Definition - CRISP-DM

• Typen:
  • CRISP-ML(Q)
• Generalisierungen:
  • Data Science Vorgehensmodell
  • Epizyklischer Prozess der Datenanalyse
• Involvierte Definitionen:
  • Analyseverfahren
  • Datenaufbereitung
  • Datenvorverarbeitung
  • Datenaugmentierung
  • Validation-Split
  • Parameteroptimierung, bspw. k-Cross-Validation
• Veranstaltung: EDS
• Referenz: @beecks2024 (LE3, Cross Industry Standard Process for Data Mining)

⠀

Definition: CRISP-DM

Als Cross Industry Standard Process for Data Mining (kurz CRISP-DM) bezeichnen wir das folgende Vorgehensmodell:

• Business Understanding
  • Gemeinsames Verständnis der Projektziele und Anforderungen
  • Zusammenstellen von Hintergrundinformationen,
  • Definition von Erfolgskriterien,
  • Art der benötigten Analysen,
  • Einschätzung des Status Quo:
    • Verfügbare Ressourcen und Limitierungen,
    • Voraussetzungen für das Projekt,
    • Risikoplanung und Risikobehandlung,
    • Schätzung von Kosten und Nutzen
• Data Understanding
  • Datenerhebung,
  • Zusammenfassen der Daten,
  • Verständnis der Datenquellen,
  • Bewertung der Datenqualität,
  • Explorative Datenanalyse,
• Data Preparation
  • Erstellung des finalen Datensatzes,
  • Datenselektion und Augmentation,
  • Datenaufbereitung
  • Feature-Auswahl / Vorverarbeitung,
  • Dokumentation der getroffenen Entscheidungen
• Modelling
  • Modelltyp auswählen,
  • Begründungen für die Auswahl dokumentieren,
  • Testdesign / Evaluierungsmethodik wählen,
  • Modell erstellen und Parameter optimieren,
  • Modellqualität messen und Modell evtl. anpassen,
• Evaluation
  • Modellevaluation mit Fokus auf die Projektziele und Erfolgskriterien,
  • Eventuell bisherige Prozessschritte überdenken und anpassen,
• Deployment
  • Wieder- und Weiterverwendung der Erkenntnisse, bspw.
    • Bericht / Paper
    • Erstellung einer Softwarelösung