Prédiction et prédiction mutuelle

au plus calculer la plage de moyenne statistique et de variance.
Il vaut mieux sélectionner des valeurs spécifiques pour une ou plusieurs autres colonnes (par ex., âge, années d’expérience, diplômes et charge de travail dans les tables de données de recensement) et se concentrer uniquement sur les lignes de données qui correspondent aux valeurs sélectionnées. Vous trouverez probablement dans le premier sous-ensemble de lignes que les valeurs de la colonne cible entrent dans une plage relativement restreinte. Vous pouvez désormais prédire les valeurs dans une colonne cible avec un certain degré de certitude. En termes de data mining, nous disons que ces autres colonnes prédisent la colonne cible.
La figure 3 illustre un instantané du contrôle de data mining Dependency Network (DepNet). Ce DepNet est un diagramme dans lequel les flèches montrent les colonnes de recensement source de la prédiction et les colonnes cible de celle-ci. Certains des noeuds ont des flèches pointant dans les deux sens. C’est ce que l’on appelle la prédiction mutuelle.
La prédiction mutuelle entre A et B signifie que les valeurs de paramètre de A réduisent l’incertitude de la colonne B, mais que cela s’applique aussi dans l’autre sens, à savoir que l’utilisation d’une valeur de B réduira l’incertitude de A.
Toutes les techniques de data mining de Microsoft peuvent suivre les prédictions, mais différents algorithmes effectuent des prédictions de différentes manières. En examinant les autres méthodes de data mining, nous allons souligner les spécificités de chacune en matière de prédiction.