Data Mining for the Masses

 
Data Mining for the Masses 
40 
 
Figure 3-18.  Setting data types, roles and import attributes. 
 
14)
 
The final step is to choose a repository to store the data set in, and to give the data set a 
name  within  RapidMiner.    In  Figure  3-19,  we  have  chosen  to  store  the  data  set  in  the 
RapidMiner Book repository, and given it the name Chapter3.  Once we click Finish, this 
data set will become available to us for any type of data mining process we would like to 
build upon it. 
 
Figure 3-19.  Selecting the repository and setting a data set name  
for our imported CSV file. 
 

---

Chapter 3: Data Preparation 
41 
15)
 
We can now see that the data set is available for use in RapidMiner.  To begin using it in a 
RapidMiner data mining process, simply drag the data set and drop it in the Main Process 
window, as has been done in Figure 3-20. 
 
Figure 3-20.  Adding a data set to a process in RapidMiner. 
 
16)
 
Each rectangle in a process in RapidMiner is an operator.  The Retrieve operator simply 
gets  a  data  set and  makes  it  available  for  use.    The  small  half-circles  on  the  sides  of  the 
operator, and of the Main Process window, are called ports.  In Figure 3-20, an output (out) 
port from our data set’s Retrieve operator is connected to a result set (res) port via a spline.  
The  splines,  combined  with  the  operators  connected  by  them,  constitute  a  data  mining 
stream.    To  run  a  data mining  stream  and  see  the  results,  click  the  blue,  triangular  Play 
button in the toolbar at the top of the RapidMiner window.  This will change your view 
from  Design  Perspective,  which  is  the  view  pictured  in  Figure  3-20  where  you  can 
change  your  data  mining  stream,  to  Results  Perspective,  which  shows  your  stream’s 
results, as pictured in Figure 3-21.  When you hit the Play button, you may be prompted to 
save your process, and you are encouraged to do so.  RapidMiner may also ask you if you 
wish to overwrite a saved process each time it is run, and you can select your preference on 
this prompt as well. 

---

 
Data Mining for the Masses 
42 
 
Figure 3-21.  Results perspective for the Chapter3 data set. 
 
17)
 
You can toggle between design and results perspectives using the two icons indicated by 
the black arrows in Figure 3-21.  As you can see, there is a rich set of information in results 
perspective.  In the meta data view, basic descriptive statistics are given.  It is here that we 
can  also  get  a  sense  for  the  number  of  observations  that  have  missing  values  in  each 
attribute of the data set.  The columns in meta data view can be stretched to make their 
contents  more  readable.    This  is  accomplished  by  hovering  your  mouse  over  the  faint 
vertical gray bars between each column, then clicking and dragging to make them wider.  
The  information  presented  here  can  be  very  helpful  in  deciding  where  missing  data  are 
located, and  what  to  do about  it.    Take  for  example  the  Online_Gaming  attribute.    The 
results  perspective  shows  us  that  we  have  six  ‘N’  responses  in  that  attribute,  two  ‘Y’ 
responses,  and  three  missing.    We  could  use  the  mode,  or  most  common  response  to 
replace  the  missing  values.    This  of  course  assumes  that  the  most  common  response  is 
accurate for all observations, and this may not be accurate.  As data miners, we must be 
responsible for thinking about each change we make in our data, and whether or not  we 
threaten  the  integrity  of  our  data  by  making  that  change.    In  some  instances  the 
consequences  could  be  drastic.    Consider,  for  instance,  if  the  mode  for  an  attribute  of 
Felony_Conviction  were ‘Y’.   Would  we  really  want  to  convert  all  missing values  in  this 
attribute  to  ‘Y’  simply  because  that  is  the  mode  in  our  data  set?    Probably  not;  the 

---

Chapter 3: Data Preparation 
43 
implications about the persons represented in each observation of our data set would be 
unfair  and  misrepresentative.    Thus,  we  will  change  the  missing  values  in  the  current 
example to illustrate how to handle missing values in RapidMiner, recognizing that what we 
are about to do won’t always be the right way to handle missing data.  In order to have 
RapidMiner  handle  the  change  from  missing  to  ‘N’  for  the  three  observations  in  our 
Online_Gaming variable, click the design perspective icon. 
 
Figure 3-22.  Finding an operator to handle missing values. 
 
18)
 
In order to find a tool in the Operators area, you can navigate through the folder tree in 
the lower left hand corner.  RapidMiner offers many tools, and sometimes, finding the one 
you want can be tricky.  There is a handy search box, indicated by the black arrow in Figure 
3-22, that allows you to type in key words to find tools that might do what you need.  Type 
the word ‘missing’ into this box, and you will see that RapidMiner automatically searches 
for tools with this word in their name.  We want to replace missing values, and we can see 
that within the Data Transformation tool area, inside a sub-area called Value Modification, 
there is an operator called Replace Missing Values.  Let’s add this operator to our stream.  
Click and hold on the operator name, and drag it up to your spline.  When you point your 
mouse cursor on the spline, the spline will turn slightly bold, indicating that when you let 
go of your mouse button, the operator will be connected into the stream.  If you let go and 
the Replace Missing Values operator fails to connect into your stream, you can reconfigure 

---