1) Εισαγωγικοί Ορισμοί
1.1) Κατευθυνόνομενο Γράφημα
1.2) Μονοπάτια
1.3) Κύκλοι
1.4) Έσω και Έξω Βαθμός Κορυφής
1.5) Απομονωμένη Κορυφή
1.6) Πλήρες Γράφημα
2) Η Γλώσσα των Κατευθυνόμενων Γραφημάτων
2.1) Η Γλώσσα των Κατευθυνόμενων Γραφημάτων
2.2) Ερμηνείες στην Γλώσσα των Κατευθυνόμενων Γραφημάτων
3) Ασκήσεις στην Γλώσσα των Κατευθυνόμενων Γραφημάτων
3.1) Μετάφραση στα Ελληνικά
3.2) Μετάφραση στα Κατηγορηματικά
3.3) Εύρεση Αλήθειας Προτάσεων
3.4) Εύρεση Ερμηνείας που ικανοποιεί δεδομένη πρόταση
3.5) Συντομογραφίες στην Γλώσσα των Κατευθυνόμενων Γραφημάτων
Ασκήσεις
1) Εισαγωγικοί Ορισμοί
1.1) Κατευθυνόνομενο Γράφημα
1.2) Μονοπάτια
1.3) Κύκλοι
1.4) Έσω και Έξω Βαθμός Κορυφής
1.5) Απομονωμένη Κορυφή
1.6) Πλήρες Γράφημα
2) Η Γλώσσα των Κατευθυνόμενων Γραφημάτων
2.1) Η Γλώσσα των Κατευθυνόμενων Γραφημάτων
2.2) Ερμηνείες στην Γλώσσα των Κατευθυνόμενων Γραφημάτων
3) Ασκήσεις στην Γλώσσα των Κατευθυνόμενων Γραφημάτων
3.1) Μετάφραση στα Ελληνικά
3.2) Μετάφραση στα Κατηγορηματικά
3.3) Εύρεση Αλήθειας Προτάσεων
3.4) Εύρεση Ερμηνείας που ικανοποιεί δεδομένη πρόταση
3.5) Συντομογραφίες στην Γλώσσα των Κατευθυνόμενων Γραφημάτων
Ασκήσεις
2. 2
2
Приклад з прямою почтовою розсилкою про
благодійність
Ціль аналізу:
Організація ветеранів прагне
продовжувати отримувати пожертви від
колишніх благодійників. Використовуйте
відгук благодійників під час попередньої
кампанії, щоб спрогнозувати майбутній
відгук благодійників.
План аналізу:
• Задати дані для моделювання.
• Побудувати і порівняти прогнозні моделі.
3. 3
3
Скорингові дані для прогнозної моделі
Відомі тільки вхідні значення
?
?
?
?
?
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
Навчальний набір даних
Скоринговий набір даних
Чисельні, номінальні чи бінарні
значення
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
цільова
цільова
цільова
цільова
цільова
19. 22
22
Важливі елементи прогнозних моделей
Спрогнозувати нові спостереження.
Обрати важливі вхідні змінні.
Оптимізувати складність.
нові
спост.
x1 x2 x3 x4
20. 23
23
Важливі елементи прогнозних моделей
Спрогнозувати нові спостереження.
Обрати важливі вхідні змінні.
Оптимізувати складність.
нов.
спост.
x1 x2 x3 x4
22. 25
25
Прогнози-рішення
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
Навчальний набір даних Рішення
Модель використовує
вхідні вимірювання
для прийняття
найкращого рішення
для кожного
спостереження.
основне
вторинне
третинне
основне
вторинне
цільова
цільова
цільова
цільова
цільова
25. 28
28
Важливі елементи моделі – обзор
прогнозування
Спрогнозувати нові
спостереження.
Обрати важливі вхідні змінні.
Оптимізувати складність.
нов.
набл.
Вирішити,
ранжувати,
оцінити
x1 x2 x3 x4
26. 29
29
Важливі елементи моделі – огляд вибору
Спрогнозувати нові спостереження.
Обрати важливі вхідні змінні.
Оптимізувати складність.
x1 x2 x3 x4
нов.
набл.
29. 32
32
Важливі елементи моделі – обзор вибору
Спрогнозувати нові
спостереження.
Обрати важливі вхідні
змінні.
Оптимізувати складність.
x1 x2 x3 x4
нов.
набл.
Видалити
надлишковість,
недоречність
Вирішити,
ранжувати,
оцінити
30. 33
33
Важливі елементи моделі – оптимізація
Спрогнозувати нові спостереження.
Обрати важливі вхідні змінні.
Оптимізувати складність.
нов.
набл.
x1 x2 x3 x4
34. 37
37
Роль навчальних даних
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
Навчальні дані
Перевірочні дані
Навчальні дані дають
последпослідовність
прогнозних моделей
зі складністю, що зростає.
цільова
цільова
цільова
цільова
цільова
цільова
цільова
цільова
цільова
цільова
35. 38
38
Роль перевірочних даних
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
спост. 1: входи
спост. 2: входи
спост. 3: входи
спост. 4: входи
спост. 5: входи
Навчальні дані
Перевірочні дані
цільова
цільова
цільова
цільова
цільова
Перевірочні дані
допомогають обрати
найкращу модель із
послідовності
цільова
цільова
цільова
цільова
цільова
...
36. 39
39
Важливі елементи моделі - оптимізація
Спрогнозувати нові
спостереження.
Обрати важливі
вхідні змінні.
Оптимізувати
складність.
нов.
набл.
x1 x2 x3 x4
Видалити
надлишковість,
недоречність
Вирішити,
ранжувати,
оцінити
Налаштувати моделі
за допомогою
перевірочних даних
41. 44
44
Важливі елементи моделі – дерева рішень
Спрогнозувати нові
спостереження.
Обрати важливі вхідні
змінні.
Оптимізувати
складність.
x1 x2 x3 x4
нов.
набл.
Правила
прогнозування
Пошук
розгалужень
Скорочення
42. 45
45
Демонстрація простого прогнозу
Ціль аналізу:
Спрогнозувати
колір точки на
основі її положення
на діаграмі
розсіювання.
0.0 0.5
0.1 0.2 0.3 0.4 0.6 0.7 0.8 0.9 1.0
0.0
0.5
0.1
0.2
0.3
0.4
0.6
0.7
0.8
0.9
1.0
x1
x2
43. 46
46
Важливі елементи моделі – дерева рішень
Спрогнозувати нові
спостереження.
Обрати важливі
вхідні змінні.
Оптимізувати
складність.
нов.
набл.
Правила
прогнозування
Пошук розгалужень
Скорочення
x1 x2 x3 x4
47. 50
50
Важливі елементи моделі– дерева рішень
Спрогнозувати нові
спостереження.
Обрати важливі
вхідні змінні.
Оптимізувати
складність.
x1 x2 x3 x4
нов.
набл.
Правила
прогнозування
Пошук
розгалужень
Скорочення
76. 79
79
Важливі елементи моделі – дерева рішень
Спрогнозувати нові
спостереження.
Обрати важливі
вхідні змінні.
Оптимізувати
складність.
Правила
прогнозування
Пошук розгалужень
Скорочення
нов.
набл.
x1 x2 x3 x4
92. 95
95
Налаштування за замовчуванням
автономного дерева рішень
Максимальна кількість
гілок
Значення для критерію
розподілу
Опції зупинки
Метод скорочення
Метод заповнення
Пропущених значень
…
?
Logworth
Середній прибуток
Кращий лист
Пороговий logworth
Налаштування глибини
Макс. глибина, мін. розмір листа
2
...
93. 96
96
Різновиди дерев: множинні розгалуження
Замінюють висоту на
ширину
Ускладнюють пошук
розгалужень
Використовують
евристичні швидкі
методи
94. 97
97
Різновиди дерев: значення для критерію
розгалуження
Призводять до тих же
розгалужень
Вирощують
величезні дерева
Підходять для багаторівневих
вхідних змінних
95. 98
98
Різновиди дерев: значення для критерію розгалуження
Корегування значення logworth
Критерій
розгалуження:
Chi-sq logworth
Entropy
Gini
Variance
ProbF logworth