EvaluationThe purpose of the evalua

Evaluation
The purpose of the evaluation stage is to assess the data mining results rigorously and
to gain confidence that they are valid and reliable before moving on. If we look hard
enough at any dataset we will find patterns, but they may not survive careful scrutiny.
We would like to have confidence that the models and patterns extracted from the data
are true regularities and not just idiosyncrasies or sample anomalies. It is possible to
deploy results immediately after data mining but this is inadvisable; it is usually far
easier, cheaper, quicker, and safer to test a model first in a controlled laboratory setting.
Equally important, the evaluation stage also serves to help ensure that the model satisfies
the original business goals. Recall that the primary goal of data science for business is
to support decision making, and that we started the process by focusing on the business
problem we would like to solve. Usually a data mining solution is only a piece of the
larger solution, and it needs to be evaluated as such. Further, even if a model passes
strict evaluation tests in “in the lab,” there may be external considerations that make it
impractical. For example, a common flaw with detection solutions (such as fraud detection,
spam detection, and intrusion monitoring) is that they produce too many false
alarms. A model may be extremely accurate (> 99%) by laboratory standards, but evaluation
in the actual business context may reveal that it still produces too many false
alarms to be economically feasible. (How much would it cost to provide the staff to deal
with all those false alarms? What would be the cost in customer dissatisfaction?)

Kết quả (Việt) 1:

Đánh giáMục đích của giai đoạn đánh giá là để đánh giá kết quả khai thác dữ liệu một cach nghiêm tuc vàđể đạt được sự tự tin rằng họ là hợp lệ và đáng tin cậy trước khi di chuyển trên. Nếu chúng ta nhìn cứngđủ vào bất kỳ số liệu chúng tôi sẽ tìm thấy mẫu, nhưng họ không thể sống sót giám sát cẩn thận.Chúng tôi mong muốn có sự tự tin rằng các mô hình và mô hình chiết xuất từ các dữ liệucó đúng regularities không chỉ idiosyncrasies hoặc mẫu bất thường. Nó có thểtriển khai kết quả ngay lập tức sau khi khai thác dữ liệu, nhưng đây là khắt; nó thường là đến naydễ dàng hơn, rẻ hơn, nhanh hơn và an toàn hơn để thử nghiệm một mô hình đầu tiên trong một thiết lập phòng thí nghiệm kiểm soát.Không kém quan trọng, giai đoạn đánh giá cũng phục vụ để giúp đảm bảo rằng các mô hình thỏa mãnmục tiêu kinh doanh ban đầu. Nhớ lại các mục tiêu chính của dữ liệu khoa học cho doanh nghiệpđể hỗ trợ ra quyết định, và chúng tôi bắt đầu quá trình này bằng cách tập trung vào việc kinh doanhchúng tôi muốn giải quyết vấn đề. Thông thường giải pháp khai thác dữ liệu là chỉ là một phần của cácgiải pháp lớn hơn, và nó cần phải được đánh giá như vậy. Hơn nữa, thậm chí nếu một mô hình đixét nghiệm đánh giá nghiêm ngặt trong "trong các phòng thí nghiệm," có thể là xem xét bên ngoài mà làm cho nókhông thực tế. Ví dụ, một lỗ hổng phổ biến với các giải pháp phát hiện (chẳng hạn như phát hiện gian lận,thư rác phát hiện, và giám sát xâm nhập) là họ sản xuất quá nhiều saiHệ thống báo động. Một mô hình có thể cực kỳ chính xác (> 99%) bởi phòng thí nghiệm tiêu chuẩn, nhưng đánh giátrong kinh doanh thực tế bối cảnh có thể tiết lộ rằng nó vẫn tạo ra quá nhiều saiHệ thống báo động được kinh tế khả thi. (Bao nhiêu sẽ chi phí để cung cấp cho nhân viên để đối phóvới tất cả các báo động sai? Điều gì sẽ là chi phí trong khách hàng không hài lòng?)

Kết quả (Việt) 2:

Đánh giá
Mục đích của giai đoạn đánh giá để đánh giá kết quả khai thác dữ liệu một cách chặt chẽ và
để đạt được sự tự tin rằng họ có giá trị và đáng tin cậy trước khi chuyển. Nếu chúng ta nhìn cứng
đủ tại bất kỳ dữ liệu, chúng tôi sẽ tìm thấy các mẫu, nhưng họ có thể không tồn tại xem xét kỹ lưỡng.
Chúng tôi muốn có sự tự tin rằng các mô hình và các mẫu được chiết xuất từ các dữ liệu
được quy tắc đúng sự thật và không chỉ phong cách riêng hay bất thường mẫu. Có thể
triển khai kết quả ngay lập tức sau khi khai thác dữ liệu nhưng điều này là không lưu ý; nó thường là xa
dễ dàng hơn, rẻ hơn, nhanh hơn và an toàn hơn để thử nghiệm một mô hình đầu tiên trong phòng thí nghiệm kiểm soát.
Quan trọng không kém, giai đoạn đánh giá cũng phục vụ để giúp đảm bảo rằng các mô hình đáp ứng
các mục tiêu kinh doanh ban đầu. Nhớ lại rằng mục tiêu chính của khoa học dữ liệu cho doanh nghiệp là
để hỗ trợ việc ra quyết định, và chúng ta bắt đầu quá trình này bằng cách tập trung vào việc kinh doanh
vấn đề chúng ta muốn giải quyết. Thông thường, một giải pháp khai thác dữ liệu chỉ là một phần của
giải pháp lớn hơn, và nó cần phải được đánh giá như vậy. Hơn nữa, ngay cả khi một mô hình qua
các bài kiểm tra đánh giá nghiêm ngặt "trong phòng thí nghiệm," có thể cần cân nhắc bên ngoài mà làm cho nó
không thực tế. Ví dụ, một lỗ hổng phổ biến với các giải pháp phát hiện (chẳng hạn như phát hiện gian lận,
phát hiện thư rác, và giám sát xâm nhập) là họ sản xuất ra quá nhiều sai
báo động. Một mô hình có thể rất chính xác (> 99%) theo tiêu chuẩn của phòng thí nghiệm, nhưng đánh giá
trong bối cảnh kinh doanh thực tế có thể cho thấy rằng nó vẫn sản sinh ra quá nhiều sai
báo động có tính khả thi về mặt kinh tế. (Bao nhiêu nó sẽ có chi phí để cung cấp cho các nhân viên để đối phó
với tất cả những cảnh báo sai? Điều gì sẽ là chi phí không hài lòng của khách hàng?)