NDBI023 Dobývání znalostí

Poznámky

• Poznámky.pdf

• Poznámky.rar

Zkoušky

Zdroje k předmětu

• Wikipedia:Datamining

• Statistics Tutorials

• How to choose a statistical test

• Statistical Data Mining Tutorials

• Data mining in Matlab

Požadavky 12/13

• výsledná známka = 40% body ze zkoušky, 20% body z dvou písemek, 40% body z úkolů ze cvičení a projektu (včetně bodů ze cvičení, všechny úkoly jsou povinné)

• vypracovat projekt

• celkem je potreba splnit aspon 56%

• terminy v září budou jeden až dva

Fisherův test

• http://en.wikipedia.org/wiki/Fisher%27s_exact_test#Example - odvození, příklad jednostranného

• http://oldweb.izip.cz/ds3/hypertext/JZAAA.htm - příklad česky

• http://www.quantpsy.org/fisher/fisher.htm - hezké vysvětlení jednostranných a oboustranných testů, kalkulačka

• http://graphpad.com/quickcalcs/contingency2/ - ještě jedna kalkulačka pro kontrolu :)

• http://www.stahroun.me.cz/interstat/kategorialni/asociace/fisher/index.htm - spousta zdrojů

chi-kvadrát test

• http://mathhelpforum.com/advanced-statistics/44800-two-tailed-chi-squared-tests.html - trošku světla na oboustranné testy

• http://stats.stackexchange.com/questions/22347/chi-squared-always-a-one-sided-test - a jeste jednou oboustranné testy

• http://itl.nist.gov/div898/handbook/eda/section3/eda3674.htm - tabulky

Příklady ze cvičení

Algoritmus TDIDT/ID3

• http://ksvi.mff.cuni.cz/~mraz/datamining/Cvicenie_DT.pdf

Zvol jeden atribut jako kořen podstromu

Kořen

Vitamín

• B (2+, 3-)

$-\frac{n_+(Vit(B))}{n(Vit(B))}.log_2\frac {n_+(Vit(B))}{n(Vit(B))} - \frac{n_-(Vit(B))}{n(Vit(B))}.log_2\frac {n_-(Vit(B))}{n(Vit(B))} = - \frac{2}{5}.log_2\frac {2}{5} - \frac{3}{5}.log_2\frac {3}{5} = 0.97$

• C (4+, 0-)

$\dots = 0.0$ (z "definície"...)

• D (3+, 2-)

$\dots = 0.97$

Entropia: $H(Vit) = \frac{0.971*5 + 0*4 + 0.971*5}{14} = 0.6936$ (vážený priemer)

Velikost rodiny

• veľká (2+, 2-)

$-\frac{n_+(Rodina(velka))}{m(Rodina(velka))}.log_2\frac {n_+(Rodina(velka))}{n(Rodina(velka))} - \frac{n_-(Rodina(velka))}{n(Rodina(velka))}.log_2\frac {n_-(Rodina(velka))}{n(Rodina(velka))} = 1$

• stredná (4+, 2-)

$\dots = 0.9183$

• malá (3+, 1-)

$\dots = 0.8113$

Entropia: $H(Rodina)=0.9111$

Cvičil

• pravidelně (3+, 4-)

$\dots = - \frac{3}{7}.log_2\frac {3}{7} - \frac{4}{7}.log_2\frac {4}{7} = 0.985$

• málo (6+, 1-)

$\dots = - \frac{6}{7}.log_2\frac {6}{7} - \frac{1}{7}.log_2\frac {1}{7} = 0.592$

Entropia: $H(Cvicil) = \frac{0.985*7 + 0.592*7}{14} = 0.7885$

Bypass

Entropia: $H(Bypass)=0.8922$

... budeme teda pokračovať podľa atribútu Vitamín (najmenšia entropia).

Množinu rozdelíme na 3 skupiny (B,C,D). C-čko všetci prežili, máme dve skupiny pre Bcomplex a D - spočítame znovu strednú entropiu (aby sme vedeli, podľa čoho ďalej štiepiť).

B

vyberieme riadky s Bcomplex a robíme to isté :)

Velikost rodiny

• veľká (0, 2-)

$\dots = 0$ (z "definice"...)

• stredná (1+, 1-)

$\dots = 1$

• malá (1+, 0)

$\dots = 0$ (z "definice"...)

Entropia: $H(Rodina) = \frac{0*2 + 1*2 + 0*1}{5} = 0.4$

Cvicil

$H(Cvicil)=0$

Bypass

$H(Bypass)=0.9183$

C

...je jasné, tam nik nezomrel... :)

D

$H(Rodina)=0.9183$ $H(Cvicil)=0.9183$

$H(Bypass)=0$

...ďalej sa teda bude štiepiť v Bčku podľa "Cvicil" a v Dčku podľa "Bypass"

Vitamin / | \ B/ C| \D Cviceni + Bypassprav./ m.| a| n\ - + - +

Perceptron

• uloha: naucit perceptron rozoznavat body v 2D na 2 skupiny...

• popis perceptronu v matlabe: $p=\begin{bmatrix} w_1 & w_2 & prah \end{bmatrix}$

• vyhodnoti sa potom... $x=\begin{bmatrix} x_1 & x_2 \end{bmatrix}$ => $perc_{recall} = w_1*x_1 + w_2*x_2 + prah*1$

• ...rozsireny vstupny vektor $x_1'=\begin{bmatrix} x_1 & x_2 & 1 \end{bmatrix}$

• $vystup=hardlim1(p*x_1')$ (hardlim1(<=0)=0; hardlim1(>0)=1)

• inicializacia : $p=\begin{bmatrix} 1 & 1 & 1 \end{bmatrix}$

• vstup: $A=\left[ \begin{matrix} 1 & 1 & 2 & 3 \\ 1 & 3 & 2 & 1 \end{matrix} \right]$

• vystup (chceme): $c = \begin{bmatrix} 1 & 1 & 0 & 0 \end{bmatrix}$

• uciaca konstanta $a=0.2$

• ucenie prebieha takto:

• vezme sa vzor, ak sedi, nic nerobime

• ak najdeme chybu - pricitame/odcitame (pozadovany-skutocny vystup - napr. v priklade $y=hardlim1(p*AA); dif=c(3)-y(3)$) dany vektor k vaham... $(c(3)-y(3))*AA(:,3)$

• dostavam novy perceptron $p1=p+a*((c(3)-y(3))*AA(:,3))'$

• $y1=hardlim1(p1*AA) = \begin{bmatrix} 1 & 1 & 1 & 1 \end{bmatrix}$

• to je zla matica (ma byt samozrejme $\begin{bmatrix} 1 & 1 & 0 & 0 \end{bmatrix}$)- znovu zopakujeme postup...

• $p1=\begin{bmatrix} 0.6 & 0.6 & -0.2 \end{bmatrix} => y1=\begin{bmatrix} 1 & 1 & 1 & 1 \end{bmatrix}$

• $p2=\begin{bmatrix} 0 & 0.4 & -0.4 \end{bmatrix} => y2=\begin{bmatrix} 0 & 1 & 1 & 0 \end{bmatrix}$

teraz budeme skusat prvy vektor (ktory je nespravny)

• $p3=\begin{bmatrix} 0.2 & 0.6 & -0.2 \end{bmatrix} => y2=\begin{bmatrix} 1 & 1 & 1 & 1 \end{bmatrix}$

• ... N iteracii (N=?)