[JS]
[PLUGIN] ml.plugin
[PLUGIN] math.plugin
[PLUGIN] popup.plugin
[PLUGIN] button.plugin
[DE]

[TITLE] Übung 1 zu Einführung in Maschinelles Lernen
[AUTHOR] PD Stefan Bosse

# Datenanalyse

[TOC]

## Daten

- Die Daten sind eingebettet und können mit den u.g. Variablen gelesen werden.

- Es gibt zwei Formate in denen die Daten vorliegen können:
  + **Rekordtabellen**
  + **Datenmatrizen**

- **Datenmatrizen** haben die Typsignatur `(number|string) [][]`

- **Rekordtabellen** haben die Typsignatur `{$attributname:number|string} []`

- Die Spalten werden entweder über einen numerischen Index oder meistens über einen Attributnamen ausgewählt

### Kategorische Daten

#### Data 1: Der Klassiker: Sportliche Aktivität

[DATA] dataex01D:../data/dataex01D.json

```
X=[]
Y=[Klasse]
```

[CODE] ***X***,*Y*=Klasse={N,P} { lines:10; height:10; }
```js
print(dataex01D);
Table(dataex01D);
```

#### Data 2: Mobiles Crowdsensing und Politik

[DATA] datapo01D:../data/mcws_habish_politics/data1.json

```
Erhebung: MCWS durchgeführt 2019/2020 von Delzar Habisch (Uni Koblenz)
X=[]
Y=[party]
```

[CODE] ***X***,*Y*=party={CDU,SPD,..} { lines:10; height:10; }
```js
print(datapo01D);
Table(datapo01D);
```

### Numerische Daten

#### Data 3: Prozessoptimierung Additive Fertigung

[DATA] dataPro01:../data/dataPro01.json

```
X=[]
Y=[Dichte]
```

[CODE] ***X***,*Y*=Dichte { lines:10; height:10; }
```js
print(dataPro01);
Table(dataPro01);
```

### Gemischte Daten

#### Data 4: Kaufverhalten von Kunden (Mall Custormers)

[DATA] dataMall:../data/MallCustomers.json

```
X=[]
Y=[Score]
```

[CODE] ***X***,*Y*=Score { lines:10; height:10; }
```js
print(dataMall);
Table(dataMall);
```

### Auswahl und Modifikation von Daten

- Für die Analyse werden i.A. Spaltenvektoren aus der Datenmatrix benötigt.
- Wichtig: Das erste Elemente eines Arrays (Vektor) wird mit dem Startindex *i*=0 ausgewählt!
- α,β sind Datentypen (*string*, *number*, *boolean*)

| Operation | Programmfunktion | Rückgabe |
|:--|:--|:--|
| Spalte *i* aus der Matrix ***M*** auswählen (*i*=0,1,..,*cols*-1} | `M.pluck(i)` | `α []` |
| Attribute *a* aus der Matrix ***M*** auswählen (*a*:string} | `M.pluck(a)` | `α []` |
| Teilbereich eines Vektors *V* (Spalte) auswählen | `V.slice(start,end+1)` | `α []` |
| Kopie eines Vektors *V* (Spalte) erstellen | `V.slice()` | `α []` |
| Transformation eines Vektors *V* (Spalte) erstellen | `V.map(function (v) { return ε(v) })` | `β []` |
| Liste aller Attribute von einer Datenmatrix | `ML.statistics.features(data)` | `string []` |
| Spalte zu Datenmatrix rechts hinzufügen| `M.merge(V,'c')` | `α [][]` |
| Zwei Vektoren zusammenfügen | `V.concat(V)` | `α []` |
| Datentabelle reduzieren (Zeilen- und Spaltenbereich; `[] = gesamter Bereich`) | `M.sub([row1,row2], [col1,col2])` | `α [][]` |
| Rekordtabelle (`{}[]`) in Datenmatrix (`[][]`) wandeln | `ML.convert(data)` | `α [][]` |
| Datenmatrix (`[][]`) in Rekordtabelle (`{}[]`) wandeln | `ML.convert(data, {features : string []})` | `{$x:α} []` |

#### Beispiele

[CODE] Beispiel: Datenauswahl { lines:10; height:10; }
```js
var data = dataex01D;
print(ML.statistics.features(data));
Table(data);
data=ML.convert(data);
print(ML.statistics.features(data));
Table(data.sub([],[1,5]));
```

## Statistische Analyse

>! Übung: Im folgenden Programmbeispielen die Auswahl der Spalte der Datentabelle für alle Spalten (also Variablen ***X*** und ***Y***) ändern und Ergebnisse berechnen lassen.

### Statistische Kennwerte von Kategorischen Daten

| Parameter | Programmfunktion | Parameter | Rückgabe |
|:--|:--|:--|
| Verteilung eines Vektors | `Math.statistics.distribution(V)` | `string []` | `{$classname:number}` |
| Analyse eines Vektors | `Math.statistics.analysis(V)` | `string []` | `{distribution:{}, entropy:number, mostCommon:string, unique: string []}` |
| Entropie eines Vektors | `Math.statistics.entropy(V)` | `string []` | `number` |
| Unterscheidbare Werte (Klassen) eines Vektors | `Math.statistics.unique(V)` oder `V.unique` | `string []` |

[CODE] Beispiel: Kategorische Analyse { lines:10; height:10; }
```js
var data = dataex01D;
var distAussicht = Math.statistics.distribution(data.pluck('Aussicht'));
print(distAussicht);
print(ML.statistics.features(data))
```

### Statistische Kennwerte von Numerischen Daten

| Parameter | Programmfunktion | Parameter | Rückgabe |
|:--|:--|:--|:--|
| Mittelwert eines Vektors | `V.mean` | `-` | `number` |
| Maximalwert eines Vektors | `V.max` | `pos?:boolean` | `number` |
| Minimalwert eines Vektors | `V.min` | `pos?:boolean` | `number` |
| Analyse eines Vektors | `Math.statistics.analysis` | `number []` |`{mean, median,  medianAbsoluteDeviation, min, max, rootMeanSquare, standardDeviation, sum, uniqueCountSorted, variance:number}`|
| Entropie eines Vektors mit Intervallkodierung | `ML.statistics.entropyEps` | `number [], ε:number` | `number` |
| Verteilung von numerischen Werten | `Math.statistics.histogram` | `number [], delta:number, min?,max?:number` | `number []` |

[CODE] Beispiel: Numerische Analyse { lines:10; height:10; }
```js
var head=dataPro01[0], data = dataPro01.slice(1);  // Kopfzeile der Matrix entfernen
var analytics = Math.statistics.analysis(data.pluck(8));
print(head); print(analytics);
print(Math.statistics.histogram(Array.init(100,Math.random),0.1))
```

### Statistische Analyse von Gemischten Daten

[CODE] Beispiel: Gemischte Analyse { lines:10; height:10; }
```js
var head=dataMall[0],data = dataMall.slice(1);  // Kopfzeile der Matrix entfernen
var analytics = Math.statistics.analysis(data.pluck(2));
print(head);print(analytics);
print(Math.statistics.histogram(data.pluck(2),10,0,100))
```

### Entropie und Informationsgewinn

| Parameter | Programmfunktion | Parameter | Rückgabe |
|:--|:--|:--|
| Entropie eines Vektors | `Math.statistics.entropy(V)` | `string []` | `number` |
| Unterscheidbare Werte (Klassen) eines Vektors | `Math.statistics.unique(V)` oder `V.unique` | `string []` |
| Informationsgewinn eines Vektors *X* in Abhängigkeit von *Y* aus Datentabelle *data* | `ML.statistics.gain(data, x, y, classes)` | `{}[], string, string, string []` | `number` |

[CODE] Beispiel: Entropien und Gewinne { lines:10; height:10; }
```js
var data=dataex01D;
print(ML.statistics.entropy(data.pluck('Aussicht')));
print(ML.statistics.entropy(data.pluck('Klasse')));
var classes = data.pluck('Klasse').unique();
print(ML.statistics.gain(data,'Aussicht','Klasse',classes));
```

## Kategorisierung

- In dieser Übung sollen nur kategorische Zielvariablen behandelt werden.

- Jedoch besitzen die Datensätze 3/4 numerische Werteverteilungen!

- Daher sollen nachfolgend die Zielvariablen durch Intervallkategorisierung umgewandelt werden und für die Merkmalsselektion stattdessen verwendet werden.

- *Eine Intervalleinteilung muss immer zwischen dem Minimal- und Maximalwert einer Variable erfolgen*!

[CODE] Beispiel: Intervallkategorisierung { lines:10; height:10; }
```js
var head=dataMall[0],data = dataMall.slice(1);
var targetIndex = 4;
var analytics = Math.statistics.analysis(data.pluck(targetIndex));
print(head);print(analytics);
var code = { a:0, b: 20, c: 40, d: 60, e:  80 }
var coded = data.pluck(targetIndex).map(function (x) {
  return Math.decode(Math.frac(x,20),code)
})
data=data.merge(coded,'c');
Table(data);
```

## Merkmalsselektion

- Die Entropie eines Datenvektors (Spalte einer Datentabelle) gibt Auskunft über die Varianz des Informationsgehaltes (Verschiedenartigkeit von Werten und Symbolen) und deren gleichmässige oder ungleichmässige Verteilung

- Die bedingte Entropie und der Informationsgewinn bezogen auf eine weitere Variable (i.A. die Zielvariable *Y*) gibt Auskunft über die Qualität einer Variable *X* (also einer Spalte der Datentabelle) für die Prädiktion der Zielvariable - hier beschränkt auf Klassifikation von kategorischen Werten

In den folgenden Aufgaben sollen alle Eingabevariablen hinsichtlich deren Entropie (`ML.statistics.entropy`) und dem Informationsgewinn (`ML.statistics.gain`) mit Bezug zur Zielvariable *Y* untersucht und bewertet werden. Die Attributevariable (Spalte) die am besten für die Abbildung *X* → *Y* geeignet ist soll ausgewählt werden.

>! Die Datentabellen müssen ggfs. aufbereitet werden (bei Datenmatrizen muss evtl. die Kopfzeile mit den Attributnamen entfernt werden). Numerische Zielvariablen müssen in kategorische umgewandlet werden (ca. 5-10 kodierte Intervalle) !

### Aufgaben

[POINTS] 1.:2 2.:2 3.:2

- Laden der Daten...

[CODE] Die Daten { lines:2; height:10; }
```js
attributes1=ML.statistics.features(dataex01D); data1=dataex01D;
attributes2=ML.statistics.features(datapo01D); data2=datapo01D;
attributes3=dataPro01[0]; data3 = dataPro01.slice(1); 
attributes4=dataMall[0];  data4 = dataMall.slice(1);
print('Data loaded.');
```

[EXERCISE] 1.

1. Ermittle für Datensatz 1 für alle Spalten die Verteilungem Entropie und den Informationsgewinn
2. Bewerte die gemessenen Parameter
3. Wähle das beste Attribute aus mit dem sich die Zielvariable mit der höchsten richtig-positiv Quote bestimmen lässt

[INPUT] { lines:2 }

[CODE] Analyse Datensatz 1 { lines:10; height:20; }
```js
// attributes1, data1
```
[EXERCISE]

[EXERCISE] 2.

1. Ermittle für Datensatz 2 für alle Spalten die Verteilungem Entropie und den Informationsgewinn
2. Bewerte die gemessenen Parameter
3. Wähle das beste Attribute aus mit dem sich die Zielvariable mit der höchsten richtig-positiv Quote bestimmen lässt

[INPUT] { lines:2 }

[CODE] Analyse Datensatz 2 { lines:10; height:20; }
```js
// attributes2, data2
```
[EXERCISE]

[EXERCISE] 3.

Benutze entweder Datensatz 3 oder 4

1. Transformiere die Zielvariable (numerisch) in eine kategorische (ca. 5 Klassen) durch Wertintervall
2. Ermittle für Datensatz 3 oder 4 für alle Spalten die Verteilungem Entropie und den Informationsgewinn
3. Bewerte die gemessenen Parameter
4. Wähle das beste Attribute aus mit dem sich die Zielvariable mit der höchsten richtig-positiv Quote bestimmen lässt

[INPUT] { lines:2 }

[CODE] Analyse Datensatz 3/4 { lines:10; height:20; }
```js
// attributes3/4, data3/4
```
[EXERCISE]

---

[BUTTON] Hilfe { action:post; label:Absenden; style:"color:red" }
```
{
  url:'edu-9.de:28888',
  // url:'localhost:28888',
  form:['Name','Email','Pin','Frage'],
  email:{from:'$Email', to:'sbosse@uni-bremen.de', name:'$Name'},
  subject:'Hilfe Kurs ML $TITLE',
  message:'$Name: $Frage',
  attachments:[{filename:'$FILE.json',content:'$CODE'}],
  pin:1827,
}
```

[BUTTON] Einreichung (Assignment #04-38602) { action:post; label:Absenden; style:"color:green" }
```
{
  url:'edu-9.de:28888',
  // url:'localhost:28888',
  form:['Name','Email','Pin','Kommentar'],
  submit: { from:'$Email', to:'sbosse@uni-bremen.de' },
  assignment:'04-38602',
  name : '$Name',
  comment : '$Kommentar',
  attachments:[{filename:'$FILE.json',content:'$CODE'}],
  pin:1827,
}
```

[BUTTON] Prüfen { action:post; label:Laden; style:"color:browm" }
```
{
  url:'edu-9.de:28888',
  // url:'localhost:28888',
  form:['ID','Pin'],
  load: { id:'$ID' },
  pin:[1827,9223],
}
```

[BUTTON] Bewerten (Lehrer) { action:post; label:Absenden; style:"color:blue" }
```
{
  url:'edu-9.de:28888',
  // url:'localhost:28888',
  form:['ID','Marking','Pin','Remarks'],
  submit: { id:'$ID', from:'sbosse@uni-bremen.de', name:'$Name' },
  marks : '$Marking',
  remarks : '$Remarks',
  attachments:[{filename:'$FILE.json',content:'$CODE'}],
  pin:9223,
}
```

---

Datenanalyse

Inhalt.

Datenanalyse

Daten

Kategorische Daten

Data 1: Der Klassiker: Sportliche Aktivität

Data 2: Mobiles Crowdsensing und Politik

Numerische Daten

Data 3: Prozessoptimierung Additive Fertigung

Gemischte Daten

Data 4: Kaufverhalten von Kunden (Mall Custormers)

Auswahl und Modifikation von Daten

Beispiele

Statistische Analyse

Statistische Kennwerte von Kategorischen Daten

Statistische Kennwerte von Numerischen Daten

Statistische Analyse von Gemischten Daten

Entropie und Informationsgewinn

Kategorisierung

Merkmalsselektion

Aufgaben

Daten

Die Daten sind eingebettet und können mit den u.g. Variablen gelesen werden.
Es gibt zwei Formate in denen die Daten vorliegen können:
- Rekordtabellen
- Datenmatrizen
Datenmatrizen haben die Typsignatur (number|string) [][]
Rekordtabellen haben die Typsignatur {$attributname:number|string} []
Die Spalten werden entweder über einen numerischen Index oder meistens über einen Attributnamen ausgewählt

Kategorische Daten

Data 1: Der Klassiker: Sportliche Aktivität

DATA: Variable dataex01D Type: {Beispiel, Aussicht, Temperatur, Luftfeuchtigk., Windig?, Klasse} []

X=[]
Y=[Klasse]

X,Y=Klasse={N,P}

print(dataex01D);
Table(dataex01D);

▸

✗

Data 2: Mobiles Crowdsensing und Politik

DATA: Variable datapo01D Type: {gender, age, liveIn, familiyKids, carrier, freeTime, FrndsFmly, religion, politics, funRelax, education, party} []

Erhebung: MCWS durchgeführt 2019/2020 von Delzar Habisch (Uni Koblenz)
X=[]
Y=[party]

X,Y=party={CDU,SPD,..}

print(datapo01D);
Table(datapo01D);

▸

✗

Numerische Daten

Data 3: Prozessoptimierung Additive Fertigung

DATA: Variable dataPro01 Type: [Parameterbezeichnung, Hatchabstand, Scangeschwindigkeit, Laserleistung, Schichtstärke, Volumenenergiedichte, Positionx, PositionY, Dichte] []

X=[]
Y=[Dichte]

X,Y=Dichte

print(dataPro01);
Table(dataPro01);

▸

✗

Gemischte Daten

Data 4: Kaufverhalten von Kunden (Mall Custormers)

DATA: Variable dataMall Type: [CustomerID, Genre, Age, Annual Income (k$), Spending Score (1-100)] []

X=[]
Y=[Score]

X,Y=Score

print(dataMall);
Table(dataMall);

▸

✗

Auswahl und Modifikation von Daten

Für die Analyse werden i.A. Spaltenvektoren aus der Datenmatrix benötigt.
Wichtig: Das erste Elemente eines Arrays (Vektor) wird mit dem Startindex i=0 ausgewählt!
α,β sind Datentypen (string, number, boolean)

Operation	Programmfunktion	Rückgabe
Spalte i aus der Matrix M auswählen (i=0,1,..,cols-1}	`M.pluck(i)`	`α []`
Attribute a aus der Matrix M auswählen (a:string}	`M.pluck(a)`	`α []`
Teilbereich eines Vektors V (Spalte) auswählen	`V.slice(start,end+1)`	`α []`
Kopie eines Vektors V (Spalte) erstellen	`V.slice()`	`α []`
Transformation eines Vektors V (Spalte) erstellen	`V.map(function (v) { return ε(v) })`	`β []`
Liste aller Attribute von einer Datenmatrix	`ML.statistics.features(data)`	`string []`
Spalte zu Datenmatrix rechts hinzufügen	`M.merge(V,'c')`	`α [][]`
Zwei Vektoren zusammenfügen	`V.concat(V)`	`α []`
Datentabelle reduzieren (Zeilen- und Spaltenbereich; `[] = gesamter Bereich`)	`M.sub([row1,row2], [col1,col2])`	`α [][]`
Rekordtabelle (`{}[]`) in Datenmatrix (`[][]`) wandeln	`ML.convert(data)`	`α [][]`
Datenmatrix (`[][]`) in Rekordtabelle (`{}[]`) wandeln	`ML.convert(data, {features : string []})`	`{$x:α} []`

Beispiele

Beispiel: Datenauswahl

var data = dataex01D;
print(ML.statistics.features(data));
Table(data);
data=ML.convert(data);
print(ML.statistics.features(data));
Table(data.sub([],[1,5]));

▸

✗

Statistische Analyse

Übung: Im folgenden Programmbeispielen die Auswahl der Spalte der Datentabelle für alle Spalten (also Variablen X und Y) ändern und Ergebnisse berechnen lassen.

Statistische Kennwerte von Kategorischen Daten

Parameter	Programmfunktion	Parameter	Rückgabe
Verteilung eines Vektors	`Math.statistics.distribution(V)`	`string []`	`{$classname:number}`
Analyse eines Vektors	`Math.statistics.analysis(V)`	`string []`	`{distribution:{}, entropy:number, mostCommon:string, unique: string []}`
Entropie eines Vektors	`Math.statistics.entropy(V)`	`string []`	`number`
Unterscheidbare Werte (Klassen) eines Vektors	`Math.statistics.unique(V)` oder `V.unique`	`string []`

Beispiel: Kategorische Analyse

var data = dataex01D;
var distAussicht = Math.statistics.distribution(data.pluck('Aussicht'));
print(distAussicht);
print(ML.statistics.features(data))

▸

✗

Statistische Kennwerte von Numerischen Daten

Parameter	Programmfunktion	Parameter	Rückgabe
Mittelwert eines Vektors	`V.mean`	`-`	`number`
Maximalwert eines Vektors	`V.max`	`pos?:boolean`	`number`
Minimalwert eines Vektors	`V.min`	`pos?:boolean`	`number`
Analyse eines Vektors	`Math.statistics.analysis`	`number []`	`{mean, median, medianAbsoluteDeviation, min, max, rootMeanSquare, standardDeviation, sum, uniqueCountSorted, variance:number}`
Entropie eines Vektors mit Intervallkodierung	`ML.statistics.entropyEps`	`number [], ε:number`	`number`
Verteilung von numerischen Werten	`Math.statistics.histogram`	`number [], delta:number, min?,max?:number`	`number []`

Beispiel: Numerische Analyse

var head=dataPro01[0], data = dataPro01.slice(1);  // Kopfzeile der Matrix entfernen
var analytics = Math.statistics.analysis(data.pluck(8));
print(head); print(analytics);
print(Math.statistics.histogram(Array.init(100,Math.random),0.1))

▸

✗

Statistische Analyse von Gemischten Daten

Beispiel: Gemischte Analyse

var head=dataMall[0],data = dataMall.slice(1);  // Kopfzeile der Matrix entfernen
var analytics = Math.statistics.analysis(data.pluck(2));
print(head);print(analytics);
print(Math.statistics.histogram(data.pluck(2),10,0,100))

▸

✗

Entropie und Informationsgewinn

Parameter	Programmfunktion	Parameter	Rückgabe
Entropie eines Vektors	`Math.statistics.entropy(V)`	`string []`	`number`
Unterscheidbare Werte (Klassen) eines Vektors	`Math.statistics.unique(V)` oder `V.unique`	`string []`
Informationsgewinn eines Vektors X in Abhängigkeit von Y aus Datentabelle data	`ML.statistics.gain(data, x, y, classes)`	`{}[], string, string, string []`	`number`

Beispiel: Entropien und Gewinne

var data=dataex01D;
print(ML.statistics.entropy(data.pluck('Aussicht')));
print(ML.statistics.entropy(data.pluck('Klasse')));
var classes = data.pluck('Klasse').unique();
print(ML.statistics.gain(data,'Aussicht','Klasse',classes));

▸

✗

Kategorisierung

In dieser Übung sollen nur kategorische Zielvariablen behandelt werden.
Jedoch besitzen die Datensätze 3/4 numerische Werteverteilungen!
Daher sollen nachfolgend die Zielvariablen durch Intervallkategorisierung umgewandelt werden und für die Merkmalsselektion stattdessen verwendet werden.
Eine Intervalleinteilung muss immer zwischen dem Minimal- und Maximalwert einer Variable erfolgen!

Beispiel: Intervallkategorisierung

var head=dataMall[0],data = dataMall.slice(1);
var targetIndex = 4;
var analytics = Math.statistics.analysis(data.pluck(targetIndex));
print(head);print(analytics);
var code = { a:0, b: 20, c: 40, d: 60, e:  80 }
var coded = data.pluck(targetIndex).map(function (x) {
  return Math.decode(Math.frac(x,20),code)
})
data=data.merge(coded,'c');
Table(data);

▸

✗

Merkmalsselektion

Die Entropie eines Datenvektors (Spalte einer Datentabelle) gibt Auskunft über die Varianz des Informationsgehaltes (Verschiedenartigkeit von Werten und Symbolen) und deren gleichmässige oder ungleichmässige Verteilung
Die bedingte Entropie und der Informationsgewinn bezogen auf eine weitere Variable (i.A. die Zielvariable Y) gibt Auskunft über die Qualität einer Variable X (also einer Spalte der Datentabelle) für die Prädiktion der Zielvariable - hier beschränkt auf Klassifikation von kategorischen Werten

In den folgenden Aufgaben sollen alle Eingabevariablen hinsichtlich deren Entropie (ML.statistics.entropy) und dem Informationsgewinn (ML.statistics.gain) mit Bezug zur Zielvariable Y untersucht und bewertet werden. Die Attributevariable (Spalte) die am besten für die Abbildung X → Y geeignet ist soll ausgewählt werden.

Die Datentabellen müssen ggfs. aufbereitet werden (bei Datenmatrizen muss evtl. die Kopfzeile mit den Attributnamen entfernt werden). Numerische Zielvariablen müssen in kategorische umgewandlet werden (ca. 5-10 kodierte Intervalle) !

Aufgaben

Punkte:

Laden der Daten...

Die Daten

attributes1=ML.statistics.features(dataex01D); data1=dataex01D;
attributes2=ML.statistics.features(datapo01D); data2=datapo01D;
attributes3=dataPro01[0]; data3 = dataPro01.slice(1); 
attributes4=dataMall[0];  data4 = dataMall.slice(1);
print('Data loaded.');

▸

✗

Aufgabe. 1.

Ermittle für Datensatz 1 für alle Spalten die Verteilungem Entropie und den Informationsgewinn
Bewerte die gemessenen Parameter
Wähle das beste Attribute aus mit dem sich die Zielvariable mit der höchsten richtig-positiv Quote bestimmen lässt

Analyse Datensatz 1

// attributes1, data1

▸

✗

Aufgabe. 2.

Ermittle für Datensatz 2 für alle Spalten die Verteilungem Entropie und den Informationsgewinn
Bewerte die gemessenen Parameter
Wähle das beste Attribute aus mit dem sich die Zielvariable mit der höchsten richtig-positiv Quote bestimmen lässt

Analyse Datensatz 2

// attributes2, data2

▸

✗

Aufgabe. 3.

Benutze entweder Datensatz 3 oder 4

Transformiere die Zielvariable (numerisch) in eine kategorische (ca. 5 Klassen) durch Wertintervall
Ermittle für Datensatz 3 oder 4 für alle Spalten die Verteilungem Entropie und den Informationsgewinn
Bewerte die gemessenen Parameter
Wähle das beste Attribute aus mit dem sich die Zielvariable mit der höchsten richtig-positiv Quote bestimmen lässt

Analyse Datensatz 3/4

// attributes3/4, data3/4

▸

✗

Hilfe

Einreichung (Assignment #04-38602)

Prüfen

Bewerten (Lehrer)

Created by the NoteBook Compiler Ver. 1.8.7 (c) Dr. Stefan Bosse (Wed Dec 09 2020 17:40:53 GMT+0100 (CET))