• Zaloguj się do bazy danych: iSQLPlus. Identyfikator połączenia to DBLAB01.
• Ustaw zmienne środowiskowe które spowodują, że separator dziesiętny będzie poprawnie rozpoznawany.

ALTER SESSION SET NLS_LANGUAGE = english;
ALTER SESSION SET NLS_NUMERIC_CHARACTERS = ".,";

• Zapoznaj się ze strukturą i zawartością eksplorowanego zbioru danych

DESCRIBE titanic
 
SELECT * FROM titanic WHERE ROWNUM <= 20;

• Usuń tabele z ustawieniami wykorzystywane przez algorytm (jeśli wykonujesz ćwiczenie po raz pierwszy, możesz pominąć ten krok)

DROP TABLE settings;
DROP TABLE priors;

• Utwóz tabelę PRIORS i umieść w niej oszacowane prawdopodobieństo a priori przeżycia katastrofy statku

CREATE TABLE priors (
  target_value      VARCHAR(3),
  prior_probability NUMBER);
 
INSERT INTO priors VALUES ('no',0.5);
INSERT INTO priors VALUES ('yes',0.5);
COMMIT;

• Utwórz tabelę do przechowywania parametrów algorytmu naiwnego klasyfikatora Bayesa

CREATE TABLE settings (
  setting_name VARCHAR2(30),
  setting_value VARCHAR2(128) 
);

• Wypełnij tabelę parametrami dla algorytmu naiwnego klasyfikatora Bayesa. Ustaw progi singleton=1% i pairwise=0.5%

BEGIN       
  INSERT INTO settings VALUES (dbms_data_mining.algo_name,dbms_data_mining.algo_naive_bayes);
  INSERT INTO settings VALUES (dbms_data_mining.clas_priors_table_name,'PRIORS');
  INSERT INTO settings VALUES (dbms_data_mining.nabs_pairwise_threshold,0.005);
  INSERT INTO settings VALUES (dbms_data_mining.nabs_singleton_threshold,0.01);
  COMMIT;
END;

• Usuń stary model klasyfikatora (jeśli wykonujesz ćwiczenie po raz pierwszy, możesz pominąć ten krok)

BEGIN 
  DBMS_DATA_MINING.DROP_MODEL('NaiveBayes');
EXCEPTION WHEN OTHERS THEN NULL; 
END;

• Podziel zbiór danych na zbiór uczący i zbiór testowy

CREATE TABLE titanic_train AS
  SELECT * FROM titanic SAMPLE (66) PERCENT;
 
CREATE TABLE titanic_test AS
  SELECT * FROM titanic WHERE id NOT IN ( SELECT id FROM titanic_train );

• Zbuduj model, który będzie zawierał naiwny klasyfikator Bayesa

BEGIN
  DBMS_DATA_MINING.CREATE_MODEL(
    model_name          => 'NaiveBayes',
    mining_function     => DBMS_DATA_MINING.CLASSIFICATION,
    data_table_name     => 'titanic_train',
    case_id_column_name => 'id',
    target_column_name  => 'survived',
    settings_table_name => 'settings');
END;

• Wyświetl ustawienia modelu, tzn. odczytaj z repozytorium wartości parametrów z jakimi model został zbudowany

SELECT setting_name, setting_value
FROM TABLE(DBMS_DATA_MINING.GET_MODEL_SETTINGS('NaiveBayes'))
ORDER BY setting_name;

• Wyświetl sygnaturę modelu, tzn. odczytaj listę atrybutów z jakich model został zbudowany

SELECT attribute_name, attribute_type
FROM TABLE(DBMS_DATA_MINING.GET_MODEL_SIGNATURE('NaiveBayes'))
ORDER BY attribute_name;

• Wyświetl szczegóły modelu

SELECT target_attribute_name AS target_class,
       target_attribute_str_value AS target_value,
       attribute_name AS attribute,
       attribute_str_value AS VALUE,
       conditional_probability AS cond_probability
FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_NB('NaiveBayes')) T,   
     TABLE(T.conditionals) C
ORDER BY target_class, target_value, cond_probability DESC;

• Zastosuj model do danych

DROP TABLE apply_result;
DROP TABLE apply_ranked;
 
BEGIN
  DBMS_DATA_MINING.APPLY(
    model_name          => 'NaiveBayes',
    data_table_name     => 'titanic_test',
    case_id_column_name => 'id',
    result_table_name   => 'apply_result');
END;
/
 
BEGIN
  DBMS_DATA_MINING.RANK_APPLY (
    apply_result_table_name     => 'apply_result',
    case_id_column_name         => 'id',
    score_column_name           => 'prediction',
    score_criterion_column_name => 'probability',
    ranked_apply_table_name     => 'apply_ranked',
    top_n                       => 2);
END;

• Wyświetl wyniki zastosowania modelu do danych

SELECT *
FROM (SELECT id, class, age, sex, survived, prediction, ROUND(probability,4) AS probability
      FROM apply_result NATURAL JOIN titanic_test
      ORDER BY DBMS_RANDOM.RANDOM)
WHERE ROWNUM <= 10;
 
SELECT *
FROM (SELECT id, class, age, sex, survived, prediction, ROUND(probability,4) AS probability, RANK
      FROM apply_ranked NATURAL JOIN titanic_test
      ORDER BY id)
WHERE ROWNUM <= 10;

• Obejrzyj przypadki które są przez klasyfikator klasyfikowane błędnie

SELECT *
FROM (SELECT id, class, age, sex, survived, prediction, ROUND(probability,4) AS probability
      FROM apply_result NATURAL JOIN titanic_test
      WHERE survived != prediction)
WHERE ROWNUM <= 25;