説明
Sup教師あり学習タスク
分類回帰
k最近傍線形
ナイーブベイズ局所加重線形
サポートベクターマシンリッジ
決定木投げ縄
教師なし学習タスククラスタリング密度推定k-Means期待値最大化DBSCANParzenウィンドウ

説明
教師なし学習では、コストと安定性の間にトレードオフがあります。データをより厳密に適合させると、モデルの安定性が低下し、その逆も同様です。アイデアは、コストを重視したバランスをとることです。通常、適切なアプローチは、安定性のしきい値を設定し、安定性のしきい値を超える最低のコストを達成するモデルを選択することです。

説明
フェーズ3では、データサイエンスチームは、プロジェクトの目標に応じて、データのクラスタリング、分類、または関係の検索のためにデータに適用する候補モデルを特定します。このフェーズで、チームはフェーズで開発された仮説を参照します。 1、彼らが最初にデータに精通し、ビジネス上の問題やドメイン領域を理解したとき。これらの仮説は、チームがフェーズで実行する分析を組み立てるのに役立ちます
4そしてその目的を達成するために適切な方法を選択します。
このフェーズで検討するアクティビティには、次のものがあります。データセットの構造を評価します。データセットの構造は、次のフェーズのツールと分析手法を決定する1つの要因です。
たとえば、チームがテキストデータとトランザクションデータのどちらを分析するかによって、さまざまなツールとアプローチが必要になります。
分析技術により、チームがビジネス目標を達成し、作業仮説を受け入れるか拒否できるようにします。より大規模な分析ワークフローの一部として、状況が単一のモデルまたは一連の手法を正当化するかどうかを判断します。いくつかのモデル例には、相関ルールとロジスティック回帰が含まれます。AlpineMinerなどの他のツールを使用すると、ユーザーは一連の手順と分析を設定でき、PostgreSQLでビッグデータソースを操作するためのフロントエンドユーザーインターフェイス（Ul）として機能できます。