Review Note

Last Update: 05/11/2023 08:52 AM

Current Deck: Semester 6::Neue Konzepte::Data Science

New Card (Unpublished)

No published tags.

Erkläre das Daten Verständnis im CRISP-DM Data Mining Prozess

Daten sind das Rohmaterial für die Lösung von Geschäftsproblemen.
Es ist wichtig, die Stärken und Grenzen von Daten zu verstehen, da sie möglicherweise nicht genau mit dem Problem übereinstimmen.

Mögliche Datenprobleme:

Historische Daten können für das Geschäftsproblem irellevante Zwecke gesammelt worden sein
Die Kosten und Nutzen von Daten können variieren und müssen abgeschätzt werden
Die Zusammenführung von Daten aus verschiedenen Quellen kann aufgrund von Unterschieden in der Datenqualität und -struktur zusätzlichen Aufwand erfordern.
Als Reaktion auf das Datenverständnis können sich die Lösungswege ändern
Unterschiedliche Geschäftsprobleme können unterschiedliche Data-Mining-Aufgaben erfordern, und es kann notwendig sein, deren Lösungen zu kombinieren.

Beispiele:

Die Erkennung von Betrug ist ein schwieriges Problem, und verschiedene Arten von Betrug erfordern unterschiedliche Ansätze.
Kreditkartenbetrug kann mit überwachten Data-Mining-Techniken angegangen werden, da zuverlässige Kennzeichnungen für betrügerische und rechtmäßige Transaktionen verfügbar sind.
Betrug im Bereich der medizinischen Versorgung hingegen erfordert unüberwachte Ansätze wie Profiling, Clustering, Anomalieerkennung und Co-Occurrence-Grouping, da es keine zuverlässige Zielvariable gibt, die auf Betrug hinweist.