本節內容將通過圖形界面。使用MOA來學習幾種分類器模型，並以不同方式對其進行評估。初始MOA GUI窗口下圖所示。
1 練習1
點擊 Configure 設置一個任務。可以通過最上方的下拉菜單改變任務類型，我們這裏是 LearnModel 。
可以看見其默認的 learner 學習模型是 NaiveBayes ，可以點擊 Edit ，從頂部的下拉菜單中選擇不同的學習模型，但是現在保留 NaiveBayes 。
再往下，是 stream 數據流，默認是RandomTreeGenerator，用對應的 Edit 改成 WaveformGenerator 數據流，從波形的集合中產生實例。將實例的數量從10 000 000改成1 000 000。最後指定 taskResultFile ，例如 modelNB.moa ，MOA模型會把模型輸出到該文件。
現在點擊 OK ，然後點擊 Run 啓動這項任務。中間面板會顯示文字輸出，這個任務中每過10 000輸出一次。剛剛運行的任務是：
LearnModel -l bayes.NaiveBayes
-s generators.WaveformGenerator
-m 1000000 -O modelDB.moa
提示：如果你快速連續點擊Run兩次，就會生成同時運行的任務。
點擊 Configure ，把學習模型改成 Hoeffding 樹，並且輸出到文件 modelHT.moa：
LearnModel -l trees.HoeffdingTree
-s generators.WaveformGenerator
-m 1000000 -O modelHT.moa
然後運行，現在有兩個模型存儲在磁盤，即 modelNB.moa 和 modelHT.moa。
接下來用 WaveformGenerator 生成1 000 000個新實例來評估樸素貝葉斯模型，可以通過以下任務命令完成：
EvaluateModel -m file:modelDB.moa
-s (generators.WaveformGenerator -i 2) -i 1000000
-i 2 給波形生成器設置了一個不同的隨機種子。在 Configure 面板中設置其他參數，在頂部，吧任務設置成 EvaluateModel ，然後把數據流模型配置成 WaveformGenerator ，以及把 instanceRandomSeed 設置成2，但令人遺憾的是暫時無法從文件中讀取模型。
問題還是可以解決的。先點擊 確定 返回到MOA主頁面，點擊右鍵選擇 Copy configuration to clipborad ，編輯內容繼續寫下 -m file:modelDB.moa ，然後選擇 Enter configuration 並把剪切板的內容粘貼到新的配置中，然後執行。
再將 file:modelHT.moa替換，同樣地方法再次運行。
很明顯看到：
NaiveBayes模型正確分類的比例是80.4%左右Hoeffding樹模型的正確分類的比例是84.4%左右- 根據Kappa統計，
Hoeffding的性能更好
2 練習2
在MOA中可以嵌套命令行，比如，LearnModel 和 EvaluateModel 的步驟可以合併爲一行，避免額外產生一個文件。但是隻能編輯 Configure 命令行。
EvaluateModel -m (LearnModel -l meta.OzaBag
-s generators.WaveformGenerator -m 1000000)
-s (generators.WaveformGenerator -i 2) -i 1000000
通過複製該命令，點擊右鍵選擇 Enter configuration ，將其粘貼爲 Configure 文本。
OzaBag 的正確率是 85.8%左右。
3 練習3
EvaluatePeriodicHeldOutTest -l trees.HoeffdingTree
-s generators.WaveformGenerator
-n 100000 -i 10000000 -f 1000000
其中，EvaluatePeriodicHeldOutTest 任務訓練模型時，在一個保留測試集上週期性地截取性能快照。上面命令是在 WaveformGenerator 的 10 000 000 個樣本上，訓練 HoeffdingTree 分類器。首先保留前 100 000 個樣本作爲測試集；之後每 1 000 000個樣本在保留集上進行一次測試。
最終的準確率是 84.9% ，最終的Kappa統計是77.35%
4 練習4
先序評估法首先在任一實例上評估，然後用作訓練。這裏是一個 EvaluatePrequential 任務，在 WaveformGenerator 的 1 000 000 個樣本上訓練一個 HoeffdingTree 分類器，之後每 10 000 個樣本創建一個 100 行的csv文件：
EvaluatePrequential -l trees.HoeffdingTree
-s generators.WaveformGenerator
-i 1000000 -f 10000
EvaluatePrequential -l bayes.NaiveBayes
-s generators.WaveformGenerator
-i 1000000 -f 10000
選擇 HoeffdingTree 學習曲線，顯示爲紅色：
- 可以看到
Hoeffding樹的性能在前面會低於樸素貝葉斯，並不是一直領先。 Hoeffding樹的最終Kappa統計是 75.89%。- 樸素貝葉斯的最終Kappa統計是 70.45%。
5 練習5
默認情況下，先序評估法顯示具有1000個實例的滑動窗口的性能，從而創建了一個跳躍的鋸齒狀的學習曲線。在 Configure 面板中的評估器：你可以看到使用的是 WindowClassificationPerformanceEvaluator，窗口大小爲1000。作爲替代，選擇 BasicClassificationPerformanceEvaluator，從數據流的第一樣本開始，使用每一個樣本進行評估：
EvaluatePrequential -l trees.HoeffdingTree
-s generators.WaveformGenerator
-e BasicClassificationPerformanceEvaluator
-i 1000000 -f 10000
EvaluatePrequential -l bayes.NaiveBayes
-s generators.WaveformGenerator
-e BasicClassificationPerformanceEvaluator
-i 1000000 -f 10000
可以看到這項任務肯定能夠保證產生一個平滑曲線，因爲隨着時間發展，單個樣本對於整體平均的作用越來越不顯著。
- 同樣地，
Hoeffding樹的性能在前面會低於樸素貝葉斯，並不是一直領先。 Hoeffding樹的最終Kappa統計是 74.50%。- 樸素貝葉斯的最終Kappa統計是 70.72%。