RapidMiner

Нужно выполнить два кейса (кейс 1 - вопрос 5, кейс 2 - вопрос 5) , нужны только ответы (тест) само решение не надо предоставлять .

Кейс 1:   Задание 1. а. В датасете raw_point_part отделить данные, связанные с id_sign с номером 31. б. Загрузить этот датасет с id_sign с номером 31 в данный процесс. в. Отобрать колонку Pressure по регулярному выражению, rate выставить равным 0.005. г. Выбрать в параметрах FFT такой параметр, как амплитуду. После выполнения процесса в результатах просмотреть статистики данной статистики. Записать среднее значение амплитуды.

Задание 2. Запишите отбор для оператора FFT по регулярному выражению, которое оставит колонки X, Y,Z, а также оставьте подсчет частоты, амплитуд и фаз. Заново запустите процесс. Запишите количество столбцов, получившееся после FFT в таблице с результатами преобразования, включая столбец с нумерацией строк.

Задание 3. Запишите средние значения производной X и Y. 

Задание 4. Реализовать подсчет второй производной, сохранив при этом подсчет первой производной. Запомнить среднее значение Pressure_2_diff и Azimuth_2_diff. 

Задание 5. Рассчитать FFT от производных, заменив пропуски на 0. Соединить датасеты в 1. Запомнить количество колонок (атрибутов) у итогового датасета 

Кейс 2: Задания для практики Задание 1. Сохраните для нейронной сети, предоставляющей предсказание идентификатора пользователя, следующие метрики производительности: 1 Корень из среднего квадрата ошибок - root_mean_squared_error 2 Квадрат ошибок - squared_error 3 Абсолютное значение ошибки - absolute_error Задание 2. Обучите классификатор, перейдите на вкладку Performance и сохраните \ следующие метрики производительности: 1 Точность (accuracy); 2 Ошибки классификации (Classification Error) Задание 3. Обучите по классификатору на основе каждой из представленных моделей и для каждого обученного классификатора сохраните значение точности (Accuracy) (представлено также на вкладке Performance). На основе данного значения выберите лучшую модель. Задание 4 Запустите обучение прототипа предсказательной модели на датасете part_sign_dump. Сохраните для полученной сети следующие метрики производительности 1 Корень из среднего квадрата ошибок - root_mean_squared_error 2 Квадрат ошибок - squared_error Задание 5 Запустите обучение прототипа модели-классификатора на датасете part_sign_dump. Сохраните для полученной сети следующие полученное 12 значение точности.

Примечание: более подробная информация в файле прикрепленном ("схема решения")