##Projekt zaliczeniowy z przedmiotu Eksploracja i wizualizacja danych
- w pliku ludnosc.csv: wyniki ankiet w gospodarstwach domowych, zagregowane po województwach
- w pliku gminy.csv: dane statystyczne na temat gmin.
Na ich podstawie proszę o przygotowanie w grupach (3- lub 4-osobowych) projektu, w którym wykorzystają Państwo co najmniej 4 techniki poznane na wykładzie, w tym:
- analizę statystyczą rozważanego parametru w wybranych populacjach (tzn. przedział ufności uzyskany z rozkładu Studenta) - np. średnich dochodów na głowę w gospodarstwach domowych w poszczególnych województwach w 2020;
- zastosowanie któregoś z algorytmów klasyfikacyjnych.
Projekt powinien zawierać też raport z analizą i wizualizacją wszystkich wyników.
W przypadku problemów klasyfikacyjnych, ze względu na zastosowaną już wcześniej agregację, dużo naturalnych pytań jest niesprawdzalnych. Jednak dalej pozostaje wiele takich, na które dane mogą odpowiedzieć, np.:
- Można rozważyć klasyfikację gmin wg tego, czy bezrobocie kobiet jest niższe niż mężczyzn.
- Ciekawe może być obcięte drzewo decyzyjne pozwalające wykrywać gminy rekordzistki (zdefiniowane np. jako górne 10) względem jakiejś cechy.
- Dane można też pokubełkować. Tutaj jednak gorszym pomysłem byłoby klasyfikowanie w dwóch kubełkach ("powyżej czy poniżej mediany?"), ponieważ jeśli zmienna ma rozkład normalny, to większość wartości będzie bliska mediany, zatem klasyfikator musiałby mocno reagować na subtelne różnice.
Chciałabym, żeby Państwa projekt odpowiadał na rozsądnie brzmiące pytania. Oznacza to, że zastosowanie modelu regresji liniowej dla średniej ceny jajek w zależności od średniej ceny garniturów w danym województwie, jakkolwiek teoretycznie poprawne, nie jest mile widziane. Podobnie klasyfikacja miasto/wieś (np. wnioskowane z kodu TERYT) na podstawie liczby mieszkańców jest zbyt oczywista.
Różne techniki powinny zasadniczo odpowiadać na różne pytania; w przeciwnym razie - jeśli 2 lub więcej techniki będą analizować to samo pytanie - proszę porównać pomiędzy sobą wyniki otrzymane w każdym z podejść.
Dane pochodzą wprost z GUS i nie są oczyszczone. Oznacza to, że wartości niektórych zmiennych są znane tylko dla niektórych lat i/lub jednostek terytorialnych. W bazie występują NULLe, wartości '0' w przypadku 'braku danych', itp.