מדעי הנתונים ובינה עסקית

בנושא SVM - ההפרדה בין שני סייוגים כשיש שני מימדים היא בעזרת פונקציה לינארית b+WX כאשר לW יש שני מימדים. כדי למצוא את נקודת החיתוך בציר X2 כלומר של המימד השנים פשוט נשווה ל-0 ונבודד את X עבור המימד השני כלומר W2 ונקבל את התוצאה b/w2-.

בהקשר של cluster analysis תצפית היא חריגה כשהיא רחוקה מהמרכזים של כל האשכולות.

אלגוריתם זה הוא ריבועי במספר התצפיות והוא לא מתאים לבסיסי נתונים גדולים.

השיטה הנאיבית לחלוקה היא לחשב את כל החלוקות האפשריות K בחזקת N כלומר מספר האשכולות בחזקת מספר התצפיות. במקרה שלנו 2 בחזקת 10 זה 1024.

לפי ההרצאה הסיבוכיות של SVM פחות תלוי בכמות התצפיות שיש לנו אלא בכמות התצפיות שמהוות וקטורי תמיכה וכמות המימדים (ניתן להבין זאת גם מהנוסחה שכאן לחישוב משקל עבור מימד מתחשבים באלפא שהיא שייכת לוקטורי התמיכה) ובנוסף מס' המימדים גם משפיע כי מתחשבים בכל מימד במשוואה כאשר מסווגים.

מתוך ההגדרה של Support - הסיכוי שבאותה טרנזקציה יופיעו פריטים מקבוצה X וגם מקבוצה Y

ההגדרה של complete link הוא חישוב המרחק בין שני התצפיות הכי רחוקות בשני האשכולות (המרחק הגדול ביותר).

העקרונות הבסיסים של חוקי קשר. כל תת קבוצה של תבנית שכיחה היא שכיחה בעצמה (על זה מבוסס עקרון Apriori). קבוצה על של קבוצת פריטים שכיחה יכולה להיות שכיחה (היא לא חייבת!).

מודל לוקלי- לוקחים את המרחב מחלקים אותו לאזורים ובכל אזור יש לנו מודל אחר והסיווג של התצפית נקבע לפי האזור שאליו שייכה התצפית. SVM הוא מודל גלובלי כלומר הוא תקף לכל התצפיות, המישור המפריד תופס לגבי כל התצפיות במרחב ולא לאזור מסויים.

מתוך ההגדה של משתנה nominal - משתנים שהערכים שלהם נקבעים ע"י מילים או ביטויים (ללא משמעות מספרית). Ratio- משתנים מספריים עם נקודת ייחוס (גובה, משקל) Ordinal- משתנים שיש חשיבות לסדר שלהם (דרגות בצבא)