19. Візуалізатори для інтерпретації результатів аналізу.
Візуалізація – представлення даних у вигляді, що забезпечує найбільш ефективну роботу користувача.
Інтерпретація результатів аналізу – служить для передбачення кінцевих результатів аналізу у вигляді, що найбільш зручний та інформативний для розуміння користувача.
Візуалізатори:
Деревовидні візуалізатори – має вигляд схематичного дерева рішень і використовується при використанні таких засобів Data Mining як: дерева рішень, асоціативні правила, кластеризація.
Візуалізатори зв’язків. Суть – об’єкти представлені у вигляді певних значків, а зв’язки між ними – лініями, що з’єднують ці значки. Сила зв’язку показується товщиною ліній.
Двовиміркі карти. Здійснюють візуалізацію багатовимірних об’єктів, тобто об’єктів з декількома ознаками. Карта зазвичай є сіткою. Принцип цього методу заснований на тому, що багатовимірні дані представляються у вигляді плоских карт, при побудові яких використовується комбінування інформації про відстань між векторами об’єктів в багатовимірному просторі ознак, і розфарбовування, що зумовлюється значеннями цих ознак.
20. Візуалізатори оцінки якості аналітичних моделей.
Візуалізація – представлення даних у вигляді, що забезпечує найбільш ефективну роботу користувача.
Оцінка якості аналітичних моделей – дозволяє оцінювати коректність аналітичних моделей (регресійних, класифікаційних, прогностичних), побудованих в процесі аналізу даних.
Візуалізатори:
Таблиця співставлення – застосовується для оцінки якості класифікаційних моделей. Основна її суть показати скільки об’єктів кожного класу були віднесені моделлю до іншого класу невірно. Перевірка проводиться на навчальній вибірці.
Діаграма розсіювання – перевіряє якість регресійних моделей. Діаграма представляє собою графік, по одній осі якого відкладаються вихідні значення, а по іншій – реальні дані. Побудувавши лінію ідеальних значень можна подивитись наскільки значення, що генерує модель відповідають реальним, і яке розсіювання вихідних значень моделі навколо ідеальної прямої.
Ретропрогноз. Графік, який дозволяє перевірити коректність роботи прогностичної моделі. Суть - застосування побудованої моделі до підмножини даних з минулого,і оцінити наскільки прогноз відповідає реальним даним.
Графік контролю процесу навчання. При навчанні моделі важливе значення має спостереження за зміною вихідної помилки на кожній ітерації. Тому використовуються спеціальні графіки, що дозволяють в динаміці прослідкувати стан помилки, за допомогою її середнього та максимального значення.
21. Olap-аналіз в сппр.
Візуалізатором виступає ОLAP-куб, який є досить зручним у способом аналізу багатовимірної інформації та дозволяє простим маніпулюванням мишки отримати аналітичні дані в різних розрізах.
В основі багатовимірного представлення даних лежить їх розділення на дві групи – виміри та факти. Виміри – це атрибути, найменування та властивості об’єктів, що беруть участь в певному бізнес-процесі (найменування товпрів, назви постачальників, ПІБ людей тощо). Факти – це дані, що кількісно характеризують бізнес-процес і можуть приймати нескінченну кількість значень (ціна товару, кількість, сума).
Багатовимірний куб можна розглядати як систему координат, осями якої є виміри – дата, товар, покупець. На перетину ось будуть знаходитись числові дані (напр.. сума).
Таким чином інформація в багатовимірному сховищі даних є логічно цілісною. Це не просто набори строкових числових значень, а цілісні структури типу «кому, що і скільки було продано в певний момент часу».
Представлення даних у вигляді багатовимірних кубів є більш наочним.