Analyysiin liittyviä kysymyksiä

• Miksi mallinnus kestää niin pitkään?
• Miksi laskenta-ajan ennustekäyrä heittää jatkuvasti?
• Miksi kuvat joskus vaikuttavat erilaisilta, vaikka data on lähes samaa?
• Kuinka montaa muuttujaa ja niiden eri arvoa Bayminer pystyy käsittelemään tehokkaasti?
• Mitä teen, kun haluan muuttaa valmista mallia?
• Kun vaihtaa mallia ja on edellisen kohdalla tehnyt valinnan, niin miten valinnalle käy uuden kohdalla?

Takaisin usein kysyttyihin kysymyksiin

Miksi mallinnus kestää niin pitkään?

Bayes Information Technology Oy:n käyttämät Bayes-verkot eivät ole ns. standardi Bayes-verkkoja, vaan ne ovat monimutkaisempia ja vastaavasti myös niiden suorituskyky on parempi. Niiden laskentaan tarvitaan enemmän kapasiteettia kuin perinteellisten Bayes-verkkojen laskennassa.

Lisäksi BayesIT:n patentoima B-Vis-visualisointiteknologia on ainutlaatuinen tapa saada monimutkaisten riippuvuuksien kokonaisuus visualisoitua hyvin, mutta se vaatii paljon laskentakapasiteettia. Usein kuvien laskenta onkin suurempi tehtävä kuin verkon laskenta.

Miksi laskenta-ajan ennustekäyrä heittää jatkuvasti?

Mallin laskennan eteneminen riippuu monesta tekijästä. Koon lisäksi merkityksellisimpiä ovat mm. muuttujien arvojen samanlaisuus. Jos syntyy suuria "ryppäitä" niiden purkaminen voi viedä pitkän ajan. Siksi ei ole mahdollista ennustaa laskennan kestoa tarkasti.

Miksi kuvat joskus vaikuttavat erilaisilta, vaikka data on lähes samaa?

BayMiner laskee mallin niin suuresta muuttujamäärästä, että niiden teoreettinen kombinaatiolukumäärä ylittää käytännön laskentamahdollisuudet (mikään tietokone ei siihen järjellisessä ajassa pysty). Tämä tarkoittaa mm. sitä, että tulokseen vaikuttaa satunnaistekijät. Tässä tilanteessa se voi johtaa siihen, että perättäiset ajot ovat varsinkin visuaalisesti jonkin verran erilaiset. Kun tulos muutetaan kuvaksi "avaruuskulma" voi myös em. syystä olla eri, joten ensi vaikutelmana voi näyttää siltä, että 3-D esitykset ovat erilaisia. Tämä pätee erityisesti, jos dataa on vähän, datassa ei ole riitävästi informaatiota tai ongelma on muuten hyvin vaikea mallintaa. Ylipäänsä on syytä muistaa, että kuvien pääasiallinen tehtävä on auttaa tunnistamaan mielenkiintoisia ilmiöitä, joita sitten voi tutkia tarkemmin.

Kuinka montaa muuttujaa ja niiden eri arvoa Bayminer pystyy käsittelemään tehokkaasti?

Satoja ja tietyin edellytyksin tuhansia muuttujia, ja kymmeniä arvoja per muuttuja. Yli 55 nominaaliarvon muuttujat sivuutetaan automaattisesti.

Mitä teen, kun haluan muuttaa valmista mallia?

Yleisin tarve lienee muuttujien lisääminen. Kokeilun jälkeen vasta ymmärretään paremmin ne mahdollisuudet, joita BayMiner tarjoaa. Uudet muuttujat lisätään alkuperäiseen taulukkoon (tai tietokantaan) ja pyritään hankkimaan jo käytössä oleville esimerkkitapauksille arvo myös uusille muuttujille, jonka jälkeen suoritaan uusi mallinnus. Jos uusille muuttujille ei löydy arvoja ne voi jättää pois, mutta jos tällaisia tapauksia on paljon mallin laatu heikkenee.

Vastaavasti jos esimerkkejä tulee lisää ne lisätään taulukkoon/tietokantaan ja uusitaan mallinnus. Poistaminen käy samoi, taulukosta poistetaan ko. kohdat ja lasketaan uusi malli. Kokeilumielessä poistamisen voi tehdä myös väliaikaisesti datan tarkstusvaiheessa ohittamalla ko muuttuja.

Bayes-verkon laskennassa muuttujien ja esimerkkien paikalla ei ole muuta merkitystä kuin että esimmäisen sarakkeen muuttuja määrää aloituskuvan (yleisen) värin. Siksi kannatta sijoittaa ensimmäiseen sarakkeeseen joku mielenkiintoinen muuttuja ja viimeisiksi sellaiset joissa ei ole informaatiota (nimet, osoiteet, järjestysnumerot)

Kun vaihtaa mallia ja on edellisen kohdalla tehnyt valinnan, niin miten valinnalle käy uuden kohdalla?

Kyseessä on edelleen sama pistejoukko, eli samat rivit datasta. Eri visualisoinnissa pisteiden sijainti toki muuttuu. Tämä on ihan tarkoituksella, voi katsoa, että miten joku ryväs sijoittuu toisessa visualisoinnissa.

Takaisin usein kysyttyihin kysymyksiin