導入ガイド

• ダウンロードする
• インストールする
• ワークフローを作成する
• エクステンションの追加

ワークフローを作る手順

• 1.データの準備
• 2.プロジェクトの作成
• 2.ワークフローの作成
• 4.仕上げ
• 5.機械学習自動化ﾜｰｸﾌﾛｰ

KNIME Community Hubへ日本語の説明書きを付与したサンプルワークフローを掲載しております。下記より無料でダウンロードいただけますので、ぜひお試しください。

※KNIME Community Hubの画面からKNIME Analytics Platformへ
　専用アイコンをドラッグ&ドロップすることで、インポートすることができます。
　ドロップ先は、KNIME Explorer内の「LOCAL(Local Workspace)」もしくは、
　その他任意の場所を指定してください。
※ダウンロードにはKNIME Community Hubへのログインが必要です。

1. データの準備

1. 読み込むデータを準備します。ここでは定番の「フィッシャーのあやめ」データを使います。https://archive.ics.uci.edu/dataset/53/iris/ （外部サイト）の「DOWNLOAD」をクリックし、ファイルをダウンロードします。ダウンロードしたファイル内のファイル名：iris.data は “,” 区切りのCSVフォーマットです。

2. プロジェクトの作成

1. 「Create workflow in your local space.」をクリックします。

   

    

   「Create a new workflow」ダイアログの「Workflow name」に任意のワークフロー名（デフォルトは「KNIME_project」）を入力します。入力が終わったら「Create」ボタンをクリックします。

   

    

   下記の画面が表示されることを確認します。これでプロジェクト作成は完了です。

   

3. ワークフローの作成

1. データの読み込み

   「Nodes」から「File Reader」ノードを選択し、ダブルクリックまたは「Workflow Editor」にドラッグ＆ドロップし、ノードを配置します。ノードの信号マークは赤色になっていますが問題ありません。

   

    

   配置した「File Reader」ノードをダブルクリックするとノードの設定ダイアログが起動されます。「Input location」の「Browse」ボタンをクリックし、先ほどダウンロードした iris.data を開くと、ノード設定画面の「Preview」にファイルの内容が表示されます。ヘッダーが含まれていないため、画面中央左の「Has colummn header」のチェックを外し、「OK」ボタンをクリックします。

   

    

   「File Reader」ノードを右クリックし、メニューから「Execute」を選択もしくは、ノード上部の「Excecute」ボタンをクリックすると処理実行されます。処理が完了すると、ノードの信号マークが青色に変わります。

   

    

   配置した「File Reader」ノードをクリックすると、画面下部の「File Table」タブに読み込み結果が表示されます。

   

2. 列名の編集

   今度は「Nodes」から「Column Renamer」ノードを配置します。配置済みの「File Reader」ノードの出力ポートをクリック＆ドラッグすると線が表示されるので、そのまま「Column Renamer」の入力ポートまで引っ張ってドロップすると、ノード同士が接続されます。

   

    

   配置した「Column Renamer」ノードをダブルクリックして設定ダイアログを起動します。ダイアログの左側で列名を選択し、右側に入力することで列名を編集することができます。左側「Column」下のプルダウンメニューから「Column0」を選択し、右側「New name」に「sepal length」と入力します。

   「Add column」をクリックすると入力欄が追加されるため、同様に「Column1～Column4」をそれぞれ「Column1」→「sepal width」、「Column2」→「petal length」、「Column3」→「petal width」、「Column4」→「class」と登録し、「OK」をクリックして設定ダイアログを閉じます。

   

    

   「Column Renamer」ノードを右クリックし、メニューから「Execute」を選択し処理を実行します。実行完了した「Column Renamer」ノードをクリックし、下部に表示されるテーブルの列名が変更されていることを確認します。

   

3. 統計情報の表示

   実行完了した「Column Renamer」ノードをクリックし、下部の「Statistics」を選択すると、統計情報（最大値、最小値、標準偏差など）が表示されます。

   

4. 色情報の付加

   「Nodes」から「Color Manager」ノードを配置し、「Column Renamer」ノードの出力ポートと接続します。接続すると「Color Manager」ノードの信号マークに警告が表示されます。

   

    

   配置した「Color Manager」ノードをダブルクリックして設定ダイアログを起動します。自動で「class」列の「Iris-setosa」→緑色、「Iris-versicolor」→赤色、「Iris-virginica」→茶色 が設定されています。そのまま「OK」ボタンをクリックしてダイアログを閉じます。

   

    

   「Color Manager」ノードを実行します。処理が完了すると、下部の「Table」に色付きのテーブルが表示されます。

   

5. 散布図マトリックスの作成

   「Nodes」から「Scatter Plot Matrix」ノードを配置し、「Color Manager」ノードの出力ポートと接続します。接続すると「Scatter Prot Matrix」ノードの信号が黄色に変わります。

   

   「Scatter Matrix」ノードをダブルクリックして設定ダイアログを開き、「Includes」に設定されている「petal width」と「class」を「Excudes」に設定し、「Save & execute」をクリックすると、散布図マトリックスが表示されます。右側のメニューで設定を動的に変更することができます。

   

6. 決定木モデルの作成

   「Nodes」から「Partitioning」ノードを配置し、「Column Renamer」ノードの出力ポートと接続します。

   

   「Partitioning」ノードをダブルクリックして設定ダイアログを開き、「Relative[%]」を選択してテキストボックスに「80」を入力し、「OK」ボタンをクリックします。

   

    

   「Partitioning」ノードを実行します。処理が完了したら「Partitioning」ノードをクリックし、下部に「First partition(as defined in dialog)」と「Second partition(remaining rows)」が存在すること、iris.data が「First partition」テーブルに80%のデータ(Rows：120)、「Second partition」テーブルに残りの20%のデータ（Rows：30）が割り振られていることを確認します。

   

   

    

   「Nodes」から「Decision Tree Learner」ノードを配置し、「Partitioning」ノードの出力ポート（上側：First partition）と接続します

   

   「Decision Tree Learner」ノードをダブルクリックして設定ダイアログを開き、「Class column」に「class」列が指定されていることを確認し、「OK」をクリックします。

   

    

   「Decision Tree Learner」ノードを実行します。処理が完了したら「Decision Tree Learner」ノードを右クリックし、メニュー上段の「Open view」を選択または、ノードにマウスフォーカス時に表示される「Open view」ボタンをクリックすると作成した決定木モデルが表示されます。

   

    

   「Nodes」から「Decision Tree Predictor」ノードを配置し、「Decision Tree Predictor」ノードの入力ポート（上側：青四角）と「Decision Tree Learner」ノードの出力ポートを、ノードの入力ポート（下側：黒三角）と「Partitioning」ノードの出力ポート（下側：Second partition）とそれぞれ接続します。

   

    

   「Decision Tree Predictor」ノードを実行します。処理が完了したら「Decision Tree Predictor」ノードをクリックすると、メニュー最下部の「Classified Data」を選択すると予測結果（Prediction 列）を含むテーブルが表示されます。

   

4. 仕上げ

1. 各ノードを選択すると表示される文字列「Add comment」をダブルクリックするとコメントが入力できるので、コメントを入力して完成です。

   

   

5. 機械学習自動化ワークフロー

1. KNIMEではご自身で機械学習アルゴリズムを活用した予測モデルをワークフローとして構築いただくことも可能ですが、弊社にて誰でも簡単に予測モデルを構築するためのワークフローを「機械学習自動化パッケージ」として提供しております。
   こちらから無償でトライアル版ワークフローをお試しいただけますので、ぜひお気軽にお試しください。

   

KINMEトレーニングサービス

弊社エンジニアによるKNIMEのハンズオントレーニングで、KNIMEの利用開始をサポート