazu werden wir folgenden Trick verwenden: Wir benutzen einen
Loop Values-Operator, der seinen inneren Subprozess für jeden vorkommenden
Wert eines bestimmten Attributs durchführt. In diesem Subprozess werden wir
den Datensatz auf die Zeilen mit dem aktuellen Wert reduzieren, dann wie gehabt
aggregieren und schließlich als Berichtselement anfügen.
Da wir an verschiedenen Gruppierungen interessiert sind, verwenden wir einen
Multiply-Operator, um den ursprünglichen Datensatz mehrfach zu verarbeiten
und unterschiedliche Darstellungen in den Bericht einzufügen. In Abbildung 2.9
28

2.3. RapidMiner für die deskriptive Analyse
Abbildung 2.9: Ein Reporting-Prozess
erkennt man die verzweigung des Prozesses am Multiply-Operator.
Um Schleifen effektiv verwenden zu können, lernen wir eine weitere Facette der
RapidMiner Prozesssprache kennen, und zwar die der Makros. Diese Prozessvariablen
können überall dort verwendet werden, wo Parameter definiert werden.
Ein Makro hat ein bestimmten Wert und wird zur Laufzeit durch diesen Wert
ersetzt. In diesem Fall definiert der Operator Loop Values ein Makro, das den
aktuellen Wert des Attributs zugewiesen wird. Das Makro wird hier also als
Schleifenvariable verwendet und erhält in jedem Schleifendurchlauf einen neuen
Wert. Makros können im Prozess auch explizt über einen Set Macro oder Generate
Macro-Operator gesetzt werden oder in der Context-Ansicht für den Prozess
definiert werden.
Man kann in beliebigen Parametern auf den Wert eines Makros zugreifen, indem
man seinen Namen mit %{ und } einschließt. In der Standardeinstellung wird
der Operator Loop Values ein Makro mit dem Namen loop value setzen. Dann
29

2. Die Anwendungsfälle
greift man auf seinen Wert über %{loop value} zu. Dies läßt sich im Prozess
01.3 - Report Counts with groups zum Beispiel im ersten Loop Values-Operator
sehen, der Geschlecht genannt wurde, da dieser über die beiden Ausprägungen
des Attributs ”
Geschlecht“ iteriert. Öffnet man per Doppelklick den Subprozess,
sieht man als ersten Operator einen Filter Examples-Operator, der nur Zeilen
behält, deren Attribut Geschlecht gleich dem Wert des Makros loop value ist.
Führen wir den Prozess durch, sehen wir, dass in der generierten Excel-Datei
für jede Gruppierung ein eigenes Tabellenblatt angelegt wird, während die einzelnen
Gruppen untereinander aufgeführt werden. Einziger Schönheitsfehler ist
die Gruppe der Studenten, die in der Gruppierung nach Jahrgangsstufe als Jahrgangsstufe
“0” erscheint. Obwohl das natürlich schnell manuell beseitigt ist, wollen
wir das direkt im Prozess bereinigen.
Um dies zu beheben, müssen wir eigentlich weniger tun als bisher, wir müssen
eben das Schreiben in den Bericht unterlassen, wenn wir bei Jahrgangsstufe den
Wert 0 erreichen. Glücklicherweise stehen uns nicht nur Operatoren für Schleifen
zur Verfügung, sondern auch eine bedingte Verzweigung. Dazu können wir den
Operator Branch verwenden, der zwei Subprozesse hat. Einer wird ausgeführt,
wenn die angegebene Bedingung erfüllt ist, der andere wenn sie nicht erfüllt
ist. Die Bedingung lässt sich dabei in den Parametern einstellen. Neben datenabhängigen
Bedingungen, wie zum Beispiel einer minimalen Größe der Eingabetabelle
oder ähnlichem, lässt sich auch ein einfacher Ausdruck evaluieren. Ein
Ausdruck wie ”%{loop value}”==”0” ist genau dann wahr, wenn der aktuelle
Wert 0 ist. In unserem Beispiel wollen wir den inneren Subprozess genau dann
ausführen, wenn diese Bedingung nicht erfüllt ist. Entsprechend brauchen wir unseren
bisherigen Prozess für die Jahrgangsstufe also nur in den Else-Subprozess
zu verschieben, wie in Abbildung 2.10 zu sehen.
Das Ergebnis dieser Änderung kann in Prozess 01.04 - Report Counts with groups
and exceptions betrachtet werden. Nach der Durchführung steht uns die bereinigte
Excel-Datei zur Verfügung. Das einzig Ärgerliche bei der Erstellung unseres
Berichts ist die Tatsache, dass wir jeweils exakt die gleiche Funktionalität immer
wieder und wieder in den Subprozessen eingefügt haben, einmal für jede Art von
Gruppierung. Natürlich lassen sich die kompletten Subprozesse einfach kopieren,
30

2.3. RapidMiner für die deskriptive Analyse
Abbildung 2.10: Die Fallunterscheidung im Branch Operator
aber will man später ein Detail ergänzen oder modifizieren, muss man dies in
jedem einzelnen Subprozess wiederholen.
Um diese Arbeit zu vermeiden, kann man die gesamte Logik in einen eigenständigen
Prozess auslagern und diesen mehrmals von einem anderen Prozess aus aufrufen.
Will man etwas ändern, muss man dies jetzt nur noch an einer zentralen
Stelle tun. Dazu können wir einfach die Logik des Subprozesses in einen neuen
Prozess kopieren, wie in 0.1.5 - Counting Process gesehen. Dieser Prozess ist
vollständig in Abbildung 2.11 gezeigt. Diesen Prozess kann man nun einfach per
Drag and Drop in einen anderen Prozess befördern. Dort wird er dann durch
einen Execute Process-Operator repräsentiert. Dessen Eingangs- und Ausgangsports
repräsentieren die Eingangsports des Prozesses, wenn der Parameter use
inputs des Operators eingeschaltet wurde. Nun können wir also alle Subprozesse
einfach durch ein Aufruf dieses Prozesses ersetzen und von da an Änderungen
zentral vornehmen. Das Ergebnis kann man in 01.5 - Reusing Processes betrachten.
Wenn Sie den Prozess durchführen, werden Sie keinen Unterschied in den
Ergebnissen bemerken.
Wir haben also gesehen, wie Sie mit RapidMiner einen Bericht mit statistischen
Auswertungen auf einfache Art und Weise erzeugen können. Ändern sich die
31

2. Die Anwendungsfälle
Abbildung 2.11: Die gesamte Verarbeitungslogik als eigener Prozess
unterliegenden Daten oder werden diese ergänzt, können Sie den Bericht durch
erneutes Ausführen des Prozesses schnell aktualisieren, insbesondere bei vollautomatischer
Ausführung in RapidAnalytics.
Selbstverständlich ist es auch möglich, Prognosemodelle, wie sie in Abschnitt 2.1
verwendet wurden, auf diese Daten anzuwenden. So wäre es im vorliegenden Anwendungsfall
beispielsweise sinnvoll, mittels einer linearen Regression den Einfluss
der Jahrgangsstufe auf die gewählten Antworten zu ermitteln oder ähnliche
Zusammenhänge mit Hilfe von bayesschen Verfahren zu extrahieren. Wie sie sehen,
sind die Möglichkeiten praktisch unbegrenzt. Wenn Sie RapidMiner ausprobieren,
werden Sie sicher schnell eigene Ideen entwickeln und umsetzen können.
32

3 Transparenz von Veröffenlichungen
In Abschnitt 2.1 haben wir RapidMiner eingesetzt, um mit wenig Aufwand eine
möglichst vollständige Evaluierung eines neuen Verfahrens durchzuführen. Wir
haben gesehen, wie wir die Evaluierung auf eine breite Datenbasis stellen können,
die Parameter fair für alle Verfahren optimieren und wie wir die Ergebnisse auswerten
können. Wenn die Ergebnisse Sie zufrieden stellen, werden Sie nun möglicherweise
Ihre Ergebnisse in einer Zeitschrift, auf einer Konferenz oder in einem
Buch veröffentlichen wollen. Eine gute Veröffentlichung sollte den Leser in die
Lage versetzen, die erzielten Ergebnisse nachzuvollziehen, zu vegleichen, weiterzuentwickeln
und auf Ihnen aufbauend weitere Analysen durchzuführen.
Um dies zu gewährleisten, sind drei Komponenten nötig: Die implementierten
neuen Algorithmen, die durchgeführten Prozesse und die verwendeten Daten.
Diese können selbstverständlich nicht oder nur unzureichend im Rahmen der
Veröffentlichung abgedruckt werden, könnten aber leicht durch Verweis auf Internetquellen
zugänglich gemacht werden.
Die Erfahrung zeigt hier leider, dass dies oft nicht der Fall ist. Dies führt dazu,
dass ein großer Teil der wissenschaftlichen Arbeit darauf verwendet wird, bereits
geleistete Arbeit zu Vergleichszwecken zu reproduzieren, statt Ergebnisse
wiederzuverwenden.
In diesem Kapitel zeigen wir, wie mit Hilfe geeigneter Portale im Internet Algorithmen,
Prozesse und Daten auf einfache Weise veröffentlicht und der akademi-
33

3. Transparenz von Veröffenlichungen
schen Welt sowie möglichen Anwendern zugänglich gemacht werden können.
Dadurch erhöhen Sie signifikant die Qualität Ihrer Veröffentlichung und die Sichtbarkeit
und Zitierbarkeit Ihrer Ergebnisse.
3.1 Rapid-I Marketplace: App Store für
RapidMiner-Erweiterungen
Um selbstimplementierte Verfahren für die Allgemeinheit zugänglich zu machen,
bietet es sich an, sie auf dem Marketplace für RapidMiner anzubieten. Dieser ist
unter http://marketplace.rapid-i.com erreichbar. Auf dieser Plattform kann
jeder Entwickler seine RapidMiner-Erweiterungen anbieten und von anderen Entwicklern
bereitgestellte Erweiterungen nutzen. Die Nutzung ist für RapidMiner-
Anwender und für Anbieter von Erweiterungen kostenlos möglich. Erweiterungen,
die im Marketplace angeboten werden, können direkt aus dem Benutzerinterface
von RapidMiner installiert und aktualisiert werden. Dazu steht die Funktion Update
RapidMiner im Help-Menü zur Verfügung. Es stellt damit für den Benutzer
die einfachste Art der Installation dar.
Gegenüber einer Veröffentlichung auf internen Institutsseiten bietet der Marketplace
einige Vorteile: Dazu zählen die bestmögliche Sichtbarkeit in der RapidMiner-
Community, die einfache Installation sowie Kommentar- und Bewertungsfunktionen.
Öffnet ein Benutzer einen Prozess, der Ihre Erweiterung benötigt, hat diese
aber nicht insalliert, schlägt RapidMiner automatisch die Installation vor.
Auch wenn Sie sich für eine Veröffentlichung auf dem Marketplcae entscheiden,
spricht nichts dagegen, weiterhin eine eigene Seite zu betreiben, in der Sie Dokumentation,
Beispiele, Hintergrundinformationen und eventuell Sourcecode anbieten.
Dies wird sogar explizit empfohlen, und ein Verweis auf diese Seite kann im
Marketplace plaziert werden.
Um eine Erweiterung anzubieten, registrieren Sie sich einfach auf http://marketplace.
rapid-i.com und senden dann über das Kontakt-Menü eine Hostinganfrage ab.
Diese wird von Rapid-I kurz auf Plausibiltät und Konflikte mit anderen Erwei-
34

3.2. Prozesse veröffentlichen auf myExperiment
terungen überprüft und innerhalb kürzester Zeit bestätigt.
Bitte beachten Sie, dass es natürlich umso wichtiger wird, sich an die allgemeinen
Namenskonventionen, Schreibweisen und Dokumentationsrichtlinien zu halten,
wenn man die Erweiterung anderen Nutzern zugänglich machen will. Dies
sollte man unbedingt von Anfang an beachten, da zum Beispiel die Änderung von
Parameternamen oder Operatorschlüsseln bis dahin erstellte Prozesse unbrauchbar
macht. Auch sollten für andere Benutzer die Parameter möglichst sprechend
benannt und mit guten Kommentaren versehen werden. Eine ausführliche Dokumentation
und Beispielprozesse bilden dann natürlich das i-Tüpfelchen an Komfort.
3.2 Prozesse veröffentlichen auf myExperiment
Unabhängig davon, ob Sie in Ihren Prozessen eine selbst implementierte RapidMiner-Erweiterung
verwenden oder nicht, ist es oft wünschenswert, eigene Prozesse
auf einfache Art mit der Gemeinschaft von Wissenschaftlern und Datenanalysten
zu teilen. Das Portal myExperiment.org ist ein soziales Netzwerk, das sich an
Wissenschaftler richtet und die Möglichkeit bietet, Datenanalyseprozesse auszutauschen
und darüber zu diskutieren.
Indem Sie Ihre RapidMiner-Prozesse auf dieser Seite zur Verfügung stellen, erreichen
Sie eine höhere Verbreitung Ihrer Ergebnisse und stellen gleichzeitig eine
eindeutige und dauerhafte Zitierbarkeit sicher. Weiterhin profitieren Sie von
der Gelegenheit, in Austausch mit anderen Wissenschaftlern zu treten und neue
Forschungskontakte zu knüpfen. Nicht zuletzt kann myExperiment eine hervorragende
Quelle sein, wenn Sie für die Lösung eines Datenanalyseproblems nach
Inspiration suchen – bestimmt haben sich auch schon Andere mit ähnlichen Problemen
auseinandergesetzt.
Um myExperiment zu benutzen, müssen Sie die Prozesse nicht umständlich über
einen Web-Browser hoch- oder herunterladen. Dies können Sie stattdessen mithilfe
der Community Extension direkt aus der Benutzeroberfläche von RapidMiner
heraus tun. Diese können Sie ebenfalls über den Marketplace (und den RapidMi-
35

3. Transparenz von Veröffenlichungen
Abbildung 3.1: Die Beschreibung von RapidMiner-Erweiterungen können im
Marketplace bearbeitet werden (hier die Community-Extension,
die weiter unten bechrieben wird).
36

3.2. Prozesse veröffentlichen auf myExperiment
Abbildung 3.2: Die Community-Extension von RapidMiner zum Zugriff auf
myExperiment
ner Update-Server) installieren. Sobald Sie dies getan haben, verfügt RapidMiner
über einen neue Ansicht namens MyExperiment Browser. Sie können diese über
das View-Menü und den Eintrag Show View aktivieren. Sie können diese Ansicht
in jeder Perspektive an einem beliebigen Ort einsortieren und natürlich auch wieder
ausblenden.
Der Browser erlaubt es Ihnen, sich mit einem existierenden Benutzeraccount einzuloggen,
oder sich bei MyExperiment zu registrieren um einen Benuzteraccount
anzulegen. Sie werden diesen Account benötigen, um Prozesse hochzuladen. In
der Liste werden alle auf MyExperiment gespeicherten Prozesse angezeigt. Wenn
Sie in der Liste einen Eintrag auswählen, erscheint im rechten Fenster das Bild
des entsprechenden Prozesses sowie die Beschreibung und Metadaten wie Autor
und Erstellungsdatum. Dieser Prozess lässt sich dann einfach mit der Open-
Schaltfläche herunterladen und in RapidMiner öffnen und direkt ausführen. Alternativ
können Sie den Prozess auch über die myExperiment-Webseite im Browser
betrachten. Klicken Sie dazu einfach auf die Browse-Schaltfläche. Mit der URL,
37

3. Transparenz von Veröffenlichungen
die hier geöffnet wird, lässt sich ein Prozess auch eindeutig identifizieren, wodurch
sie zum Zitieren verwendet werden kann.
Um einen eigenen Prozess auf myExperiment hochzuladen, öffnen Sie den gewünschten
Prozess und arrangieren ihn in der gewünschten Weise. Der aktuell angezeigte
Subprozess wird als Bild auf myExperiment hochgeladen und erscheint
beim Browsen. Eine hübsche und übersichtliche Anordnung macht sich hier also
bezahlt. Danach können Sie in der Browse MyExperiment-Ansicht auf Upload
klicken. Das in Abbildung 3.2 dargestellte Fenster öffnet sich und bietet Ihnen
Felder zum Eingeben eines Titels und einer Beschreibung an. Die allgemeine Umgangssprache
auf myExperiment ist Englisch.
3.3 Verfügbarmachen der Daten
Da myExperiment das Speichern von Daten aus Kapazitätsgründen nicht übernimmt,
müssen wir für die Veröffentlichung der verwendeten Daten einen anderen
Weg beschreiten, sofern die Daten überhaupt veröffentlicht werden dürfen und
keiner Beschränkung aufgrund von Urheberrecht oder Vertraulichkeit unterliegen.
Hierbei kommt uns die Fähigkeit von RapidMiner sehr entgegen, mit Daten
von fast beliebigen Quellen umzugehen.
Der häufig wohl einfachste Weg wäre, die Daten zunächst als CSV-Datei zu exportieren
und die exportierte Datei auf einem beliebigen Webserver abzulegen. In
RapidMiner können wir jetzt diese Adresse mit einem Open File-Operator öffnen,
der auch Daten aus Internetquellen verarbeiten kann. Dieser Operator interpretiert
die Daten zunächst nicht, sondern liefert ein File-Objekt für diese Datei. Wir
können dann dieses Objekt an den file Eingang des Read CSV-Operators legen,
um die Datei als CSV zu interpretieren und den Datensatz zu laden. Den Read
CSV-Operator kann man dabei mit dem Wizard einfach konfigurieren, wobei der
Wizard bequemlichkeitshalber auf einer lokalen Kopie der Datei ausgeführt werden
kann. Denkt man jetzt noch daran, beim Export als CSV und beim Import
dasselbe Encoding zu setzen, steht der Veröffentlichung kein Problem mehr im
Weg.
38

3.3. Verfügbarmachen der Daten
Führt man Experimente auf großen Datensätzen oder Datensätzen, die viel Text
enthalten, aus, kann man die Datensätze auch komprimiert in einer Zip-Datei ablegen
und diese von RapidMiner extrahieren lassen. Dieses vermeidet überflüssige
Wartezeiten beim Download und hohe Auslastung des Servers. Beide Fälle werden
im Prozess 00.8 - Load Data from URL demonstriert.
39

4 RapidMiner in der Lehre
Auch in der Lehre bietet sich ein Einsatz von RapidMiner an. Dies bietet mehrere
Vorteile.
Einer der größten Vorteile ist sicherlich die Tatsache, dass RapidMiner in der
Community Edition frei zum Download verfügbar steht. Studierende können es
somit auf ihren privaten Rechnern genauso installieren wie die Hochschule die
Möglichkeit hat, RapidMiner-Installationen auf Institutsrechnern zur Verfügung
zu stellen. Der Einstieg ist somit schnell und kostenlos möglich. Aufgrund der
hohen Verbreitung haben die Studierenden weiterhin die Gelegenheit, bereits
im Studium mit einem Werkzeug zu arbeiten, dass sie im späteren Berufsleben
tatsächlich einsetzen können.
Die zahlreichen im Kern und in den Erweiterungen enthalten Lernverfahren decken
den größten Teil typischer Lehrveranstaltungen im Bereich des Data Mining,
maschinellen Lernens und schließender Statistik ab. Somit ist es für die Studierenden
möglich, die erlernten Verfahren ohne großen Aufwand direkt einzusetzen
und zu vergleichen, wodurch ein nachhaltigerer Lerneffekt erzielt wird als durch
eine rein theoretische Betrachtung der Algorithmen und ihrer Eigenschaften.
Es ist nicht ungewöhnlich, dass Studierende im Rahmen von Praktika, Seminaren,
Studienarbeiten oder Übungen selbst eigene Algorithmen und Lernverfahren
entwickeln. Geschieht dies im Rahmen des RapidMiner-Frameworks, kann dabei
vorhandene Infrastruktur wiederverwendet werden. Beispielsweise ist die Evaluierung
des Verfahrens oder die Anbindung an Datenquellen erheblich erleichtert.
Somit können sich die Studierenden auf die Implementierung des eigentlichen
41

4. RapidMiner in der Lehre
Algorithmus konzentrieren. Außerdem ist es für die Studierenden eine große Motivation,
wenn das Ergebnis einer solchen Arbeit auch nach deren Abschluss noch
weiter verwendet werden kann. Bei einer Verbreitung als RapidMiner-Erweiterung
ist dies erheblich wahrscheinlicher als bei einer Einzellösung, die in kein Framework
eingebunden ist. Dies wird noch verstärkt durch die erhöhte Sichtbarkeit
bei Verwendung des Rapid-I Marketplace.
Da bereits viele Hochschulen RapidMiner in der Lehre einsetzen, existiert bereits
ein Erfahrungsschatz sowie Unterrichtsmaterialien, die wiederverwendet werden
können.
Zum Austausch von Erfahrungen, Materialien und Ideen für die Lehre mit Rapid-
Miner bietet sich die Teilnahme an der Mailingliste https://lists.sourceforge.
net/lists/listinfo/rapidminer-sig-teaching an.
42

5 Forschungsprojekte
Abschließend wollen wir hier noch einmal einen Überblick darüber geben, wie
RapidMiner eigentlich bei Rapid-I zu Forschungszwecken eingesetzt wird. Dieses
Kapitel gibt einen Überblick darüber, in welch vielfältiger Weise Data Mining
Techniken in verschiedenen Disziplinen eingesetzt werden können und kann
möglicherweise auch eine Anregung für zukünftige Projekte sein.
e-LICO. (http://www.e-lico.eu) In diesem EU-Projekt, an dem außer Rapid-
I acht Universitäten und Forschungseinrichtungen beteiligt waren, wurde von
2009 bis 2012 eine Platform entwickelt, die es auch Fachwissenschaftlern ohne statistischen
oder technischen Hintergrund ermöglicht, Data-Mining-Technologien
zu verwenden. Unter anderem entstand ein Assistent, der Data-Mining-Prozesse
vollautomatisch generiert, nachdem der Benutzer mit wenigen Klicks Eingabedaten
und Analyseziel spezifiziert hat. Im Rahmen dieses Projektes begann auch
die Entwicklung der Server-Lösung RapidAnalytics.
ViSTA-TV. (http://vista-tv.eu/) Dieses ebenfalls von der EU im siebten
Rahmenprogramm geförderte Projekt beschäftigt sich mit der Analyse von Datenströmen,
wie sie von IPTV und klassischen Fernsehanbietern generiert werden.
Ziel ist die Verbesserung des Benutzererlebnisses beispielsweise durch Anbieten
geeigneter Empfehlungen sowie eine Auswertung zu Marktforschungszwecken.
SustainHub. (http://www.sustainhub-research.eu/) Im Gegensatz zu den
beiden erstgenannten Projekten ist das SustainHub-Projekt nicht in einem IT-
43

5. Forschungsprojekte
orientierten, sondern in einem anwendungsorientierten EU-Förderprogramm angesiedelt.
Es geht dabei um die Nutzbarmachung von Nachhaltigkeitsinformationen
in Zulieferketten und die Erkennung von Auffälligkeiten zum Zweck der
Risikominimierung. Auch Methoden der statistischen Textanalyse kommen zum
Einsatz, um automatisiert Nachrichten auf Ihren Bezug zu dieser Thematik zu
untersuchen.
ProMondi. Ziel des vom BMBF geförderten Projekts ProMondi ist die Optimierung
des Produktenstehungsprozesses in der produzierenden Industrie. Beispielsweise
sollen mit Hilfe von Data-Mining-Techniken bereits zur Konstruktionszeit
die Einflüsse auf die Montagezeit erkannt und geeignete Alternativen bestimmt
werden.
Healthy Greenhouse. (http://www.gezondekas.eu) Das Projekt Gezonde ”
Kas“ ist ein Interreg IV A EU-Programm, in dessen Rahmen zehn Forschungseinrichtungen
und 22 Unternehmen aus dem deutsch-niederländischen Grenzgebiet
ein neuartiges integriertes Pflanzenschutzsystem entwickeln, das ein nachhaltiges
Management moderner Gartenbauunternehmen ermöglichen soll. Data Mining
Techniken werden hier beispielsweise angewendet, um frühzeitig mögliche Krankheiten
und Schädlinge zu erkennen und mit weniger Pestiziden auszukommen
oder um den Einfluss von Umweltgrößen auf Pflanzenwachstum und -gesundheit
zu analysieren.
Diese Übersicht kann vielleicht eine Anregung für eigene Forschungsideen sein.
Rapid-I wird auch weiterhin sowohl anwendungsorientierte Projekte als auch Projekte
im Bereich Data Mining auf nationaler und internationaler Ebene durchführen.
Falls Sie Interesse an einer Forschungspartnerschaft haben, melden Sie sich bei
research@rapid-i.com.
44

Literaturverzeichnis
[1] The R project for statistical computing. http://www.r-project.org/.
[2] Weka 3: Data mining software in Java. http://www.cs.waikato.ac.nz/ml/
weka/.
[3] Rapid-I GmbH. RapidMiner Benutzerhandbuch, 2010. http://rapid-i.
com/content/view/26/84/.
[4] Rapid-I GmbH. RapidMiner API documentation. http://rapid-i.com/
api/rapidminer-5.1/index.html, July 2012.
[5] Marius Helf and Nils Wöhler. RapidMiner: Advanced Charts, 2011. Rapid-I
GmbH.
[6] Sebastian Land. How to extend RapidMiner 5. http://rapid-i.
com/component/page,shop.product_details/flypage,flypage.tpl/
product_id,52/category_id,5/option,com_virtuemart/Itemid,180/,
2012. Rapid-I GmbH.
45