2. Datasæt og data

Uni- bi- og multivariate datasæt

Tabel 2.1: De tre typer datasæt — univariat, bivariat og multivariat — afhænger af, hvor mange variable datasættet indeholder, eksemplificeret med brugte Teslaer.
Kilde: Egen tilvirkning.

I Excel vil datasættet ofte være struktureret, så søjlerne er variablene og rækkerne er observationerne. Nedenstående figur viser et multivariat datasæt, med brugte Teslaer til salg på Bilbasen. Søjlerne er variable, mens rækkerne er observationer. Første række angiver navnene på variablene.

Kvalitative og kvantitative variable

Kvalitative variableEn kvalitativ variabel, er typisk en ikke numerisk variabel, hvor vi ikke kan beregne gennemsnit, fraktiler osv., her giver det kun mening at beregne andele fx.
Hvilket kæledyr har du?
{hund, kat, hund, kat, hund, marsvin, kat,...}
Hvilket parti vil du stemme på?
{Socialdemokratiet, Konservative, Venstre, Venstre, Radikale,... etc.}
Hvad er din primære bankforbindelse?
{Danske Bank, Nordea, Jyske Bank,...}

Klik her for at lære mere om kvalitative variable! er kategoriske og beskriver egenskaber eller kvaliteter, mens kvantitative variableEn kvantitativ variabel, er populært sagt en numerisk variabel man kan "regne med " fx. finde gennemsnit, median, standardafvigelse, fraktiler osv. Eksempler på kvantitative variable er:
Mænds højde i cm.
{176, 188, 169, 177, 181, 182,...}
Aktiekurs
{437,39, 437,78, 432,12, 431,03, 433,83, 433,81}
Antal børn i familien
{0, 1, 0, 3, 2, 1,0,1,0,...}
Nedbørsmængde i mm. i Dragør
{0,00, 0,02, 0,03, 0,12, 0,08, 1,12,1,43,1,21,0,03,...}
Indholdet i Coca Cola dåser i ml.
{333,12, 333,08, 332,82, 332,73, 332,93,...}

Klik her for at lære mere om kvantitative variable! er numeriske og måler mængder eller størrelser.

Tabel 2.2: Kvalitative variableEn kvalitativ variabel, er typisk en ikke numerisk variabel, hvor vi ikke kan beregne gennemsnit, fraktiler osv., her giver det kun mening at beregne andele fx.
Hvilket kæledyr har du?
{hund, kat, hund, kat, hund, marsvin, kat,...}
Hvilket parti vil du stemme på?
{Socialdemokratiet, Konservative, Venstre, Venstre, Radikale,... etc.}
Hvad er din primære bankforbindelse?
{Danske Bank, Nordea, Jyske Bank,...}

Klik her for at lære mere om kvalitative variable! inddelt i almindelige og binære kvalitative variableEn kvalitativ variabel, er typisk en ikke numerisk variabel, hvor vi ikke kan beregne gennemsnit, fraktiler osv., her giver det kun mening at beregne andele fx.
Hvilket kæledyr har du?
{hund, kat, hund, kat, hund, marsvin, kat,...}
Hvilket parti vil du stemme på?
{Socialdemokratiet, Konservative, Venstre, Venstre, Radikale,... etc.}
Hvad er din primære bankforbindelse?
{Danske Bank, Nordea, Jyske Bank,...}

Klik her for at lære mere om kvalitative variable!, med eksempler på hver type.
Kilde: Egen tilvirkning.

Tabel 2.3: Kvantitative variableEn kvantitativ variabel, er populært sagt en numerisk variabel man kan "regne med " fx. finde gennemsnit, median, standardafvigelse, fraktiler osv. Eksempler på kvantitative variable er:
Mænds højde i cm.
{176, 188, 169, 177, 181, 182,...}
Aktiekurs
{437,39, 437,78, 432,12, 431,03, 433,83, 433,81}
Antal børn i familien
{0, 1, 0, 3, 2, 1,0,1,0,...}
Nedbørsmængde i mm. i Dragør
{0,00, 0,02, 0,03, 0,12, 0,08, 1,12,1,43,1,21,0,03,...}
Indholdet i Coca Cola dåser i ml.
{333,12, 333,08, 332,82, 332,73, 332,93,...}

Klik her for at lære mere om kvantitative variable! inddelt i kontinuerte og diskrete variableDiskrete variable er variable, der har heltallige værdier fx.
Antal børn i familien
{0, 1, 0, 3, 2, 1,0,1,0,...}

Klik her for at lære mere om diskrete variable!, med eksempler på hver type.
Kilde: Egen tilvirkning.

Skalatyper

Vi kan ydermere inddele variable efter 4 skalatyper, skalatyper refererer til de forskellige måder, hvorpå data kan måles og kategoriseres.

Tabel 2.4: De fire skalatyper — nominal-, ordinal-, interval- og ratioskala — med forklaring og eksempler på hver.
Kilde: Egen tilvirkning.

Denne skalatypeinddeling går igen, når kreditvurderingsmodeller i den finansielle sektor forbereder deres input-variable: betalingsanmærkning ('ja'/'nej') er en binær nominal variabel, mens kontantpris er en ratiovariabel, og netop denne klassificering afgør, hvordan variablerne kodes, før de fødes ind i en ML-model.

En stikprøve En stikprøve, er et udsnit af populationen (den store mængde vi ønsker at udtale os om), hvis stikprøven afspejler populationen korrekt, siger vi stikprøven er repræsentativ.
Vi bruger stikprøver, da det er billigere end at undersøge hele populationen.
Hvis vi fx. ønsker at udtale os om danske mænds gennemsnitlige højde, kan vi udtage en stikprøve, hvor vi måler 100 mænds højde.
Stikprøven består så af de 100 målinger af højderne, populationen er så alle danske mænd.

Klik her for at lære mere om stikprøver!

af skalatype interval eller ratio kan reduceres til ordinal, eller nominal.
Temperatur målt i celsius kan fx. omskrives til en ordinal variabel:
koldt, normalt, varmt
eller en nominal variabel:
ekstrem temperatur, normal temperatur.

Nominale dvs. kategoriske skalaer kan yderligere reduceres til en dikotom/binær skala, ved at sammenlægge kategorierne, til man kun har 2 kategorier:
barn, ung, voksen, ældre
kan reduceres til:
yngre, ældre.

En variabel som fødselsår er intervalskala uden meningsfuldt nulpunkt, denne kan fx. omdannes til variablen alder der er ratioskala, alder 0 år betyder fravær af alder.
Er en person født i år 2000, kan alder i fx. 2024 bestemmes som nuværende år minus fødselsår, dvs. 2024 - 2000 = 24 år.

Det er ikke muligt at ændre en nominal- eller ordinal- til en intervalskala. Yngre og Ældre kan fx ikke ændres til ratioskalaen alder i år. Har vi fået oplyst at en person er yngre ved vi ikke om vedkommende f.eks. er 17 år eller 19 år

Quiz

Spørgsmål