Je velmi důležité si nejprve v klidu rozmyslet, jaká data chceme generovat a co za vztahy do nich chceme ukrýt. Přesná definice cíle a zejména rozmyšlení všech požadavků na vztahy „skryté“ v datech jsou velmi důležité předpoklady pro dosažení dobrých výsledků v přijatelném čase.

Do specifikace generovaných dat patří:

• definice cíle (účelu, pro který mají být generována data používána);
• výběr domény, které se data budou týkat;
• rozsah dat – počet řádků (záznamů), případně i časové období, které data budou pokrývat;
• návrh struktury dat, včetně externě dodaných – sloupce a jejich datové typy, přípustné hodnoty nebo rozsahy hodnot;
• počáteční frekvence (či rozložení) hodnot a povolené odchylky;
• doménové znalosti;
• vztahy, které mají být v datech „skryty“

Cílem tohoto ukázkového postupu je vytvořit umělá data, která budou snadná na pochopení a která budou zároveň vypadat co nejvíce realisticky. Zároveň data musí dovolit popsat v celé šíři současnou funkčnost a možnosti systému LISp-Miner ve všech fázích dobývání znalostí z databází (DZD), včetně všech implementovaných analytických procedur.

Data budou použita zejména v připravovaných wiki-stránkách systému LISp-Miner a ve výuce kurzů 4iz260 a 4iz460.

Data budou připravena pomocí modul ReverseMiner, který je součástí systému LISp-Miner a který umožňuje při generování do dat „skrývat“ předem dané vztahy/závislosti.

Data pro výklad DZD a popis funkčnosti a ovládání systému LISp-Miner musí být ze snadno pochopitelné domény, se srozumitelným významem použitých sloupců a doménových znalostí. Původní verze dat o pobytech hostů se osvědčila ve výuce předmětů 4iz260 a 4iz460 právě proto, že nebylo nutné složitě vysvětlovat význam a hodnoty dat, existující doménové znalosti a motivaci pro formulaci analytických otázek.

V neposlední řadě byla srozumitelná i interpretace nalezených vztahů. Již od vytvoření však struktura dat neumožňovala výklad některých existujících funkcí (např. shlukování, rozhodovací stromy). Zároveň do systému LISp-Miner přibyla celá řada funkcí nových, které je třeba také vysvětlit (zejména funkce pro dolování nad daty s geografickými údaji).

Z těchto důvodů je třeba přistoupit k vygenerování nové verze dat o pobytech hostů, která bude obsahovat více typů vztahů, které lze v datech hledat, a dále data a datové struktury pro výklad všech funkcí aktuálně dostupných systému LISp-Miner. Z důvodu primárního použití ve výuce budou názvy tabulek, sloupců i samotné hodnoty v češtině.

Pobyty budou za dva roky (1. 1. 2012 až 31. 12. 2013), aby byly zachyceny alespoň dvě sezony. Zároveň bude zachycen podzim 2013, kdy byla intervence ČNB na oslabení koruny – názorně se zobrazí v grafech a projeví v základní ceně v EUR.

Množství záznamů: 1000 nebo 2000.

Poznámka: Vyšší počet záznamů lze kdykoliv později vytvořit pomocí RM případu typu Randomizace (multiplikací záznamů a přidáním šumu za současného udržení všech požadovaných vztahů v datech).

Struktura dat musí vycházet z doménové oblasti, zároveň je však třeba, aby mezi sledovanými údaji byly zastoupeny všechny podporované datové typy – text, celé číslo, desetinné číslo, datum+čas a logická hodnota ano/ne.

Zároveň musí být zahrnuty různé typy veličin – nominální, ordinální, kardinální. Množství sloupců by však mělo zůstat co nejmenší.

Kromě základních dat o pobytech byla už pro první verzi připravena externě dodaná data – o počasí pro všechny dny sledovaného období a o směnném kurzu. Jde o reálná data, která se k datum o pobytech připojí a rozšiřují je.

Obě externí data se základními propojí pomocí datumu (pro zjednodušení půjde o den začátku pobytu). Vztah mezi tabulkou s pobyty a externími daty je n:1.

Více viz: Detailní popis struktury hlavních i externích dat

Dále je třeba navrhnout vhodné počáteční frekvence hodnot ve sloupcích a povolené odchylky, o kolik se frekvence jednotlivých kategorií mohou v průběhu evoluce změnit.

Více viz: Frekvence hodnot ve sloupcích

Pro zvýšení realistického dojmu dat je třeba zahrnout reálie z oblasti ubytování.

Více viz: Doménové znalosti

Kromě doménových znalostí musí být do dat ukruty další vztahy, které bude možné následně hledat pomocí nástrojů DZD.

Více viz: Vztahy ukryté do dat