Data Mining and KD

Karteikarten und Zusammenfassungen für Data Mining and KD an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Data Mining and KD an der TU München.

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


ROC - explanation


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


When does Naive Bayesian Classifier not work?


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Linear discriminant Analysis - how to calculate?

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Median filter, when?

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


PR - breakeven point


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


Fuzzy clustering, when?


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


ID3, when to use?


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


Principal component analysis - when?


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


Hypercube standardization is appropriate for 


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


Mean and variance standardization is appropriate for


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


How to calculate the principal axis (PCA)


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


SVM - Short explanation


Kommilitonen im Kurs Data Mining and KD an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Data Mining and KD


ROC - explanation


Scatter plot of the true positive rate TPR and the false positive rate FPR

Data Mining and KD


When does Naive Bayesian Classifier not work?


  • When classes are based on correlation
  • Variance difference
  • Hight -> + Weight -> –
  • Hight -> + Weight -> +

Data Mining and KD

Linear discriminant Analysis - how to calculate?

  • You want to find wx + b
  • w = mean1 – mean 2
  • b = – w * mean1+mean2/2

Data Mining and KD

Median filter, when?

  • Series data
  • When we have outliers
  • Remove noise

Data Mining and KD


PR - breakeven point


  • The main diagonal of precision recall
  • Important classification criterion
  • High breakeven point = Good classifier 

Data Mining and KD


Fuzzy clustering, when?


  • Good results, even if the clusters are overlapping and data are noisy
  • Sensitive to outliers.

Outliers are equivalent to other data points that

are equidistant to all data points like the middle point. But intuitively we expect outliers to have low membership

Data Mining and KD


ID3, when to use?


  • Extension of classification and regression tree
  • Accept real-valued and missing features

  • Uses a pruning mechanism to reduce tree size

Data Mining and KD


Principal component analysis - when?


When we want to visualize high-dimensional data

Work with fewer dimensions

Data Mining and KD


Hypercube standardization is appropriate for 


Uniformly distributed features

Data Mining and KD


Mean and variance standardization is appropriate for


Gaussian distributed features.

Data Mining and KD


How to calculate the principal axis (PCA)


  • Calculate mean per feature
  • Calculate covariance matrix
    • 1/n SUM( (x-x_mean)*(y-y_mean) )
  • A-ILambda
  • Get lambda
  • go back to your covariance matrix and make 
    • First row = x11*Lambda
    • Second row = x12* Lambda
    • etc
  • Get a relationship between x11, x12 etc for all different lambdas
  • Normalise them. Divide them on Sqr(a^2 + b^2 …)
  • You now have your principal axes

Data Mining and KD


SVM - Short explanation


  • You want to find the biggest margin between the two classes
  • You want to find a vector W so all the ones from one class dot products are above 1 and all the others below 1

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Data Mining and KD an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Informatik an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Blockchain

Cognitive System

Databases for modern CPU

Protein Prediction I

Data Analysis in R

18WS_Strategisches_IT_Management

Patterns

Softwaretechnik

Autonomous Driving

Requirements Engineering

Web Application Engineering

Business Analytics

Echtzeitsysteme

Patterns in Software Engineering

Principles of Economics

Data Mining and Knowledge Discovery

Introduction to Deep Learning

Visual data analytics

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Data Mining and KD an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback