====== Prednaska 2 ======

===== Model =====
==== Deleni modelu podle funkce ====
  * Deskriptivni modely - shlukova analyza
  * Predikcni modely - regrese, klasifikace

==== Prehled metod generujicich modely  ====
  * viz slidy

===== Klasifikace a regrese  =====

model: y = f(x)

  * Klasifikacni model - y je nominalni (nazev tridy)
  * Regresni model - y je spojita velicina (teplota, vyska ... cislo)

==== Klasifikacni model  ====
  * 2 faze
    * uceni, trenovani-upravuje se vnitrni struktura, parametry
    * vybavovani,pouziti - neovlivnuje model

==== 1NN nejblizsi soused ====
  * ma referencni data - vyhleda nejpodobnejsi(nejblizsi) z referencnich dat a klasifikuje ho stejnou tridou
  * trenovani - ulozeni trenovacich dat
  * vybavovani - aplikace modelu

=== Metrika ===
  * Euklidovska vzdalenost 
  * Manhattonska vzdalenost 

=== Vaha atributu ===
  * atribut ma vahu podle sve hodnoty
  * nutno normalizovat data <0,1> (napr normalizace - min/max)

==== kNN - k nejblizsich sousedu ====
  * klasifikace - najdi k nejblizsich sousedu a klasifikuj majoritni tridou
  * volba vhodneho k - problem

==== Preuceni ====
  * klasifikuje dobre na trenovaci mnozine, ale neni aplikovatelny na realna data - vysoka chybovost
  * reseni - rozdeleni trenovacich dat na trenovaci a testovaci

  * uceni na trenovaci mnozine
  * odhad chyby
  * vypocet chyby modelu
    * klasifikace
      * procento nespravnych odpovedi
    * regrese
      * **soucet (ctvercu) odchylek**
      * průměrný čtverec odchylky
      * **odmocnina průměrného čtverce odchylky (RMSE)**

=== Cross validace ===
  * rozdeleni trenovacich dat na foldy
  * 1 fold na testovani, zbytek na trenovani
  * N x menime testovaci fold