Data Mining

Illustrazione delle principali tecniche di Data Mining
Obiettivi, dati, interpretazione dei risultati
Principali vantaggi ed eventuali svantaggi rispetto alle altre metodologie

Modelli Predittivi

Gli Alberi decisionali

• Variabile obiettivo e predittori
• Il processo di costruzione dell'albero e le regole di arresto
• Gli output del modello
• Gestione di costi e guadagni
• Score per le azioni di Direct Marketing
• Valutazione economica dell'attività e ritorni attesi

La Regressione lineare

• Stima di una quantità: il modello lineare
• La gestione delle variabili esplicative
• Costruzione del modello: la selezione delle variabili esplicative (Stepwise, Forward, Backward)
• Interpretazione dell'output (R-quadrato, Beta, Significatività)
• Valutazione della qualità del modello in funzione del numero di variabili e della capacità predittiva

La Regressione logistica

• Stima della probabilità di un evento: il modello logistico
• La gestione delle variabili esplicative
• L'interpretazione dei coefficienti del modello
• La valutazione della qualità del modello

Cenni sulle reti neurali

L'Adattamento del modello

• Valutazione della qualità di un modello
• L'overfitting e i differenti metodi per prevenirlo (campionamento e cross validation)
• Valutazione statistica: Guadagno e lift
• Valutazione economica: Profitti e ROI

La Cluster analysis

• Valutazioni preliminari sui dati
• Trasformazione delle variabili
• Metodi gerarchici (Ward's Method, Between Groups Linkage, Centroid) e non gerarchici (K Means)
• Scelta del numero di cluster e analisi del Dendrogramma
• Analisi dei profili dei cluster
• Verifica delle variazioni nel tempo dei cluster identificati

La Basket analysis

• Rappresentazioni grafiche delle associazioni
• La variabile target
• Gli indicatori della basket analysis (Supporto, Confidenza e Lift)
• Interpretazione e utilizzo delle regole individuate