MOA学习-MOA的实际操作篇

1 入门

1.1 启动

（1）切换到根目录下的lib目录

（2）执行启动命令

java -cp moa.jar -javaagent:sizeofag-1.0.4.jar moa.gui.GUI

1.2 简单例子

比较两种分类器：朴素贝叶斯分类器和决策树。命令如下：

EvaluatePrequential -l bayes.NaiveBayes -i 1000000 -f 1000
EvaluatePrequential -l trees.HoeffdingTree -i 1000000 -f 1000

执行结果如下：

注：右下角红色代表当前选中的任务，蓝色是之前选中的。

2 分类模型的图形用户界面

2.1 练习1：比较两个分类器准确率

// 代码
EvaluateInterleavedTestThenTrain -l bayes.NaiveBayes -i 1000000 -f 10000
EvaluateInterleavedTestThenTrain -l trees.HoeffdingTree -i 1000000 -f 10000

参数解释：

• EvaluateInterleavedTestThenTrain：使用交错式“测试-训练”评估法
• -l：代表使用的分类器
• -i：生成的样本总个数
• -f：采样频率，这里代表每处理1万个赝本输出一次模型的评估值

注：这里默认的数据流生成器为 RandomTreeGenerator。执行结果如下：

2.2 练习2 不同的评估方法

• 周期性地保留1000个样本用做测试

EvaluatePeriodicHeldOutTest -l trees.HoeffdingTree -n 1000 -i 1000000 -f 10000

• 交错式“测试-训练”评估法

EvaluateInterleavedTestThenTrain -l trees.HoeffdingTree -i 1000000 -f 10000

• 结合1000个样本的滑动窗口的先序评估法

EvaluatePrequential -l trees.HoeffdingTree -i 1000000 -f 10000

执行结果如下：

漂移数据库生成器：

ConceptDriftStream 
 -s (generators.AgrawalGenerator -f 7) 
 -d (generators.AgrawalGenerator -f 2)
 -p 900000 -w 1000000

其中 ConceptDriftStream（概念漂移数据流生成器）的参数有：

• -s：起始的数据流生成器
• -d：漂移或变化之后的数据流生成器
• -p：变化发生的中间位置
• -w：变化发生的时长

2.3 练习3 设置具有变化速度的数据流

EvaluateInterleavedTestThenTrain -l bayes.NaiveBayes -s (generators.RandomRBFGeneratorDrift -s 0.001) -i 1000000 -f 10000
EvaluateInterleavedTestThenTrain -l trees.HoeffdingTree -s (generators.RandomRBFGeneratorDrift -s 0.001) -i 1000000 -f 10000

其中 EvaluateInterleavedTestThenTrain 的参数有：

• -s：指定流生成器
  其中 RandomRBFGeneratorDrift（RBF生成器，即 radial basic function generator，径向基函数生成器）的参数有：
• -s：变化速度

结果如下：

2.4 练习4 针对上例的数据流，比较三种不同的分类器

• 具有多数类叶子节点的 Hoeffding 树

EvaluateInterleavedTestThenTrain -l (trees.HoeffdingTree -l MC) -s (generators.RandomRBFGeneratorDrift -s 0.001) -i 1000000 -f 10000

其中，HoeffdingTree 参数 -l MC：代表多数类叶子节点

• Hoeffding 自适应决策树算法

EvaluateInterleavedTestThenTrain -l trees.HoeffdingAdaptiveTree -s (generators.RandomRBFGeneratorDrift -s 0.001) -i 1000000 -f 10000

• 基于10个Hoeffding决策树的ADwin装袋算法（OzaBagAdwin）

EvaluateInterleavedTestThenTrain -l meta.OzaBagAdwin -s (generators.RandomRBFGeneratorDrift -s 0.001) -i 1000000 -f 10000

执行结果如下：

3 用命令行操作

3.1 简易方法

复制图形界面中Configure配置栏的文字。

举例：假设需要运行的任务是：
EvaluatePrequential -l trees.HoeffdingTree -i 1000000 -f 10000

则可以直接写：
java -cp moa.jar -javaagent:sizeofag-1.0.4.jar moa.DoTask “EvaluatePrequential -l trees.HoeffdingTree -i 1000000 -f 10000”

3.2 例子1

第一个任务是 LearnModel（学习模型）。-l 参数指定学习模型，在这里是 HoeffdingTree类。-s参数指定需要从中学习的数据流，这里是generators.WaveformGenerator，这个数据流生成器产生了一个3类学习问题，即需要识别3种类型的波形。-m 可选参数指定了最多能用来训练的样本数量，这里100万个样本。-O 可选参数指定了模型最终导出的文件。

java -cp moa.jar -javaagent:sizeofag-1.0.4.jar moa.DoTask LearnModel -l trees.HoeffdingTree -s generators.WaveformGenerator -m 1000000 -O model1.moa

3.3 例子2

把模型在一个不同的随机种子生成的样本上运行，然后评估其准确率。EvaluateModel 任务的参数加载上一步生成的模型，用2号随机种子生成一个新的波，然后在100万个数据样本上测试。

java -cp moa.jar -javaagent:sizeofag-1.0.4.jar moa.DoTask “EvaluateModel -m file:model1.moa -s (generators.WaveformGenerator -i 2) -i 1000000”

3.4 例子3

将例子1和例子2合并，避免产生一个额外的文件。

java -cp moa.jar -javaagent:sizeofag-1.0.4.jar moa.DoTask “EvaluateModel -m (LearnModel -l trees.HoeffdingTree -s generators.WaveformGenerator -m 1000000) -s (generators.WaveformGenerator -i 2) -i 1000000”

3.5 例子4

EvaluatePeriodicHeldOutTest 任务在训练模型的过程中一直周期性地使用保留测试模型性能，并保存结果快照。使用 WaveformGenerator 产生的数据来训练 HoeffdingTree 分类器，把最初的10万个样本用于测试，把1000万个样本用于训练，并且每处理100万个样本进行一次测试，最后导出结果到一个csv文件。

java -cp moa.jar -javaagent:sizeofag-1.0.4.jar moa.DoTask “EvaluatePeriodicHeldOutTest -l trees.HoeffdingTree -s generators.WaveformGenerator -n 100000 -i 10000000 -f 1000000” > dsresult.csv