Adatbányászati esettanulmányok

Az ábrák listája

3.1. Az eredményül kapott ExampleSet metaadatai

3.2. Az eredményül kapott ExampleSet egy kis részlete

3.3. Az eredményül kapott ExampleSet metaadatai

3.4. Az eredményül kapott ExampleSet egy kis részlete

3.5. Az eredményül előálló AML állomány

3.6. A kísérletben használt The World Bank: Population (Total) adatállomány egy kis részlete

3.7. Az eredményül kapott ExampleSet metaadatai

3.8. Az eredményül kapott ExampleSet egy kis részlete

3.9. Az eredményül kapott ExampleSet metaadatai

3.10. Az eredményül kapott ExampleSet egy kis részlete

4.1. A globális és konyhai energiafogyasztás grafikus ábrázolása az idő függvényében

4.2. A háztartás tagjainak feltételezett szokásai alapján lehetséges kiugró értékek

4.3. A lehetséges kiugró értékek kiszűrése rekordszűrő segítségével

4.4. Aggregáló függvények kiválasztása az attribútumokhoz

4.5. Az adathalmazból való mintavétel beállításai

4.6. Az adathalmazból való rekordszűrés beállításai

4.7. Az adathalmazból való mintavétel után előálló eredményhalmaz

4.8. Az adathalmazból való rekordszűrés után előálló eredményhalmaz

4.9. Új attribútum meghatározása egy, a meglévő attribútumokra támaszkodó kifejezéssel

4.10. A redundánssá vált attribútumok eltávolításához használható operátor beállításai

4.11. A csökkentett méretű adathalmazban megmaradó attribútumok kiválasztása

4.12. A származtatott attribútum megjelenése a módosított adathalmazban

4.13. A megfelelő diszkretizáló operátor kiválasztása

4.14. A diszkretizáló operátor beállításainak megadása

4.15. A megfelelő súlyozó operátor kiválasztása

4.16. Az egyes attribútumok súlyainak beállítása

4.17. Az adathalmaz súlyozott és súlyozatlan példányainak összehasonlítása

5.1. A döntési fa építésének beállításai

5.2. Az adathalmaz tanuló- és teszthalmazra bontásának beállításai

5.3. Az adathalmaz partíciók relatív méreteinek beállítása

5.4. A létrejövő döntési fa grafikus reprezentációja

5.5. A rekordok a döntési fán alapuló osztályozása

5.6. Határérték beállítása a döntési fa maximális mélységéhez

5.7. A létrejövő döntési fa grafikus reprezentációja

5.8. A rekordok a döntési fán alapuló osztályozásának grafikus reprezentációja

5.9. A megnövelt maximális mélységgel létrejövő döntési fa grafikus reprezentációja

5.10. A rekordok a megnövelt maximális mélységű döntési fán alapuló osztályozásának grafikus reprezentációja

5.11. A tovább növelt maximális mélységgel létrejövő döntési fa grafikus reprezentációja

5.12. A rekordok a tovább növelt maximális mélységű döntési fán alapuló osztályozásának grafikus reprezentációja

5.13. A döntési fa építésének beállításai

5.14. A létrejövő döntési fa grafikus reprezentációja

5.15. A rekordok a döntési fán alapuló osztályozásának grafikus reprezentációja

5.16. A döntési fán alapuló osztályozás teljesítményvektora

5.17. Módosítások a döntési fa építésének beállításain

5.18. A módosított beállításokkal létrejövő döntési fa grafikus reprezentációja

5.19. A módosított beállításokkal létrehozott döntési fán alapuló osztályozás teljesítményvektora

5.20. A validációs operátor által végzett mintavétel beállításai

5.21. A validációs operátor alfolyamatai

5.22. A létrejövő döntési fa grafikus reprezentációja

5.23. A döntési fán alapuló osztályozás teljesítményvektora

5.24. A keresztvalidációs operátor beállításai

5.25. A keresztvalidációs operátorban elvégzett osztályozások összesített teljesítményvektora

5.26. A keresztvalidációs operátorban elvégzett osztályozások összesített teljesítményvektora a hagyj-ki-egyet módszer alkalmazásakor

5.27. A Gini-index kritériumon alapuló döntési fa építésének beállításai

5.28. A nyereségarány kritériumon alapuló döntési fa építésének beállításai

5.29. A nyereségarány kritérium alapján létrejövő döntési fa grafikus reprezentációja

5.30. A nyereségarány kritérium alapján épített döntési fán alapuló osztályozás teljesítményvektora

5.31. A Gini-index kritérium alapján létrejövő döntési fa grafikus reprezentációja

5.32. A Gini-index kritérium alapján épített döntési fán alapuló osztályozás teljesítményvektora

5.33. A ROC-görbék összehasonlítását végző operátor beállításai

5.34. A ROC-görbéket összehasonlító operátor alfolyamata

5.35. A két döntési fás osztályozó ROC-görbéinek összehasonlítása

6.1. Az adatállományon tanított szabályalapú osztályozó szabályhalmaza

6.2. A szabályalapú osztályozó osztályozási pontossága az adatállományon

6.3. A szabályalapú osztályozó szabályhalmaza

6.4. A szabályalapú osztályozó osztályozási pontossága a tanulóhalmazon

6.5. A szabályalapú osztályozó osztályozási pontossága a teszthalmazon

6.6. Az adatállományon épített döntési fa

6.7. A döntési fának megfelelő ekvivalens szabályhalmaz

6.8. A szabályalapú osztályozó osztályozási pontossága az adatállományon

7.1. A lineáris regresszió operátor tulajdonságai

7.2. Az eredményül létrejövő lineáris regressziós modell

7.3. A lineáris regressziós modell alapján kiszámított osztály predikció értékek

7.4. A regressziós modellel osztályozó operátor alfolyamata

7.5. Az eredményként előálló lineáris regressziós modell

7.6. A regressziós modell alapján kiszámított predikciókból származtatott osztálycímkék

7.7. A regressziós modellel osztályozó operátor alfolyamata

7.8. Az eredményként előálló lineáris regressziós modell

7.9. A regressziós modell alapján történt osztályozás teljesítményvektora

7.10. A keresztvalidációs operátor alfolyamata

7.11. A regressziós modellel osztályozó operátor alfolyamata

7.12. Az eredményként előálló lineáris regressziós modell

7.13. A keresztvalidációs operátor testreszabható beállításai

7.14. A keresztvalidációs operátorban definiált regressziós modell alapján végzett osztályozások összesített teljesítményvektora

7.15. A keresztvalidációs operátorban definiált regressziós modell alapján végzett osztályozások összesített teljesítményvektora a hagyj-ki-egyet módszer alkalmazása esetében

8.1. A Wine adatállomány [UCI MLR] egy lineárisan szeparálható, a kísérletben felhasznált részhalmaza (az összesen 3 osztály közül 2, az összesen 13 attribútum közül pedig 2 került kiválasztásra)

8.2. A perceptron döntési határa

8.3. A perceptron osztályozási pontossága az adatállományon

8.4. A neurális háló osztályozási pontossága az adatállományon

8.5. A 10-szeres keresztellenőrzés révén nyert átlagos hibaarány a rejtett neuronok számának függvényében

8.6. A Wine adatállomány [UCI MLR] egy lineárisan szeparálható, a kísérletben felhasznált részhalmaza (az összesen 3 osztály közül 2, az összesen 13 attribútum közül pedig 2 került kiválasztásra)

8.7. A lineáris SVM kernelmodellje

8.8. A lineáris SVM osztályozási pontossága az adatállományon

8.9. A Wine adatállomány egy, a kísérletben felhasznált részhalmaza (az összesen 3 osztály közül 2, az összesen 13 attribútum közül pedig 2 került kiválasztásra). Megjegyezzük, hogy az osztályok nem lineárisan szeparálhatóak.

8.10. A lineáris SVM osztályozási hibaaránya a C paraméter értékének függvényében

8.11. A tartóvektorok száma a C paraméter értékének függvényében

8.12. A lineáris SVM 10-szeres keresztellenőrzés révén nyert átlagos osztályozási hibaaránya a C paraméter értékének függvényében, ahol a vízszintes tengely logaritmikus beosztású

8.13. A lineáris SVM osztályozási hibaaránya a tanuló- és a teszthalmazon a C paraméter értékének függvényében

8.14. A tartóvektorok száma a C paraméter értékének függvényében

8.15. A lineáris SVM osztályozási hibaaránya a tanuló- és a teszthalmazon a tanulóhalmaz méretének függvényében

8.16. A tartóvektorok száma a tanulóhalmaz méretének függvényében

8.17. Az SVM tanításához szükséges CPU végrehajtási idő a tanulóhalmaz méretének függvényében

8.18. A két spirál adatállomány

8.19. Az adatállományt előállító R kód, mely az R Extension Execute Script (R) operátorával kerül végrehajtásra

8.20. A nemlineáris SVM osztályozási pontossága az adatállományon

8.21. Az SVM osztályozási hibaaránya a tanuló- és a teszthalmazon az RBF magfüggvény szélesség paraméter értékének függvényében

8.22. Az RBF magfüggvényű SVM paramétereinek optimális értékei

8.23. Az RBF magfüggvényű SVM osztályozási pontossága az adatállományon

8.24. A lineáris SVM kernelmodellje

8.25. A lineáris SVM osztályozási pontossága az adatállományon

8.26. Az RBF magfüggvényű SVM gamma paraméterének optimális értéke

8.27. Az RBF magfüggvényű SVM 10-szeres keresztellenőrzésből nyert átlagos RMS hibája a gamma paraméter értékének függvényében, ahol a vízszintes tengely logaritmikus beosztású

8.28. Az optimális RBF magfüggvényű SVM kernelmodellje

8.29. Az optimális RBF magfüggvényű SVM által adott predikció a függő változó megfigyelt értékének függvényében

9.1. Egyetlen döntési tönk 10-szeres keresztellenőrzésből nyert átlagos osztályozási hibaaránya

9.2. A zsákolás 10-szeres keresztellenőrzésből nyert átlagos osztályozási hibaaránya, ahol 10 döntési tönköt használtunk alaposztályozóként

9.3. A 10-szeres keresztellenőrzés révén nyert átlagos osztályozási hibaarány az alaposztályozók számának függvényében

9.4. A 10-szeres keresztellenőrzés révén nyert átlagos osztályozási hibaarány az alaposztályozók számának függvényében

9.5. A véletlen erdő 10-szeres keresztellenőrzés révén nyert átlagos osztályozási hibaaránya az alaposztályozók számának függvényében

10.1. A generált gyakori elemhalmazok listája

10.2. A generált asszociációs szabályok listája

10.3. A generált asszociációs szabályok grafikus reprezentációja

10.4. Operátor beállításai a szükséges adatkonverzióhoz

10.5. Az adathalmaz konvertált verziója

10.6. A generált gyakori elemhalmazok listája

10.7. A generált asszociációs szabályok listája

10.8. Operátor beállításai a megfelelő adatkonverzióhoz

10.9. Az adathalmaz megfelelő konvertált verziója

10.10. A generált gyakori elemhalmazok javított listája

10.11. A generált asszociációs szabályok javított listája

10.12. A generált asszociációs szabályok grafikus reprezentációja

10.13. Operátor beállításai a szükséges adatkonverzióhoz

10.14. A label szerepkör kiosztása a teljesítményméréshez

10.15. A prediction szerepkör kiosztása a teljesítményméréshez

10.16. Operátor beállításai a teljesítményméréshez szükséges adatkonverzióhoz

10.17. A túléléssel kapcsolatos generált asszociációs szabályok grafikus reprezentációja

10.18. A túléléssel kapcsolatos generált asszociációs szabályok listája

10.19. A generált asszociációs szabályok alkalmazásának teljesítményvektora

10.20. A túléléssel kapcsolatos generált asszociációs szabályok listája

10.21. A generált asszociációs szabályok alkalmazásának teljesítményvektora

10.22. Az adathalmaz kontingencia táblázata

10.23. Rekordszűrés alkalmazása

10.24. A rekordok szűrése után redundánssá váló attribútumok eltávolítása

10.25. A túléléssel kapcsolatos generált asszociációs szabályok listája a felnőttek részhalmaza esetén

10.26. A generált asszociációs szabályok alkalmazásának teljesítményvektora a felnőttek részhalmaza esetén

10.27. A túléléssel kapcsolatos generált asszociációs szabályok listája a gyermekek részhalmaza esetén

10.28. A generált asszociációs szabályok alkalmazásának teljesítményvektora a gyermekek részhalmaza esetén

11.1. A 7 elkülönülő csoport

11.2. Klaszterezés alapbeállításokkal

11.3. A távolságfüggvény beállítása

11.4. Klaszterezés Mahalanobis távolságfüggvénnyel

11.5. Az adathalmaz

11.6. A klaszterezés paramétereinek beállítása

11.7. A klaszterezanalízis eredményeként létrejött klaszterek

11.8. A változó sűrűségű csoportok

11.9. A módszer eredménye alapbeállításokkal

11.10. A 15 csoport

11.11. A létrejött dendrogram

11.12. A dendrogrammokból képzett klaszterezés

11.13. A 600 kétdimenziós vektor

11.14. Az alfolyamat

11.15. A klaszterelemzés riportja

11.16. Az elemzés kimenete

12.1. A két csoport

12.2. Tartóvektor klaszterezés polinomiális kernellel és p=0.21 beállítással

12.3. Sikertelen klaszterezés

12.4. Klaszterezés RBF kernellel

12.5. Biztatóbb eredmények

12.6. A 240 vektorból álló két csoport

12.7. A optimalizáció alfolyamata

12.8. Az optimalizáció paraméterei

12.9. Az eljárás által készített jelentés

12.10. A legjobb paraméterekkel végrehajtott klaszterezés kimenete

12.11. A 788 vektor

12.12. A kiértékelő alfolyamat

12.13. A paraméterek beállítása

12.14. A naplózandó beállítások

12.15. Klaszterek sűrűsége a k klaszterszám függvényében

12.16. Klaszterekben található pontok eloszlása a k klaszterszám függvényében

12.17. A 31 klaszterbe bontható vektorok

12.18. A kinyert centroidok

12.19. A centroidokat prototípuspontként felhasználva, a k legközelebbi szomszéd módszer kimenete

12.20. Az előfeldolgozó alfolyamat

12.21. A klaszterezés beállítása

12.22. Az eredmények igazságmátrixa

13.1. A lehetséges kiugró értékek grafikus reprezentációja

13.2. Az érzékelt outlier-ek számának változása a távolsági határérték növelése mellett

13.3. Legközelebbi szomszédokon alapuló operátorok az Anomaly Detection csomagban

13.4. A LOF beállításai.

13.5. Az egyes rekordokhoz k legközelebbi szomszéd alapján kiosztott kiugró érték pontszámok

13.6. Az egyes rekordokhoz LOF alapján kiosztott kiugró érték pontszámok

13.7. A rekordok szűrése kiugró érték pontszámuk alapján

13.8. A k-NN pontszám alapján szűrt adathalmaz

13.9. A LOF pontszám alapján szűrt adathalmaz

13.10. A hisztogramalapú kiugró érték pontszám globális beállításai

13.11. A hisztogramalapú kiugró érték pontszám oszlopszintű beállításai

13.12. Pontszámok és attribútumok felosztása egyenlő méretű, tetszőleges számú osztály használata esetén

13.13. A kiugró érték pontszámok grafikus ábrázolása

13.14. Pontszámok és attribútumok felosztása változó méretű, tetszőleges számú osztály használata esetén

13.15. A javított kiugró érték pontszámok grafikus ábrázolása

13.16. A felhasznált k-közép klaszterezés beállításai

13.17. A felhasznált DBSCAN klaszterezés beállításai

13.18. A k-közép klaszterezéshez kiszámított kiugró érték pontszámok

13.19. A k-közép adathalmazának klaszterbesorolásai grafikusan ábrázolva

13.20. A k-közép adathalmazának kiugró érték pontszámai grafikusan ábrázolva

13.21. A DBSCAN adathalmazának klaszterbesorolásai grafikusan ábrázolva

13.22. A DBSCAN adathalmazának kiugró érték pontszámai grafikusan ábrázolva

13.23. A DBSCAN adathalmazának sűrűségalapú kiugró érték pontszámai grafikusan ábrázolva

13.24. A DBSCAN adathalmazának javított sűrűségalapú kiugró érték pontszámai grafikusan ábrázolva

14.1. Az eredményül kapott adatállomány metaadatai

14.2. A Sample operátor beállításai

14.3. Az eredményül kapott adatállomány legfontosabb metaadatai és egy kis részlete

14.4. A File Import operátorral beolvasható fájlok

14.5. A File Import operátor legfontosabb paraméterei

14.6. Az eredményül kapott adatállomány egy kis részlete

14.7. Az eredményül kapott adatállomány néhány metaadata

14.8. Az eredményül kapott adatállomány egy kis részlete

15.1. A DMDB operátor által kapott metaadatok egy része

15.2. A Variable Selection operátor beállításai

15.3. A változók listája a változó szelekció után

15.4. Szekvenciális R-négyzet grafikon

15.5. A változó szelekció után megmaradó két legfontosabb input attribútum függvényében a bináris célváltozó

15.6. Az Iris adatállomány megjelenítése párhuzamos tengelyekkel

15.7. A PCA kumulált magyarázó variancia görbéje

15.8. Az Iris adatállomány megjelenítése az első két főkomponens terében

15.9. A helyettesítés varázslója

15.10. Az imputáció outputja

15.11. Egy input és a célváltozó kapcsolata az imputáció előtt

15.12. Egy input és a célváltozó kapcsolata az imputáció után

16.1. Az adatállomány particionálásának beállításai

16.2. A döntési fa

16.3. A döntési fa válaszgörbéje

16.4. A döntési fa illeszkedési statisztikái

16.5. A döntési fa osztályozási oszlopdiagramja

16.6. A döntési fa kumulatív lift görbéje

16.7. Az attribútumok fontossága

16.8. A partícionálás paramétereinek beállítása

16.9. A döntési fa chi-négyzet mérőszám esetén

16.10. A döntési fa entrópia mérőszám esetén

16.11. A döntési fa Gini-index mérőszám esetén

16.12. A döntési fák kumulált válaszgörbéje

16.13. Az osztályozási oszlopdiagram

16.14. A döntési fák (nem-kumulált) válaszgörbéi

16.15. A döntési fák pontszám eloszlásai

16.16. A döntési fák legfontosabb statisztikai mutatói

17.1. A szabályindukció eredményéül kapott téves osztályozási ráták

17.2. A szabályindukció osztályozási (tévesztési) mátrixa

17.3. A szabályindukció osztályozási oszlopdiagramja

17.4. A szabályindukciók és a döntési fa ROC görbéi

17.5. Egy szabályindukciós operátor kimenete

18.1. A logisztikus regresszió tévesztési mátrixa

18.2. A logisztikus regresszió hatásgrafikonja

18.3. A lépésenkénti logisztikus regresszió tévesztési mátrixa

18.4. A lépésenkénti logisztikus regresszió hatásgrafikonja

18.5. A logisztikus regressziós modelleket összehasonlító statisztikai mutatók

18.6. A logisztikus regressziós modellek osztályozási oszlopdiagramjai

18.7. A logisztikus regressziós modellek kumulatív lift görbéi

18.8. A logisztikus regressziós modellek ROC görbéi

18.9. A logisztikus regresszió tévesztési mátrixa

18.10. A logisztikus regresszió osztályozási oszlopgrafikonja

18.11. A logisztikus regresszió hatásgrafikonja

19.1. A Wine adatállomány egy lineárisan szeparálható részhalmaza

19.2. A perceptron illeszkedési statisztikái

19.3. A perceptron tévesztési mátrixa

19.4. A perceptron modell kumulatív lift görbéje

19.5. Az SVM illeszkedési statisztikái

19.6. Az SVM tévesztési mátrixa

19.7. Az SVM kumulatív lift görbéje

19.8. A tartóvektorok listája

19.9. A többrétegű perceptron illeszkedési statisztikái

19.10. A többrétegű perceptron tévesztési mátrixa

19.11. A többrétegű perceptron modell kumulatív lift görbéje

19.12. A többrétegű perceptron neuronjainak súlyai

19.13. A többrétegű perceptron tanulási görbéje

19.14. Lépésenkénti optimalizációs statisztika a DMNeural operátorra

19.15. Az AutoNeural operátorral kapott háló neuronjainak súlyai

19.16. A neurális hálók illeszkedési statisztikái

19.17. Az osztályozási mátrixok oszlopdiagramjai

19.18. A neurális hálók kumulatív lift görbéi

19.19. A neurális hálók ROC görbéi

19.20. A lineáris kernelű SVM illeszkedési statisztikái

19.21. A lineáris kernelű SVM tévesztési mátrixa

19.22. A lineáris kernelű SVM tartóvektorai (kivonat)

19.23. A lineáris kernelű SVM Lagrange multiplikátorainak eloszlása

19.24. A polinomiális kernelű SVM paraméterei

19.25. A polinomiális kernelű SVM illeszkedési statisztikái

19.26. A polinomiális kernelű SVM tévesztési mátrixa

19.27. A polinomiális kernelű SVM tartóvektorai (kivonat)

19.28. A tartóvektor-gépek illeszkedési statisztikái

19.29. A tartóvektor-gépek osztályozási oszlopdiagramjai

19.30. A tartóvektor-gépek kumulatív lift görbéinek összehasonlítása

19.31. A tartóvektor-gépek kumulatív lift görbéinek összehasonlítása az alap és a legjobb viszonylatában

19.32. A tartóvektor-gépek ROC görbéi

20.1. Az együttes osztályozási modell illeszkedési statisztikái

20.2. Az együttes osztályozási modell tévesztési mátrixa

20.3. Az együttes osztályozási modell kumulatív lift görbéje

20.4. Az együttes osztályozási modell és az SVM téves osztályozási rátája

20.5. Az együttes osztályozási modell és az SVM tévesztési mátrixa

20.6. Az együttes osztályozási modell és az SVM kumulatív lift görbéje

20.7. Az együttes osztályozási modell, az SVM és a legjobb elméleti modell kumulatív lift görbéje

20.8. Az együttes osztályozási modell és az SVM ROC görbéje

20.9. A zsákolási osztályozó tévesztési mátrixa

20.10. A zsákolási osztályozó hibagörbéje

20.11. A zsákolási osztályozó és a döntési fa téves osztályozási aránya

20.12. A zsákolási osztályozó és a döntési fa tévesztési mátrixa

20.13. A zsákolási osztályozó és a döntési fa válaszgörbéje

20.14. A zsákolási osztályozó és a döntési fa válaszgörbéje az alaphoz és a legjobbhoz hasonlítva

20.15. A zsákolási osztályozó és a döntési fa ROC görbéje

20.16. A gyorsítással kapott osztályozó tévesztési mátrixa

20.17. A gyorsítási modellek hibagörbéje

20.18. A gyorsítási osztályozó és az SVM téves osztályozási aránya

20.19. A gyorsítási osztályozó és az SVM tévesztési mátrixa

20.20. A gyorsítási osztályozó és az SVM kumulált válaszgörbéje

20.21. A gyorsítási osztályozó és az SVM válaszgörbéje az alap és a legjobb viszonylatában

20.22. A gyorsítási osztályozó és az SVM ROC görbéje

21.1. A tételek listája

21.2. Az asszociációs szabályok a támogatottság és megbízhatóság függvényében

21.3. A lift értékek grafikonja

21.4. A generált asszociációs szabályok listája

22.1. Az Aggregation adatállomány

22.2. A Cluster operátor beállításai

22.3. A K-közép klaszterezés eredménye 7 klaszter mellett

22.4. A MacQueen-féle klaszterezés paraméter beállításai

22.5. A MacQueen-féle klaszterezés végeredménye

22.6. A klaszterezés eredménye 8 klaszter választása esetén

22.7. A Cluster operátor eredményablaka

22.8. A klaszterek átlagait mutató pontdiagram

22.9. A klaszterezés döntési fája

22.10. A Maximum Variance (R15) adatállomány megjelenítése

22.11. Az átlagos kapcsolású hierarchikus klaszterezés eredménye

22.12. A klaszterezés kiértékelése térbeli oszlopgrafikonnal

22.13. A Ward-féle hierarchikus klaszterezés eredménye

22.14. Az automatikus klaszterezés CCC grafikonja

22.15. Az automatikus klaszterezés proximitási grafikonja

22.16. A Maximum Variance (D31) adatállomány

22.17. Az automatikus klaszterezés eredménye

22.18. Az automatikus klaszterezés CCC grafikonja

22.19. Az automatikus klaszterezés proximitási ábrája

22.20. A K-közép klaszterezés eredménye

22.21. A K-közép klaszterezés proximitási ábrája

22.22. Az egyes szegmensek (klaszterek) profiljai

23.1. Az attribútum klaszterezés dendrogramja

23.2. A klaszterek és attribútumok gráfja

23.3. A klaszterek felépítése

23.4. Az attribútumok korrelációs ábrája

23.5. Egy attribútum és a klaszterek közötti korreláció

23.6. Az SVM modellek osztályozási oszlopdiagramjai

23.7. Az SVM modellek válaszgörbéi

23.8. Az SVM modellek kumulatív lift függvényei

23.9. Az SVM modellek ROC görbéi

23.10. A Maximum Variance (R15) adatállomány pontdiagramja

23.11. A Kohonen-féle vektor-kvantálás eredménye

23.12. A klaszternagyságok kördiagramja

23.13. A klasztereket leíró statisztikák

23.14. A SOM grafikus képe

23.15. A SOM eredményének pontdiagramja

24.1. A logisztikus regresszió tévesztési mátrixa

24.2. A logisztikus regresszió hatásgrafikonja

24.3. A lépésenkénti logisztikus regresszió tévesztési mátrixa

24.4. A lépésenkénti logisztikus regresszió hatásgrafikonja

24.5. A logisztikus regressziós modelleket összehasonlító statisztikai mutatók

24.6. A logisztikus regressziós modellek osztályozási oszlopdiagramjai

24.7. A logisztikus regressziós modellek kumulatív lift görbéi

24.8. A logisztikus regressziós modellek ROC görbéi

24.9. A logisztikus regresszió tévesztési mátrixa

24.10. A logisztikus regresszió osztályozási oszlopgrafikonja

24.11. A logisztikus regresszió hatásgrafikonja

24.12. A kapott modellek statisztikái a teszthalmazon

24.13. A kapott modellek összehasonlítása az előrejelzések átlagai alapján

24.14. A megfigyelt és az előrejelzett átlaggörbék viszonya modellekként

24.15. A modell pontszámok alakulása

24.16. A folytonos célváltozóra kapott döntési fa

24.17. A neurális háló tanítás utáni súlyai

25.1. A kiugró értékek szűrése előtti és utáni statisztikák

25.2. Az előrejelzett átlag a két döntési fa alapján

25.3. A nyertes döntési fa sematikus ábrája

25.4. Az illesztett két döntési fa összehasonlítása