Tecniche di data mining – stima

Analogamente alla classificazione, lo scopo di un modello di stima è quello di determinare un valore per un attributo di output incognito.
Diversamente dalla classificazione, gli attributi di output sono numerici (discreti o continui) anziché categorici.
Esempi di stima:
- stimare il numero di minuti necessari perché un uragano raggiunga una determinata località;
- stimare lo stipendio di una persona che possiede un’auto sportiva;
- stimare la probabilità che una carta di credito sia rubata;
- stimare la lunghezza di un fascio di raggi gamma.
CLASSIFICAZIONE O STIMA:
Molte tecniche di data mining supervisionato sono in grado di risolvere problemi di classificazione o problemi di stima, ma non entrambi.
In molti casi, tuttavia, è possibile passare da un problema di stima ad uno di classificazione (o viceversa) semplicemente trasformando l’attributo di output da numerico continuo a categorico (o viceversa).
Consideriamo, ad esempio, un attributo di output numerico continuo (compreso nel range 0,1) che identifica la probabilità (1 = probabilità massima) che una data carta di credito sia rubata, in relazione ai valori di determinati attributi di input.
Si tratta di un problema di stima che è possibile trasformare in un problema di classificazione semplicemente creando tre categorie discrete per i valori degli attributi di output: 0 – 0,3 = improbabile; 0,3 – 0,7 = probabile; 0,7 – 1 = molto probabile.