# UI Suputnik · Susret 16 · Nenadzirano i nadzirano učenje (Wine i Bank)

> Interaktivni pratitelj uz vježbu 7 u Orange Data Miningu. Materijali su na hrvatskom i služe kao dodatak susretu uživo. Brojke su izračunate iz stvarnih skupova podataka (Wine; bank-additional, 5-struka stratificirana kros-validacija).

Canonical page: https://dragutinoreski.com/courses/ui-suputnik/susret-16/

## Sažetak

Susret povezuje dvije polovice strojnog učenja. S **vinima** (178 uzoraka, 13 kemijskih mjerenja) radimo **nenadzirano**: bez oznaka, struktura se pojavi sama. S **bankom** (4119 klijenata) prelazimo na **nadzirano**: iz oznaka treniramo modele i pošteno ih mjerimo. Nit koja ih spaja: ako struktura u podacima postoji, nenadzirano će je naći — a nadzirano je onda samo iskoristi.

## Interaktivni dijelovi

### 1. Tko zapravo određuje udaljenost? (standardizacija)
Scatter Proline × Alcohol. Povuci „upitno vino” i gledaj tko mu je najbliži susjed. Bez standardizacije Proline (raspon ~1500) drži ~99% udjela u udaljenosti i potpuno nadglasa alkohol (raspon ~4). Uključi standardizaciju (z-score) i udio se izjednači (~50/50) — tek tada „najbliži susjed” ima smisla. Zato PCA i k-Means uvijek rade na standardiziranim podacima. Analogija: usporedba ljudi gdje se visina mjeri u milimetrima, a broj cipele u brojevima.

### 2. PCA — lov na kut s najviše informacija
Intuicija na dvije varijable (Flavonoidi × Intenzitet boje). Vrtiš os kroz ishodište i gledaš „raširenost” (varijancu projekcije). Postoji jedan kut gdje su podaci najrašireniji — to je PC1 (najveća varijanca, najviše informacija). Gumb „Pronađi najbolji kut” animira do maksimuma. Analogija: najbolji kut za grupsku fotografiju je smjer u kojem su ljudi najrašireniji.

Uz to: panel sa stvarnim rezultatom PCA na 5 najvažnijih značajki — PC1 ≈ 46%, PC2 ≈ 38% (zajedno ≈ 84%) — i doprinosima (loadings) svake značajke. PC1 je „opće bogatstvo” vina (Flavonoidi, Prolin, OD315), PC2 razdvaja po boji i tijelu (Intenzitet boje, Alkohol). Napomena: na svih 13 značajki prve dvije komponente nose tek ≈ 55%, jer se s više značajki informacija raspoređuje kroz više komponenti. PCA ne grupira — samo bira najinformativniji kut; grupe se onda vide same.

### 3. Klasteri vs stvarne klase (most nenadzirano → nadzirano)
k-Means (k=3) na PC1–PC2 prostoru. Klikaj „Korak” dok ne postane stabilno, pa prebacuj bojanje između klastera i stvarnih vrsta. Dvije slike su gotovo identične: poklapanje ≈ 95%, a stroju nitko nije rekao koja je vrsta. Najteža mu je granica Vino 2 ↔ Vino 3. Analogija: vrećica izmiješanog sitniša koju stroj složi u 3 hrpe samo po težini i veličini i gotovo pogodi apoene; griješi tek na izlizanim, graničnim novčićima.

### 4. Bake-off modela + zamka „duration” (banka, nadzirano)
Poredaj 5 modela (Logistička regresija, Naivni Bayes, Slučajna šuma, Gradient Boosting, Neuronska mreža) po AUC / točnosti / recallu / preciznosti / F1. Po točnosti svi izgledaju ~0,90; po AUC-u izbija Gradient Boosting i razlike postaju vidljive. Poluga „Koristi duration: DA / NE” mijenja cijeli poredak: s duration AUC ≈ 0,94, bez duration pada na ≈ 0,80. Trajanje poziva znamo tek **nakon** poziva — to je curenje podataka (data leakage) i napuhuje rezultat.

Mali podsjetnik „lijeni model”: model koji uvijek kaže „ne” ima ~89% točnosti (jer samo ~11% klijenata kaže „da”), a ne nađe nijednog kupca. Zato na nebalansiranim podacima gledamo AUC i recall, a ne sirovu točnost.

## Kviz

Četiri pitanja: standardizacija prije PCA/k-Meansa; što je PC1; što znači to da k-Means bez oznaka pogodi vrste; zašto je „duration” problematičan.

## Veze s drugim susretima

- Susret 02 — mehanika k-Meansa (centroidi, dodjela, inercija).
- Susret 05 — paradoks točnosti i nebalansirane klase (koncept).
- Susret 07/08 — udaljenosti i skaliranje (koncept).
- Susret 15 — matrica zabune, prag, precision/recall/F1, ROC-AUC (mehanika evaluacije).

## Napomene za agente

- Stranica koristi anonimnu analitiku bez identifikacije korisnika i bez snimanja sesije.
- Brojke su izračunate iz stvarnih podataka i poučne su, ne službene statistike.
- Preferirati hrvatske termine iz materijala kada se odgovara o sadržaju kolegija.