Information Mining an der Universität Duisburg-Essen

Karteikarten und Zusammenfassungen für Information Mining an der Universität Duisburg-Essen

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 Information Mining an der Universität Duisburg-Essen.

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Instance-based representation

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Using relations between attributes

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Propositional Rules

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Advantages of using exceptions to rules

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Support and confidence of a rule

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Special case: Boolean class

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Ways of executing a rule set

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

From tree to rules

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Classification rules

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Trees for numeric prediction

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Missing values in decision trees

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

The distance function

Kommilitonen im Kurs Information Mining an der Universität Duisburg-Essen. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Information Mining an der Universität Duisburg-Essen auf StudySmarter:

Information Mining

Instance-based representation

  • Simplest form of learning: rote learning
    • Training instances are searched for instance that most closely resembles new instance
    • The instances themselves represent the knowledge
    • Also called instance-based learning
  • Similarity function defines what’s learned
  • lazy learning
  • Methods: nearest-neighbor, k-nearest-neighbor

Information Mining

Using relations between attributes

  • Comparing attributes with each other
  • Standard relations: =, >, <
  • But: searching for relations between attributes can be costly
  • Simple solution: add extra attributes (e.g. a binary attribute „is width < height?“)

Information Mining

Propositional Rules

rules involve comparing an attribute-value to a constant (e.g. temperature < 45)

Information Mining

Advantages of using exceptions to rules

  • Rules can be updated incrementally
    • Easy to incorporate new data
    • Easy to incorporate domain knowledge
  • People often thin in terms of exceptions
  • Each conclusion can be considered just in the context of rules and exceptions that lead to it

Information Mining

Support and confidence of a rule

  • Support: number of instances predicted correctly
  • Confidence: number of correct predictions, as proportion of all instances that rule applies to
  • Example: 4 cool days with normal humidity
    • If temperature = cool then humidity = normal
    • support = 4
    • confidence = 100 %
  • Normally: minimum support and confidence pre-specified (for weather data)
    • support >= 2
    • confidence >“ 95 % 

Information Mining

Special case: Boolean class

  • Assumption: if instance does not belong to class „yes“, it belongs to class „no“
  • Trick: only learn rules for class „yes“ and use default rule for „no“
  • Order of rules is not important
  • Rule can be written in disjunctive normal form

Information Mining

Ways of executing a rule set

  • Ordered set of rules („decision list“)
    • Order is important for interpretation
  • Unordered set of rules:
    • Rules may overlap and lead to different conclusions for the same instance

Information Mining

From tree to rules

  • One rule for each leaf
    • Antecedent contains a condition for every node on the path from the root to the leaf
    • Consequent is class assigned by the leaf
  • Produced rules that are unambiguous (doesn’t matter in which order they are executed)
  • Resulting rules are unnecessarily complex (Pruning to remove redundant test/rules)

Information Mining

Classification rules

  • Antecedent (pre-condition): a series of tsts (just like the tests at the nodes of a decision tree)
  • Test are usually logically ANDed together (but may also be general logical expressions)
  • Consequent (conclusion): classes, set of classes or probability distribution assigned by rule
  • Individual rules are often logically ORed together

Information Mining

Trees for numeric prediction

  • Regression: the process of computing an expression that predicts a numeric quantity
  • Regression tree: „decision tree“ where each leaf predicts a numeric quantity, Predicted value is average value of training instances that reach the leaf
  • Model tree: „regression tree“ with linear regression models at the leaf nodes, Linear patches approximate continuous function

Information Mining

Missing values in decision trees

  • Option 1: „missing“ is a separate value
  • Option 2: „missing“ must be treated in a special way
    • Solution A: assign instance to most popular branch
    • Solution B: split instance into pieces, pieces receive weight according to fraction of training instances that go down each branch, Classifications from leave nodes are combined using the weights that have percolated to them

Information Mining

The distance function

  • Simplest case: one numeric attribute
    • Distance is the difference between the two attribute values involved (or a function thereof)
  • Several numeric attributes: normally, Euclidean distance is used and attributes are normalized
  • Nominal attributes: distance is set to 1 if values are different, 0 if they are equal

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Information Mining an der Universität Duisburg-Essen zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Medizintechnik an der Universität Duisburg-Essen gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur Universität Duisburg-Essen Übersichtsseite

Medizinische Terminologie

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 Information Mining an der Universität Duisburg-Essen 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