Spis treści - Predictive Solutions

Spis treści
Przedmowa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0.1.
0.2.
0.3.
0.4.
XI
Co to jest eksploracja danych? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Dlaczego ta ksiażka
˛
jest potrzebna? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Niebezpieczeństwo! Łatwo jest źle przeprowadzić eksploracj˛e danych . . . . . . . . . . . . .
Podejście typu „biała skrzynka”: Zrozumienie podstawowych struktur algorytmów i modeli
0.4.1. Omówienie działania algorytmów . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0.4.2. Zastosowanie algorytmów do dużego zbioru danych . . . . . . . . . . . . . . . . . .
0.4.3. Ćwiczenia do rozdziałów: Sprawdzenie, aby upewnić si˛e, że rozumiesz . . . . . . .
0.4.4. Ćwiczenia praktyczne: Nauka eksploracji danych poprzez wykonywanie eksploracji danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Eksploracja danych jako proces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Podejście graficzne, podkreślajace
˛ wst˛epna˛ analiz˛e danych . . . . . . . . . . . . . . . . . . .
Jak zorganizowana jest ta ksiażka?
˛
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Odkrywanie wiedzy z danych jako podr˛ecznik . . . . . . . . . . . . . . . . . . . . . . . . . . .
Podzi˛ekowania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
XIII
XIV
XIV
XIV
XV
XV
1. Wprowadzenie do eksploracji danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
0.5.
0.6.
0.7.
0.8.
0.9.
1.1.
1.2.
1.3.
1.4.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
4
4
6
9
10
10
11
12
13
15
16
23
24
2. Wst˛epna obróbka danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.1. Dlaczego należy obrabiać dane? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Czyszczenie danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
27
1.5.
1.6.
1.7.
1.8.
Co to jest eksploracja danych? . . . . . . . . . . . . . . . . . .
Dlaczego eksploracja danych? . . . . . . . . . . . . . . . . . .
Konieczność kierowania eksploracja˛ danych przez człowieka
Cross-Industry Standard Process: CRISP-DM . . . . . . . . .
1.4.1. CRISP-DM: sześć etapów . . . . . . . . . . . . . . . .
Mity o eksploracji danych . . . . . . . . . . . . . . . . . . . . .
Jakie zadania może wykonywać eksploracja danych? . . . . .
1.6.1. Opis . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.2. Szacowanie (estymacja) . . . . . . . . . . . . . . . . .
1.6.3. Przewidywanie (predykcja) . . . . . . . . . . . . . . .
1.6.4. Klasyfikacja . . . . . . . . . . . . . . . . . . . . . . . .
1.6.5. Grupowanie . . . . . . . . . . . . . . . . . . . . . . . .
1.6.6. Odkrywanie reguł . . . . . . . . . . . . . . . . . . . . .
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
XI
XI
XII
XII
XIII
XIII
XIII
VIII
2.3.
2.4.
2.5.
2.6.
Spis treści
.
.
.
.
.
.
.
.
.
29
32
33
35
35
36
38
39
39
3. Eksploracyjna analiza danych (EDA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
2.7.
2.8.
2.9.
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
3.7.
3.8.
3.9.
3.10.
3.11.
3.12.
Obsługa brakujacych
˛
danych . . . . . . . . . . . . . . . .
Identyfikacja bł˛ednych klasyfikacji . . . . . . . . . . . . .
Graficzne metody identyfikacji punktów oddalonych . .
Przekształcanie danych . . . . . . . . . . . . . . . . . . .
2.6.1. Normalizacja min-max . . . . . . . . . . . . . . .
2.6.2. Standaryzacja . . . . . . . . . . . . . . . . . . . .
Metody numeryczne identyfikacji punktów oddalonych
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
91
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5. Algorytm k-najbliższych sasiadów
˛
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
68
69
69
72
73
74
76
79
81
81
83
85
89
89
Metody nadzorowane i nienadzorowane . . .
Metodologia modelowania nadzorowanego .
Kompromis obciażeniowo-wariacyjny
˛
. . . .
Zadanie klasyfikacji . . . . . . . . . . . . . .
Algorytm k-najbliższych sasiadów
˛
. . . . . .
Odległość . . . . . . . . . . . . . . . . . . . .
Funkcja decyzyjna . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
68
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4. Podejścia statystyczne do szacowania i przewidywania . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
dla danego x .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
42
44
45
51
52
60
63
63
65
65
66
Zadania eksploracji danych w Odkrywaniu wiedzy z danych . .
Podejścia statystyczne do szacowania i przewidywania . . . . .
Metody jednowymiarowe: miary środka i rozpi˛etości . . . . . .
Wnioskowanie statystyczne . . . . . . . . . . . . . . . . . . . . .
Jak wiarygodne sa˛ nasze szacowania? . . . . . . . . . . . . . . .
Szacowanie przedziału ufności . . . . . . . . . . . . . . . . . . .
Metody dwuwymiarowe: prosta regresja liniowa . . . . . . . .
Niebezpieczeństwa ekstrapolacji . . . . . . . . . . . . . . . . . .
Przedziały ufności wartości średniej y dla danego x . . . . . .
Przedziały ufności przewidywania losowo wybranej wartości y
Regresja wielokrotna . . . . . . . . . . . . . . . . . . . . . . . . .
Weryfikacja założeń modelu . . . . . . . . . . . . . . . . . . . .
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
4.9.
4.10.
4.11.
4.12.
4.13.
4.14.
Testowanie hipotez a eksploracyjna analiza danych . . . . . . . .
Poznawanie zbioru danych . . . . . . . . . . . . . . . . . . . . . .
Post˛epowanie ze skorelowanymi zmiennymi . . . . . . . . . . . .
Badanie zmiennych jakościowych . . . . . . . . . . . . . . . . . .
Wykorzystanie EDA do odkrycia nieprawidłowych pól . . . . . .
Badanie zmiennych numerycznych . . . . . . . . . . . . . . . . .
Badanie relacji wielowymiarowych . . . . . . . . . . . . . . . . .
Wybieranie interesujacego
˛
podzbioru danych do dalszych badań
Dyskretyzacja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 91
. 92
. 94
. 96
. 97
. 99
. 102
Spis treści
5.8.
5.9.
5.10.
5.11.
5.12.
5.13.
IX
5.7.1. Proste głosowanie . . . . . . . . . . . . . . . . . . . . . . . . .
5.7.2. Głosowanie ważone . . . . . . . . . . . . . . . . . . . . . . . .
Określanie ilościowe istotności atrybutu: rozciaganie
˛
osi . . . . . . .
Uwzgl˛ednianie baz danych . . . . . . . . . . . . . . . . . . . . . . . .
Algorytm k-najbliższych sasiadów
˛
do szacowania i przewidywania
Wybór k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
102
103
104
105
105
106
107
107
6. Drzewa decyzyjne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.1.
6.2.
6.3.
6.4.
6.5.
6.6.
Drzewa klasyfikacyjne i regresyjne . . . . . . . . . . . . . . . . . . . . . . . . . . .
Algorytm C4.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Reguły decyzyjne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Porównanie algorytmów C5.0 i CART zastosowanych do rzeczywistych danych
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
111
118
124
125
129
129
7. Sieci neuronowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.1.
7.2.
7.3.
7.4.
7.5.
7.6.
7.7.
7.8.
7.9.
7.10.
7.11.
7.12.
7.13.
7.14.
7.15.
Kodowanie sygnałów wejściowych oraz wyjściowych
Sieci neuronowe do szacowania i przewidywania . . .
Prosty przykład sieci neuronowej . . . . . . . . . . . .
Sigmoidalna funkcja aktywacji . . . . . . . . . . . . . .
Propagacja wsteczna . . . . . . . . . . . . . . . . . . . .
Reguła najwi˛ekszego spadku . . . . . . . . . . . . . . .
Reguły propagacji wstecznej . . . . . . . . . . . . . . .
Przykład propagacji wstecznej . . . . . . . . . . . . . .
Warunek „stopu” . . . . . . . . . . . . . . . . . . . . . .
Współczynnik korekcji (uczenia) . . . . . . . . . . . . .
Składnik momentu . . . . . . . . . . . . . . . . . . . . .
Analiza czułości . . . . . . . . . . . . . . . . . . . . . . .
Zastosowanie modelowania sieci neuronowej . . . . .
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
132
134
134
137
138
138
140
140
142
143
144
146
146
149
149
8. Grupowanie hierarchiczne i metoda˛ k-średnich . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.1. Zadanie grupowania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2. Metody grupowania hierarchicznego . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.1. Metoda pojedynczego połaczenia
˛
. . . . . . . . . . . . . . . . . . . . . . .
8.2.2. Metoda całkowitego połaczenia
˛
. . . . . . . . . . . . . . . . . . . . . . . .
8.3. Algorytm k-średnich . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.4. Przykład działania algorytmu k-średnich . . . . . . . . . . . . . . . . . . . . . . .
8.5. Zastosowanie algorytmu k-średnich w oprogramowaniu SAS Enterprise Miner
8.5.1. Użycie przynależności do grupy do przewidywania rezygnacji . . . . .
8.6. Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.7. Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
151
153
154
155
157
157
162
165
166
166
9. Sieci Kohonena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.1. Sieci samoorganizujace
˛ si˛e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.2. Sieci Kohonena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
X
Spis treści
9.3.
9.4.
9.5.
9.6.
9.7.
9.8.
Przykład uczenia sieci Kohonena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Sprawdzenie poprawności grup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zastosowanie sieci Kohonena do grupowania . . . . . . . . . . . . . . . . . . . . . . .
9.5.1. Interpretowanie grup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.5.2. Profile grup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Użycie funkcji przynależności do grupy jako wejścia do modeli eksploracji danych
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
171
175
175
177
181
182
183
184
10. Reguły asocjacyjne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
10.1. Analiza podobieństw i koszyka sklepowego . . . . . . . . . . . . . . . . . . . . . . .
10.1.1. Reprezentacja danych do analizy koszyka sklepowego . . . . . . . . . . . .
10.2. Wsparcie, ufność, cz˛este zdarzenia i właściwość A priori . . . . . . . . . . . . . . .
10.3. Jak działa algorytm A priori (cz˛eść 1)? Tworzenie cz˛estych zbiorów zdarzeń . . .
10.4. Jak działa algorytm A priori (cz˛eść 2)? Tworzenie reguł asocjacyjnych . . . . . . .
10.5. Rozszerzenie od zmiennych binarnych do ogólnych danych jakościowych . . . . .
10.6. Podejście teorii informacji: metoda uogólnionej indukcji reguł . . . . . . . . . . . .
10.6.1. J -miara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.6.2. Zastosowanie uogólnionej indukcji reguł . . . . . . . . . . . . . . . . . . . .
10.7. Kiedy nie używać reguł asocjacyjnych . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8. Czy reguły asocjacyjne reprezentuja˛ uczenie nadzorowane, czy nienadzorowane?
10.9. Lokalne wzorce a globalne modele . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.10. Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.11. Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
185
187
187
190
191
194
195
196
197
199
202
203
204
204
11. Techniki ewaluacji modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
11.1.
11.2.
11.3.
11.4.
11.5.
11.6.
11.7.
11.8.
11.9.
11.10.
11.11.
Techniki ewaluacji modelu do zadania opisu . . . . . . . . . . . . . . . . . . . . . . . . . . .
Techniki ewaluacji modelu do zadań szacowania i przewidywania . . . . . . . . . . . . . .
Techniki ewaluacji modelu do zadania klasyfikacji . . . . . . . . . . . . . . . . . . . . . . . .
Współczynnik bł˛edu, fałszywe klasyfikacje pozytywne (FP), fałszywe klasyfikacje negatywne (FN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Dopasowanie kosztu bł˛ednej klasyfikacji w celu odzwierciedlenia rzeczywistych strat . . .
Analiza decyzji koszt/zysk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Wykresy przyrostu i wykresy zysku . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Połaczenie
˛
oceny modelu z modelowaniem . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zbieżność wyników: zastosowanie grupy modeli . . . . . . . . . . . . . . . . . . . . . . . . .
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ćwiczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
207
208
209
210
212
214
215
218
219
220
220
Epilog . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
„Dopiero co zacz˛eliśmy” — Zaproszenie do Data Mining Methods and Models . . . . . . . . . . . 222
Literatura uzupełniajaca
˛
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
Indeks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224