Minería de Datos a Datos Masivos, con Weka sobre Hadoop, Caso

Minería de Datos a Datos Masivos, con Weka sobre Hadoop,
Caso de estudio: Catálogo de Galaxias
Jimenez Joaquín(1), Klenzi Raúl, Malberti Alejandra(2), Georgina Coldwell(3)
(1) Becario de Investigación alumno avanzado CICITCA-UNSJ 2013-2014
Licenciatura en Ciencias de la Computación. Dpto Informática - FCEFyN - Universidad Nacional de San Juan (UNSJ)
(2)Dpto Informática - FCEFyN - Universidad Nacional de San Juan (UNSJ) (3) Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET)
Joaquinjimenez33,rauloscarklenzi,amalberti,georginacoldwell@gmail.com
Dada la creciente necesidad de procesamiento eficiente de grandes volúmenes de datos, no alcanza con utilizar algoritmos secuenciales óptimos, sino que necesariamente se debe
trabajar en paralelo. Es por esto que muchos entornos de software del área del aprendizaje de máquina y minería de datos han desarrollado extensiones para esta problemática. En
particular Weka (Waikato Environment for Knowledge Analysis) ha desarrollado un plugin para ejecutar sobre Hadoop, un conocido Framework que soporta aplicaciones distribuidas bajo
licencia libre, y que puede trabajar con miles de máquinas. El presente artículo muestra el uso de los plugins“distributedWekaBase” y “distributedWekaHadoop”, desarrollados
para la integración de Weka con Hadoop. En particular se trabaja con datos provenientes del campo de la Astronomía, un área que se destaca, entre otras cosas, por generar y
dominar grandes volúmenes de información. Los algoritmos elegidos son el de obtención de la matriz de correlación y el de clasificación basada en árboles J48. Este trabajo se
desarrolla en el marco de una beca de investigación para alumno avanzado dentro del proyecto bianual CICITCA-UNSJ “Extracción de Conocimiento en Datos Masivos”
Herramientas de Software Libre de Minería de Datos y Trabajo en Paralelo
Apache Hadoop es un framework de código libre que soporta aplicaciones distribuidas sobre datos masivos. Este Framework puede ser configurado para
trabajar con miles de máquinas y petabytes de información. Una importante característica de Hadoop es la división de los datos y de la computación entre
muchos nodos, y de esta forma puede correr procesos paralelos en las que cada host trabaja con su porción de los datos.
Weka es una herramienta de código abierto que contiene una colección de algoritmos de aprendizaje de máquina implementados en Java. Weka desarrolló 2
plugins para integrarse con Hadoop. distributedWekaBase y distributedWekaHadoop.
J48 es una implementación del algoritmo
C4.5. Este aplica el concepto de entropía
de información y construye árboles de
decisión desde datos de entrenamiento.
Estos datos de son un grupo de ejemplos
ya clasificados, en los que cada ejemplo
es un vector de atributos o características.
Además hay un atributo especial C,
llamado atributo de clase, que representa
al tipo o familia a la que pertenece el
ejemplo.
Matriz de correlación
Árbol de clasificación J48
Una matriz de correlación, es
una tabla de doble entrada que
muestra la misma lista multivariable horizontal y verticalmente. Cada entrada contiene
el correspondiente coeficiente
de correlación, llamado r, o la
relación entre cada pareja de
variables, expresada por medio
de un número entre 0 y 1. El
modelo mide la interdependencia en relaciones asociadas
entre cada pareja de variables.
Bibliografía recomendada
Gráficas resumen de las tareas de mapeo y
reducción J48
Resumen de las tareas de mapeo y
reducción Matriz de correlación
Detalles de ejecución de matriz de
correlación
Si se es cuidadoso con la configuración de las opciones de trabajo del plugin, se pueden obtener resultados
satisfactorios aprovechando las bondades de Hadoop. Sin embargo, al haberse ejecutado las pruebas en un
cluster trivial, no se puede sacar provecho plenamente de las capacidades de esta herramienta, ya que el
paralelismo está limitado solo a los múltiples cores que pueda tener la CPU en cuestión, y no hay un verdadero procesamiento distribuido. Es de esperar una mejora en los tiempos de ejecución al trabajar sobre
un cluster completo.
Se propone como trabajo a futuro ejecutar Hadoop sobre un cluster multinodo, presentando los cambios
necesarios en la configuración del plugin de Weka.