Phase 4 des CRISP-DM-Prozessmodells: Modellierung - Dummies

Die Modellierung ist der Teil des Prozessmodells des branchenübergreifenden Standardprozesses für Data Mining (CRISP-DM), das die meisten Daten enthält. Bergleute mögen es am besten. Ihre Daten sind bereits in gutem Zustand und jetzt können Sie nach nützlichen Mustern in Ihren Daten suchen.

Die Modellierungsphase umfasst vier Aufgaben. Dies sind

• Auswählen von Modellierungstechniken

• Entwerfen von Tests

• Gebäudemodell (e)

• Bewerten von Modellen

Aufgabe: Auswählen von Modellierungstechniken

Die wunderbare Welt des Data Mining bietet unzählige Modellierungstechniken, aber nicht alle werden Ihren Anforderungen entsprechen. Grenzen Sie die Liste auf der Grundlage der beteiligten Variablen, der Auswahl der in Ihren Tools verfügbaren Techniken und der für Sie wichtigen geschäftlichen Überlegungen ein.

Zum Beispiel bevorzugen viele Organisationen Methoden mit einfach auszuwertender Ausgabe, so dass Entscheidungsbäume oder logistische Regression akzeptabel sein könnten, neuronale Netzwerke würden jedoch wahrscheinlich nicht akzeptiert.

Die Ergebnisse dieser Aufgabe umfassen zwei Berichte:

• Modelliertechnik: Geben Sie die Technik (en) an, die Sie verwenden werden.

• Modellierungsannahmen: Viele Modellierungstechniken basieren auf bestimmten Annahmen. Beispielsweise kann ein Modelltyp für die Verwendung mit Daten vorgesehen sein, die einen bestimmten Verteilungstyp aufweisen. Dokumentieren Sie diese Annahmen in diesem Bericht.

Statistiker sind gut informiert, streng und pingelig in Bezug auf Annahmen. Das gilt nicht unbedingt für Data Miner, und es ist keine Voraussetzung, Data Miner zu werden. Wenn Sie über tiefes statistisches Wissen verfügen und die Annahmen, die hinter den von Ihnen ausgewählten Modellen stehen, verstehen, können Sie bezüglich Annahmen strikt und wählerisch sein.

Aber viele Data Miner, vor allem unerfahrene Data Miner, beschäftigen sich nicht sonderlich mit Annahmen. Die Alternative ist das Testen vieler Ihrer Modelle.

Aufgabe: Entwerfen von Tests

Der Test in dieser Aufgabe ist der Test, den Sie verwenden werden, um zu bestimmen, wie gut Ihr Modell funktioniert. Es kann so einfach sein wie die Aufteilung Ihrer Daten in eine Gruppe von Fällen für das Modelltraining und eine andere Gruppe für das Testen von Modellen.

Trainingsdaten werden verwendet, um mathematische Formen an das Datenmodell anzupassen, und Testdaten werden während des Modelltrainings verwendet, um eine Überanpassung von zu vermeiden: Dies ergibt ein Modell, das perfekt für einen Datensatz ist. Sie können auch Holdout-Daten, Daten, die während des Modelltrainings nicht verwendet werden, für einen zusätzlichen Test verwenden.

Das Ergebnis für diese Aufgabe ist Ihr Testdesign. Es muss nicht kompliziert sein, aber Sie sollten zumindest darauf achten, dass Ihre Trainings- und Testdaten ähnlich sind und Sie vermeiden, Verzerrungen in die Daten einzuführen.

Aufgabe: Gebäudemodell (e)

Modellieren ist das, was sich viele Leute als die ganze Aufgabe des Data Miners vorstellen, aber es ist nur eine Aufgabe von Dutzenden! Nichtsdestotrotz ist die Modellierung zur Erreichung spezifischer Unternehmensziele das Herzstück des Data-Mining-Berufs.

Die Ergebnisse dieser Aufgabe umfassen drei Elemente:

• Parametereinstellungen: Beim Erstellen von Modellen haben die meisten Werkzeuge die Möglichkeit, eine Reihe von Einstellungen anzupassen. Diese Einstellungen haben Auswirkungen auf die Struktur des endgültigen Modells… Dokumentieren Sie diese Einstellungen in einem Bericht.

• Modellbeschreibungen: Beschreiben Sie Ihre Modelle. Geben Sie den Typ des Modells (z. B. lineare Regression oder neuronales Netzwerk) und die verwendeten Variablen an. Erklären Sie, wie das Modell interpretiert wird. Dokumentieren Sie alle Schwierigkeiten im Modellierungsprozess.

• Modelle: Dieses Modell liefert die Modelle selbst. Einige Modelltypen können einfach mit einer einfachen Gleichung definiert werden. andere sind viel zu komplex und müssen in einem anspruchsvolleren Format übertragen werden.

Aufgabe: Bewerten von Modellen

Nun werden Sie die Modelle überprüfen, die Sie erstellt haben, sowohl aus technischer Sicht als auch aus betriebswirtschaftlicher Sicht (oft mit Beiträgen von Business-Experten in Ihrem Projektteam).

Die Ergebnisse dieser Aufgabe umfassen zwei Berichte:

• Modellbewertung: Fasst die Informationen zusammen, die in der Modellüberprüfung entwickelt wurden. Wenn Sie mehrere Modelle erstellt haben, können Sie diese anhand Ihrer Bewertung ihres Werts für eine bestimmte Anwendung einstufen.

• Überarbeitete Parametereinstellungen: Sie können die Einstellungen, die zum Erstellen des Modells verwendet wurden, feinabstimmen und eine weitere Modellierungsrunde durchführen und versuchen, Ihre Ergebnisse zu verbessern.

Data Mining, wie eine Zwiebel, eine Dobos-Torte oder ein Sedimentgestein, hat viele Schichten. Wenn Sie gerade erst mit dem Data Mining beginnen, können Sie zunächst die Parametereinstellungen mit ihren Standardwerten belassen (in der Tat bemerken Sie möglicherweise nicht einmal Optionen, es sei denn, Sie bemühen sich, nach ihnen zu suchen).

Wenn Sie sich in Ihrer neuen Data-Mining-Karriere wohlfühlen, wird es für Sie Sinn machen, sich über Modellparameter zu informieren und zu wissen, wie Sie diese einsetzen können. Ihre Optionen variieren stark mit dem Typ des Modells und dem spezifischen Werkzeug, das Sie verwenden.