Download the Full Version of ebook for Fast Typing at ebookmass.

com

(eBook PDF) Data Mining and Predictive Analytics

2nd Edition

https://ebookmass.com/product/ebook-pdf-data-mining-and-
predictive-analytics-2nd-edition/

OR CLICK BUTTON

DOWNLOAD NOW

Download More ebook Instantly Today - Get Yours Now at ebookmass.com

 Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Predictive Modeling in Biomedical Data Mining and Analysis

Sudipta Roy

https://ebookmass.com/product/predictive-modeling-in-biomedical-data-
mining-and-analysis-sudipta-roy/

ebookmass.com

Fundamentals of Machine Learning for Predictive Data

Analytics: Algorithms,

https://ebookmass.com/product/fundamentals-of-machine-learning-for-
predictive-data-analytics-algorithms/

ebookmass.com

Data Mining for Business Analytics: Concepts, Techniques

and Applications in Python eBook

https://ebookmass.com/product/data-mining-for-business-analytics-
concepts-techniques-and-applications-in-python-ebook/

ebookmass.com

ISE Data Analytics for Accounting 2nd Edition Vernon

Richardson Professor

https://ebookmass.com/product/ise-data-analytics-for-accounting-2nd-
edition-vernon-richardson-professor/

ebookmass.com
(eBook PDF) Human Resource Management: People, Data, and
Analytics 1st Edition

https://ebookmass.com/product/ebook-pdf-human-resource-management-
people-data-and-analytics-1st-edition/

ebookmass.com

(eBook PDF) Introduction to Data Analytics for Accounting

https://ebookmass.com/product/ebook-pdf-introduction-to-data-
analytics-for-accounting/

ebookmass.com

Data analytics Anil Maheshwari

https://ebookmass.com/product/data-analytics-anil-maheshwari/

ebookmass.com

Using Predictive Analytics to Improve Healthcare Outcomes

1st Edition John W. Nelson

https://ebookmass.com/product/using-predictive-analytics-to-improve-
healthcare-outcomes-1st-edition-john-w-nelson/

ebookmass.com

Handbook of statistical analysis and data mining

applications Second Edition Elder

https://ebookmass.com/product/handbook-of-statistical-analysis-and-
data-mining-applications-second-edition-elder/

ebookmass.com
 CONTENTS

PREFACE xxi
ACKNOWLEDGMENTS xxix

PART I
DATA PREPARATION 1

CHAPTER 1 AN INTRODUCTION TO DATA MINING AND PREDICTIVE

ANALYTICS 3

1.1 What is Data Mining? What is Predictive Analytics? 3

1.2 Wanted: Data Miners 5
1.3 The Need for Human Direction of Data Mining 6
1.4 The Cross-Industry Standard Process for Data Mining: CRISP-DM 6
1.4.1 CRISP-DM: The Six Phases 7
1.5 Fallacies of Data Mining 9
1.6 What Tasks Can Data Mining Accomplish 10
1.6.1 Description 10
1.6.2 Estimation 11
1.6.3 Prediction 12
1.6.4 Classification 12
1.6.5 Clustering 15
1.6.6 Association 16
The R Zone 17
R References 18
Exercises 18

CHAPTER 2 DATA PREPROCESSING 20

2.1 Why do We Need to Preprocess the Data? 20

2.2 Data Cleaning 21
2.3 Handling Missing Data 22
2.4 Identifying Misclassifications 25
2.5 Graphical Methods for Identifying Outliers 26
2.6 Measures of Center and Spread 27
2.7 Data Transformation 30
2.8 Min–Max Normalization 30
2.9 Z-Score Standardization 31
2.10 Decimal Scaling 32
2.11 Transformations to Achieve Normality 32

vii
viii CONTENTS

2.12 Numerical Methods for Identifying Outliers 38

2.13 Flag Variables 39
2.14 Transforming Categorical Variables into Numerical Variables 40
2.15 Binning Numerical Variables 41
2.16 Reclassifying Categorical Variables 42
2.17 Adding an Index Field 43
2.18 Removing Variables that are not Useful 43
2.19 Variables that Should Probably not be Removed 43
2.20 Removal of Duplicate Records 44
2.21 A Word About ID Fields 45
The R Zone 45
R Reference 51
Exercises 51

CHAPTER 3 EXPLORATORY DATA ANALYSIS 54

3.1 Hypothesis Testing Versus Exploratory Data Analysis 54

3.2 Getting to Know the Data Set 54
3.3 Exploring Categorical Variables 56
3.4 Exploring Numeric Variables 64
3.5 Exploring Multivariate Relationships 69
3.6 Selecting Interesting Subsets of the Data for Further Investigation 70
3.7 Using EDA to Uncover Anomalous Fields 71
3.8 Binning Based on Predictive Value 72
3.9 Deriving New Variables: Flag Variables 75
3.10 Deriving New Variables: Numerical Variables 77
3.11 Using EDA to Investigate Correlated Predictor Variables 78
3.12 Summary of Our EDA 81
The R Zone 82
R References 89
Exercises 89

CHAPTER 4 DIMENSION-REDUCTION METHODS 92

4.1 Need for Dimension-Reduction in Data Mining 92

4.2 Principal Components Analysis 93
4.3 Applying PCA to the Houses Data Set 96
4.4 How Many Components Should We Extract? 102
4.4.1 The Eigenvalue Criterion 102
4.4.2 The Proportion of Variance Explained Criterion 103
4.4.3 The Minimum Communality Criterion 103
4.4.4 The Scree Plot Criterion 103
4.5 Profiling the Principal Components 105
4.6 Communalities 108
4.6.1 Minimum Communality Criterion 109
4.7 Validation of the Principal Components 110
4.8 Factor Analysis 110
4.9 Applying Factor Analysis to the Adult Data Set 111
4.10 Factor Rotation 114
4.11 User-Defined Composites 117
 CONTENTS ix

4.12 An Example of a User-Defined Composite 118

The R Zone 119
R References 124
Exercises 124

PART II
STATISTICAL ANALYSIS 129

CHAPTER 5 UNIVARIATE STATISTICAL ANALYSIS 131

5.1 Data Mining Tasks in Discovering Knowledge in Data 131

5.2 Statistical Approaches to Estimation and Prediction 131
5.3 Statistical Inference 132
5.4 How Confident are We in Our Estimates? 133
5.5 Confidence Interval Estimation of the Mean 134
5.6 How to Reduce the Margin of Error 136
5.7 Confidence Interval Estimation of the Proportion 137
5.8 Hypothesis Testing for the Mean 138
5.9 Assessing the Strength of Evidence Against the Null Hypothesis 140
5.10 Using Confidence Intervals to Perform Hypothesis Tests 141
5.11 Hypothesis Testing for the Proportion 143
Reference 144
The R Zone 144
R Reference 145
Exercises 145

CHAPTER 6 MULTIVARIATE STATISTICS 148

6.1 Two-Sample t-Test for Difference in Means 148

6.2 Two-Sample Z-Test for Difference in Proportions 149
6.3 Test for the Homogeneity of Proportions 150
6.4 Chi-Square Test for Goodness of Fit of Multinomial Data 152
6.5 Analysis of Variance 153
Reference 156
The R Zone 157
R Reference 158
Exercises 158

CHAPTER 7 PREPARING TO MODEL THE DATA 160

7.1 Supervised Versus Unsupervised Methods 160

7.2 Statistical Methodology and Data Mining Methodology 161
7.3 Cross-Validation 161
7.4 Overfitting 163
7.5 Bias–Variance Trade-Off 164
7.6 Balancing the Training Data Set 166
7.7 Establishing Baseline Performance 167
The R Zone 168
x CONTENTS

R Reference 169
Exercises 169

CHAPTER 8 SIMPLE LINEAR REGRESSION 171

8.1 An Example of Simple Linear Regression 171

8.1.1 The Least-Squares Estimates 174
8.2 Dangers of Extrapolation 177
8.3 How Useful is the Regression? The Coefficient of Determination, r2 178
8.4 Standard Error of the Estimate, s 183
8.5 Correlation Coefficient r 184
8.6 Anova Table for Simple Linear Regression 186
8.7 Outliers, High Leverage Points, and Influential Observations 186
8.8 Population Regression Equation 195
8.9 Verifying the Regression Assumptions 198
8.10 Inference in Regression 203
8.11 t-Test for the Relationship Between x and y 204
8.12 Confidence Interval for the Slope of the Regression Line 206
8.13 Confidence Interval for the Correlation Coefficient 𝜌 208
8.14 Confidence Interval for the Mean Value of y Given x 210
8.15 Prediction Interval for a Randomly Chosen Value of y Given x 211
8.16 Transformations to Achieve Linearity 213
8.17 Box–Cox Transformations 220
The R Zone 220
R References 227
Exercises 227

CHAPTER 9 MULTIPLE REGRESSION AND MODEL BUILDING 236

9.1 An Example of Multiple Regression 236

9.2 The Population Multiple Regression Equation 242
9.3 Inference in Multiple Regression 243
9.3.1 The t-Test for the Relationship Between y and xi 243
9.3.2 t-Test for Relationship Between Nutritional Rating and Sugars 244
9.3.3 t-Test for Relationship Between Nutritional Rating and Fiber
Content 244
9.3.4 The F-Test for the Significance of the Overall Regression Model 245
9.3.5 F-Test for Relationship between Nutritional Rating and {Sugar and Fiber},
Taken Together 247
9.3.6 The Confidence Interval for a Particular Coefficient, 𝛽i 247
9.3.7 The Confidence Interval for the Mean Value of y, Given
x1 , x2 , … , xm 248
9.3.8 The Prediction Interval for a Randomly Chosen Value of y, Given
x1 , x2 , … , xm 248
9.4 Regression with Categorical Predictors, Using Indicator Variables 249
9.5 Adjusting R2 : Penalizing Models for Including Predictors that are not Useful 256
9.6 Sequential Sums of Squares 257
9.7 Multicollinearity 258
9.8 Variable Selection Methods 266
9.8.1 The Partial F-Test 266
 CONTENTS xi

9.8.2 The Forward Selection Procedure 268

9.8.3 The Backward Elimination Procedure 268
9.8.4 The Stepwise Procedure 268
9.8.5 The Best Subsets Procedure 269
9.8.6 The All-Possible-Subsets Procedure 269
9.9 Gas Mileage Data Set 270
9.10 An Application of Variable Selection Methods 271
9.10.1 Forward Selection Procedure Applied to the Gas Mileage Data Set 271
9.10.2 Backward Elimination Procedure Applied to the Gas Mileage
Data Set 273
9.10.3 The Stepwise Selection Procedure Applied to the Gas Mileage
Data Set 273
9.10.4 Best Subsets Procedure Applied to the Gas Mileage Data Set 274
9.10.5 Mallows’ Cp Statistic 275
9.11 Using the Principal Components as Predictors in Multiple Regression 279
The R Zone 284
R References 292
Exercises 293

PART III
CLASSIFICATION 299

CHAPTER 10 k-NEAREST NEIGHBOR ALGORITHM 301

10.1 Classification Task 301

10.2 k-Nearest Neighbor Algorithm 302
10.3 Distance Function 305
10.4 Combination Function 307
10.4.1 Simple Unweighted Voting 307
10.4.2 Weighted Voting 308
10.5 Quantifying Attribute Relevance: Stretching the Axes 309
10.6 Database Considerations 310
10.7 k-Nearest Neighbor Algorithm for Estimation and Prediction 310
10.8 Choosing k 311
10.9 Application of k-Nearest Neighbor Algorithm Using IBM/SPSS Modeler 312
The R Zone 312
R References 315
Exercises 315

CHAPTER 11 DECISION TREES 317

11.1 What is a Decision Tree? 317

11.2 Requirements for Using Decision Trees 319
11.3 Classification and Regression Trees 319
11.4 C4.5 Algorithm 326
11.5 Decision Rules 332
11.6 Comparison of the C5.0 and CART Algorithms Applied to Real Data 332
The R Zone 335
xii CONTENTS

R References 337
Exercises 337

CHAPTER 12 NEURAL NETWORKS 339

12.1 Input and Output Encoding 339

12.2 Neural Networks for Estimation and Prediction 342
12.3 Simple Example of a Neural Network 342
12.4 Sigmoid Activation Function 344
12.5 Back-Propagation 345
12.6 Gradient-Descent Method 346
12.7 Back-Propagation Rules 347
12.8 Example of Back-Propagation 347
12.9 Termination Criteria 349
12.10 Learning Rate 350
12.11 Momentum Term 351
12.12 Sensitivity Analysis 353
12.13 Application of Neural Network Modeling 353
The R Zone 356
R References 357
Exercises 357

CHAPTER 13 LOGISTIC REGRESSION 359

13.1 Simple Example of Logistic Regression 359

13.2 Maximum Likelihood Estimation 361
13.3 Interpreting Logistic Regression Output 362
13.4 Inference: are the Predictors Significant? 363
13.5 Odds Ratio and Relative Risk 365
13.6 Interpreting Logistic Regression for a Dichotomous Predictor 367
13.7 Interpreting Logistic Regression for a Polychotomous Predictor 370
13.8 Interpreting Logistic Regression for a Continuous Predictor 374
13.9 Assumption of Linearity 378
13.10 Zero-Cell Problem 382
13.11 Multiple Logistic Regression 384
13.12 Introducing Higher Order Terms to Handle Nonlinearity 388
13.13 Validating the Logistic Regression Model 395
13.14 WEKA: Hands-On Analysis Using Logistic Regression 399
The R Zone 404
R References 409
Exercises 409

CHAPTER 14 NAÏVE BAYES AND BAYESIAN NETWORKS 414

14.1 Bayesian Approach 414

14.2 Maximum a Posteriori (Map) Classification 416
14.3 Posterior Odds Ratio 420
 CONTENTS xiii

14.4 Balancing the Data 422

14.5 Naïve Bayes Classification 423
14.6 Interpreting the Log Posterior Odds Ratio 426
14.7 Zero-Cell Problem 428
14.8 Numeric Predictors for Naïve Bayes Classification 429
14.9 WEKA: Hands-on Analysis Using Naïve Bayes 432
14.10 Bayesian Belief Networks 436
14.11 Clothing Purchase Example 436
14.12 Using the Bayesian Network to Find Probabilities 439
14.12.1 WEKA: Hands-on Analysis Using Bayes Net 441
The R Zone 444
R References 448
Exercises 448

CHAPTER 15 MODEL EVALUATION TECHNIQUES 451

15.1 Model Evaluation Techniques for the Description Task 451

15.2 Model Evaluation Techniques for the Estimation and Prediction Tasks 452
15.3 Model Evaluation Measures for the Classification Task 454
15.4 Accuracy and Overall Error Rate 456
15.5 Sensitivity and Specificity 457
15.6 False-Positive Rate and False-Negative Rate 458
15.7 Proportions of True Positives, True Negatives, False Positives,
and False Negatives 458
15.8 Misclassification Cost Adjustment to Reflect Real-World Concerns 460
15.9 Decision Cost/Benefit Analysis 462
15.10 Lift Charts and Gains Charts 463
15.11 Interweaving Model Evaluation with Model Building 466
15.12 Confluence of Results: Applying a Suite of Models 466
The R Zone 467
R References 468
Exercises 468

CHAPTER 16 COST-BENEFIT ANALYSIS USING DATA-DRIVEN COSTS 471

16.1 Decision Invariance Under Row Adjustment 471

16.2 Positive Classification Criterion 473
16.3 Demonstration of the Positive Classification Criterion 474
16.4 Constructing the Cost Matrix 474
16.5 Decision Invariance Under Scaling 476
16.6 Direct Costs and Opportunity Costs 478
16.7 Case Study: Cost-Benefit Analysis Using Data-Driven Misclassification Costs 478
16.8 Rebalancing as a Surrogate for Misclassification Costs 483
The R Zone 485
R References 487
Exercises 487
xiv CONTENTS

CHAPTER 17 COST-BENEFIT ANALYSIS FOR TRINARY AND k-NARY

CLASSIFICATION MODELS 491

17.1 Classification Evaluation Measures for a Generic Trinary Target 491

17.2 Application of Evaluation Measures for Trinary Classification to the Loan
Approval Problem 494
17.3 Data-Driven Cost-Benefit Analysis for Trinary Loan Classification Problem 498
17.4 Comparing Cart Models with and without Data-Driven Misclassification
Costs 500
17.5 Classification Evaluation Measures for a Generic k-Nary Target 503
17.6 Example of Evaluation Measures and Data-Driven Misclassification Costs
for k-Nary Classification 504
The R Zone 507
R References 508
Exercises 508

CHAPTER 18 GRAPHICAL EVALUATION OF CLASSIFICATION MODELS 510

18.1 Review of Lift Charts and Gains Charts 510

18.2 Lift Charts and Gains Charts Using Misclassification Costs 510
18.3 Response Charts 511
18.4 Profits Charts 512
18.5 Return on Investment (ROI) Charts 514
The R Zone 516
R References 517
Exercises 518

PART IV
CLUSTERING 521

CHAPTER 19 HIERARCHICAL AND k-MEANS CLUSTERING 523

19.1 The Clustering Task 523

19.2 Hierarchical Clustering Methods 525
19.3 Single-Linkage Clustering 526
19.4 Complete-Linkage Clustering 527
19.5 k-Means Clustering 529
19.6 Example of k-Means Clustering at Work 530
19.7 Behavior of MSB, MSE, and Pseudo-F as the k-Means Algorithm Proceeds 533
19.8 Application of k-Means Clustering Using SAS Enterprise Miner 534
19.9 Using Cluster Membership to Predict Churn 537
The R Zone 538
R References 540
Exercises 540
 CONTENTS xv

CHAPTER 20 KOHONEN NETWORKS 542

20.1 Self-Organizing Maps 542

20.2 Kohonen Networks 544
20.3 Example of a Kohonen Network Study 545
20.4 Cluster Validity 549
20.5 Application of Clustering Using Kohonen Networks 549
20.6 Interpreting The Clusters 551
20.6.1 Cluster Profiles 554
20.7 Using Cluster Membership as Input to Downstream Data Mining Models 556
The R Zone 557
R References 558
Exercises 558

CHAPTER 21 BIRCH CLUSTERING 560

21.1 Rationale for Birch Clustering 560

21.2 Cluster Features 561
21.3 Cluster Feature Tree 562
21.4 Phase 1: Building the CF Tree 562
21.5 Phase 2: Clustering the Sub-Clusters 564
21.6 Example of Birch Clustering, Phase 1: Building the CF Tree 565
21.7 Example of Birch Clustering, Phase 2: Clustering the Sub-Clusters 570
21.8 Evaluating the Candidate Cluster Solutions 571
21.9 Case Study: Applying Birch Clustering to the Bank Loans Data Set 571
21.9.1 Case Study Lesson One: Avoid Highly Correlated Inputs to Any
Clustering Algorithm 572
21.9.2 Case Study Lesson Two: Different Sortings May Lead to Different
Numbers of Clusters 577
The R Zone 579
R References 580
Exercises 580

CHAPTER 22 MEASURING CLUSTER GOODNESS 582

22.1 Rationale for Measuring Cluster Goodness 582

22.2 The Silhouette Method 583
22.3 Silhouette Example 584
22.4 Silhouette Analysis of the IRIS Data Set 585
22.5 The Pseudo-F Statistic 590
22.6 Example of the Pseudo-F Statistic 591
22.7 Pseudo-F Statistic Applied to the IRIS Data Set 592
22.8 Cluster Validation 593
22.9 Cluster Validation Applied to the Loans Data Set 594
The R Zone 597
R References 599
Exercises 599
xvi CONTENTS

PART V
ASSOCIATION RULES 601

CHAPTER 23 ASSOCIATION RULES 603

23.1 Affinity Analysis and Market Basket Analysis 603

23.1.1 Data Representation for Market Basket Analysis 604
23.2 Support, Confidence, Frequent Itemsets, and the a Priori Property 605
23.3 How Does the a Priori Algorithm Work (Part 1)? Generating Frequent
Itemsets 607
23.4 How Does the a Priori Algorithm Work (Part 2)? Generating Association
Rules 608
23.5 Extension from Flag Data to General Categorical Data 611
23.6 Information-Theoretic Approach: Generalized Rule Induction Method 612
23.6.1 J-Measure 613
23.7 Association Rules are Easy to do Badly 614
23.8 How can we Measure the Usefulness of Association Rules? 615
23.9 Do Association Rules Represent Supervised or Unsupervised Learning? 616
23.10 Local Patterns Versus Global Models 617
The R Zone 618
R References 618
Exercises 619

PART VI
ENHANCING MODEL PERFORMANCE 623

CHAPTER 24 SEGMENTATION MODELS 625

24.1 The Segmentation Modeling Process 625

24.2 Segmentation Modeling Using EDA to Identify the Segments 627
24.3 Segmentation Modeling using Clustering to Identify the Segments 629
The R Zone 634
R References 635
Exercises 635

CHAPTER 25 ENSEMBLE METHODS: BAGGING AND BOOSTING 637

25.1 Rationale for Using an Ensemble of Classification Models 637

25.2 Bias, Variance, and Noise 639
25.3 When to Apply, and not to apply, Bagging 640
25.4 Bagging 641
25.5 Boosting 643
25.6 Application of Bagging and Boosting Using IBM/SPSS Modeler 647
References 648
The R Zone 649
R Reference 650
Exercises 650
 CONTENTS xvii

CHAPTER 26 MODEL VOTING AND PROPENSITY AVERAGING 653

26.1 Simple Model Voting 653

26.2 Alternative Voting Methods 654
26.3 Model Voting Process 655
26.4 An Application of Model Voting 656
26.5 What is Propensity Averaging? 660
26.6 Propensity Averaging Process 661
26.7 An Application of Propensity Averaging 661
The R Zone 665
R References 666
Exercises 666

PART VII
FURTHER TOPICS 669

CHAPTER 27 GENETIC ALGORITHMS 671

27.1 Introduction To Genetic Algorithms 671

27.2 Basic Framework of a Genetic Algorithm 672
27.3 Simple Example of a Genetic Algorithm at Work 673
27.3.1 First Iteration 674
27.3.2 Second Iteration 675
27.4 Modifications and Enhancements: Selection 676
27.5 Modifications and Enhancements: Crossover 678
27.5.1 Multi-Point Crossover 678
27.5.2 Uniform Crossover 678
27.6 Genetic Algorithms for Real-Valued Variables 679
27.6.1 Single Arithmetic Crossover 680
27.6.2 Simple Arithmetic Crossover 680
27.6.3 Whole Arithmetic Crossover 680
27.6.4 Discrete Crossover 681
27.6.5 Normally Distributed Mutation 681
27.7 Using Genetic Algorithms to Train a Neural Network 681
27.8 WEKA: Hands-On Analysis Using Genetic Algorithms 684
The R Zone 692
R References 693
Exercises 693

CHAPTER 28 IMPUTATION OF MISSING DATA 695

28.1 Need for Imputation of Missing Data 695

28.2 Imputation of Missing Data: Continuous Variables 696
28.3 Standard Error of the Imputation 699
28.4 Imputation of Missing Data: Categorical Variables 700
28.5 Handling Patterns in Missingness 701
Reference 701
The R Zone 702
xviii CONTENTS

R References 704
Exercises 704

PART VIII
CASE STUDY: PREDICTING RESPONSE TO DIRECT-MAIL
MARKETING 705

CHAPTER 29 CASE STUDY, PART 1: BUSINESS UNDERSTANDING,

DATA PREPARATION, AND EDA 707

29.1 Cross-Industry Standard Practice for Data Mining 707

29.2 Business Understanding Phase 709
29.3 Data Understanding Phase, Part 1: Getting a Feel for the Data Set 710
29.4 Data Preparation Phase 714
29.4.1 Negative Amounts Spent? 714
29.4.2 Transformations to Achieve Normality or Symmetry 716
29.4.3 Standardization 717
29.4.4 Deriving New Variables 719
29.5 Data Understanding Phase, Part 2: Exploratory Data Analysis 721
29.5.1 Exploring the Relationships between the Predictors and the
Response 722
29.5.2 Investigating the Correlation Structure among the Predictors 727
29.5.3 Importance of De-Transforming for Interpretation 730

CHAPTER 30 CASE STUDY, PART 2: CLUSTERING AND PRINCIPAL

COMPONENTS ANALYSIS 732

30.1 Partitioning the Data 732

30.1.1 Validating the Partition 732
30.2 Developing the Principal Components 733
30.3 Validating the Principal Components 737
30.4 Profiling the Principal Components 737
30.5 Choosing the Optimal Number of Clusters Using Birch Clustering 742
30.6 Choosing the Optimal Number of Clusters Using k-Means Clustering 744
30.7 Application of k-Means Clustering 745
30.8 Validating the Clusters 745
30.9 Profiling the Clusters 745

CHAPTER 31 CASE STUDY, PART 3: MODELING AND EVALUATION

FOR PERFORMANCE AND INTERPRETABILITY 749

31.1 Do you Prefer the Best Model Performance, or a Combination of Performance and
Interpretability? 749
31.2 Modeling and Evaluation Overview 750
31.3 Cost-Benefit Analysis Using Data-Driven Costs 751
31.3.1 Calculating Direct Costs 752
31.4 Variables to be Input to the Models 753
 CONTENTS xix

31.5 Establishing the Baseline Model Performance 754

31.6 Models that use Misclassification Costs 755
31.7 Models that Need Rebalancing as a Surrogate for Misclassification Costs 756
31.8 Combining Models Using Voting and Propensity Averaging 757
31.9 Interpreting the Most Profitable Model 758

CHAPTER 32 CASE STUDY, PART 4: MODELING AND EVALUATION

FOR HIGH PERFORMANCE ONLY 762

32.1 Variables to be Input to the Models 762

32.2 Models that use Misclassification Costs 762
32.3 Models that Need Rebalancing as a Surrogate for Misclassification Costs 764
32.4 Combining Models using Voting and Propensity Averaging 765
32.5 Lessons Learned 766
32.6 Conclusions 766

APPENDIX A DATA SUMMARIZATION AND VISUALIZATION 768

Part 1: Summarization 1: Building Blocks of Data Analysis 768

Part 2: Visualization: Graphs and Tables for Summarizing and Organizing
Data 770
Part 3: Summarization 2: Measures of Center, Variability, and Position 774
Part 4: Summarization and Visualization of Bivariate Relationships 777

INDEX 781
Discovering Diverse Content Through
Random Scribd Documents
 – Nos… a lánykákkal ázt hátároztuk, hogy á Stefi itthon márád
veletek, mert végre is nem férnek mind á kocsirá, (ezt ingerült
hangon mondta a bácsi, bár édesen mosolygott hozzá) a többi
három lány pedig és Lőrincz velem jő. És ti Gábor és Poldi, mit
csináltok áddig?
– Mi majd elmegyünk Stefivel egy kicsit sétálni – felelt a Gábor
helyett Poldi, kissé előre hajolt derékkal felállva s gyermekes
naivitással mosolyogva Nikire, mint a ki nem lát és nem hall, mit a ki
nem tud a Márfay Miklós házi visszonyairól semmit, de semmit.
Stefi, ki e közben lehorgasztott fővel besurrant a szobába, Poldi
szavaira hálásan mosolygott és gúnyosan nézett három nővérére:
«látjátok, a nyertes mégis csak én vagyok», fejezték ki a szemei.
De nem szólt semmit – félt a Lizitől.
 22.

A nagy családi omnibusz kirobogott a tágas udvarról és hogy

Stefi egyedűl maradt Poldi és Gáborral, eleredt a nyelve, de úgy,
mint csak egy oly leánynak, kit hetek és hónapok óta nem engedtek
szóhoz jutni a nénjei, ő lévén köztük a legcsendesebb és
leghunyászkodóbb.
– Igen… így megy ez nálunk. De jertek erre, ezen az úton
egyedűl maradunk. Felmehetünk az erdőig együtt. A legkisebb
dologért harczra kell kelnünk az öreggel, kit egész testével, lelkével
együtt az az útálatos Adelgunda rakott zsebre. Láttad, hogy
elsárgult, hogy most megint mi győztünk?… De milyen szemtelen ez
a személy. Ágyasa a bácsinak (mondta lesütött szemmel szűziesen
pirulva) és nekünk ezt tűrni kell. Így élünk harmincz esztendeje (én
húsz éves se voltam, mikor ez a szégyen megesett rajtunk) egy
személy, a szeretője oldalán, mert az édes bátyánk kilökött az
útczára. Akkor Lizi huszonöt éves se volt még… Hová mehettünk
volna mi leányok ilyen fiatalon? Nem tudtunk a világról semmit… a
Niki bácsi idecsalt… azóta itt vagyunk eltemetve…
– De hát nem lehetne ezen valamiféle módon segíteni? – kérdte
Gábor, ki maga sem tudta miért, de szánni kezdte ezt a vén leányt,
kit annyi sok évi erkölcsi szenvedés ily kerekre hizlalt.
– Hi-hi-hí… segíteni? – vihogta Stefi, de úgy, hogy egész vastag
teste megrezdült belé. – Hogyan? Késő már édes öcsénk. Öregek
lettünk, én is, nénéim is, rászoktunk már erre az élettel
homlokegyenest ellenkező existencziára. Nem tudnánk már ellenni
mindennapi apró bajaink nélkül. Csak a Lizi szokta koronkint azzal
fenyegetni az öreget, hogy hazamegyünk bátyánkhoz, a Lóri meg,
hogy klastromba megyünk. A Lizi fenyegetése diplomatikus, az hat
rá, ettől tart. Csak a gyűlölt Kázmérhoz ne… A Lórién csak nevet.
Bánná is ő, ha ma felfordulnánk mind a négyen.
 Folytatta volna tovább, de egy fordulónál szembe találták
magukat Adelgundával, ki úgy látszik a távolban követte őket, attól
tartva, hogy a Márfay leányok legfiatalabbja valami olyat talál
mondani a fiúknak s kivált Gábornak, a mi ő reá «hamis» fényt
vethetne.
Amint Stefi meglátta Adelgundát, hirtelen meghajtotta magát a
két fiú előtt, de olyan mélyen, hogy szinte eltünt buggyos
szoknyáinak tengerébe, aztán sarkán fordult s kicsiny aprózott
léptekkel, a kastély felé tipegett.
– Sie hasst mich, die Kleine. Sie möchte mich umbringen! –
sipította Adelgunda, még sárgábbra válva, mint a milyen azelőtt volt.
Gábor egy pillanatig utána nézett, aztán pár perczig kedvetlen
arczczal még hallgatta Adelgunda szitkozódásait.
– De nem vagy fáradt, én szívesen pihennék egy kicsit? – fordult
Poldihoz.
– Korán indultunk el Dálnáról… Merre van a szobád?
A két fiú összenézett, megértették egymást. Elbucsúztak
Adelgunda kisasszonytól.
 23.

Poldi szobája helyett – a mint Adelgunda letünt a láthatárról – az

erdő felé mentek. Lassan, szótlanúl haladt a két fiú, mint a kiknek
igen sok elmondani valójuk van s nem tudják, hogyan kezdjenek
hozzá.
– Soká nem láttalak Gábor, – szólalt meg végre hosszú csend
után Poldi, midőn egy tisztásra értek, s egy árok partján mindketten
leültek a földre.
– Mondd, hogyan birsz itt heteket és heteket eltölteni? Hiszen
ezek kétségbeejtő állapotok! – szólalt meg hevesen Gábor, a helyett,
hogy Poldinak felelt volna.
– Miért? Sokat vagyok itt egyedül. Hagynak tenni, menni. Igen jól
elvagyok az oldalukon. Sokszor észre se vesznek.
– De ők maguk, velök nem törődsz?
– Hol nevetek rajtuk, ha kicsinyes oldalaikat látom, hol meg
sajnálom őket, ha életczéljukat, törekvéseiket veszem tekintetbe.
Haragudni egyikre sem tudnék, – mondta a vén bölcs nagy
figyelemmel vizsgálva a lábainál rajzó hangyabojt. – Ezeknek van
életczéljuk – mondta a hangyákra mutatva – tudják, mit akarnak.
Amazok, a mi nevezetes rokonságunk, rohan előre az ürben,
marakodik semmiért, kínozza magát mindegyik külön, küzd,
cselekszik, szenved,… s mindent semmiért… A hangyák mily
bámulatraméltó teremtések.
– De mily irtóztató ez a ház, milyen borzasztóan nevetséges ez
az öreg ember, aki ki van a szó szoros értelmében ezeknek a vén
lányoknak szolgáltatva, akik azt teszik vele, a mit akarnak, s ilyen
vén lányféle produktumot csinálnak belőle.
 – Hát nem ismered még Sardanapalus bátyánkat, hogy ezen
csudálkozol?
– Ismerem, ismerem, de azért minden újabb találkozásunknál
újból fedezem fel őt. És Kázmér bácsival, hogy vannak
mostanában?
– Úgy, mint azelőtt. Tán csak nem hiszed, hogy kibékülnek még
valaha. Húsukká, vérükké vált az egymás iránt érzett harag. Most az
a szenvedélyök, hogy a márfai helyi postán nyílt levelező lapon
goromba leveleket írnak egymásnak. Persze a postásné s így
indirekte a megyei intelligenczia végtelen gyönyörűségére. Miklós
bácsi soha se fogja megbocsájtani, hogy azt a park alatti útat át nem
engedte néki, Kázmér meg bűnül rójja fel Miklós bácsinak, hogy a
négy lányt magához vette.
– De hogy is volt ez a história, én már csak homályosan
emlékszem rá?
– Nos. Hiszen tudod, hogy családaink veszekedései
tradiczionálisak. Sokkal kisebb ez a vármegye, semhogy három ily
hatalmas nemzetség megférjen benne egymás mellett békében.
Hiszen csak egy főispáni székre aspirál mind, a családoknak meg
oly számos a tagja. Nagyatyád testvéröcscse Endre, márv iszályban
élt bátyjaival, így Nikivel is, és a milyen rossz testvér, olyan rossz
atya is volt. Csak a fiát, Kázmért pártfogolta. Ennek akart mindent
hagyni s ezért a négy lány mindentől visszatartotta. A család oltárára
estek áldozatul! De hiszen ezt tudod. Nos, a Miklós, ki már az öreg
Endrét ki nem állhatta, hogy Kázmért megbosszantsa, (ki ábbán áz
út proczesszusbán oly méltátlánul járt el vélem – mondaná Niki)
magához vette a négy lányt, sub titulo, hogy sajnálja őket. Szó sem
igaz, ezzel is csak a Kázmért akarta boszantani. Mert nkább
kínoztatja magát napról-napra, csakhogy elmondhassa a
látogatóinak: «Szegény húgáimát mágámhoz vettem, mert á
szívtelen bátyjuk kilökte őket áz utczárá».
– De hát, hogy lehet ilyen semmiségeken veszekedni.
 – Gyermek, nem ismered még a mi világunkat? Egy tűszúrást itt
még húsz év mulva is megéreznek. Egy hevesen kiejtett szót, a
melyet már a kiejtés pillanatában is mosolylyal ajkainkon fogadtunk,
húsz év mulva is megemlítünk, ha a sértőről beszélünk, már t. i. a
háta mögött. Furcsa világ ez nagyon… az érzékenykedés világa, és
azt hiszed mi, te és én többet érünk mint amazok? Szó sincs róla…
ismerlek titeket, mint magamat. A különbség csak abból áll, hogy
«fajtánk» tulajdonai nálunk valamivel finomabbak, velenczei üveg
finomságuak lettek. Az érzékenykedésből szenszitivizmus lett, a
szőrszálhasogatás nálunk töprengéssé evolválódott, azért édesem
te is, én is, életképtelenek vagyunk, csak úgy, mint ők és éppen
olyan szánalomraméltók vagyunk, mint ők. A pusztulás kezdete…
erjedés nálunk, náluk, mindenikünknél…
Gábor nem szólt. Érezte, igaza van a vén bölcs – gyereknek.
Érezte, több gondolatot hítt e pár szóval a lelke mélyében életre,
mint a mennyit önmagának be mert vallani.
– És nézd őket. Hidd el, szánalomraméltók. Nézd ezt az öreg
gyereket, ki egész életében egyedül volt, daczára annak, hogy
módjában lett volna megnépesíteni a házát, nővel, gyermekekkel. A
ki gazdagsága közepett is a szegények szegénye maradt s ki
alapjában nem rossz ember, – ezek a vén lányok, kiknek csak
nevetséges oldalait látjuk, szánalomra méltók szintén. Nem tudnak
az életről semmit, mégis boldogtalanok, mert üres a létük, irány és
czél nélkül vegetálnak. És mégis vannak olyanok, kik azt mondják:
minden boldogtalanság kútfeje az élet… Látod öreg Gáborom, ide
jövök, ha már azt hiszem, hogy utól értem az árnyékomat. Úgy
érzem, itt még újra… életre vígasztalhatom magamat. Jó lányok
ezek, lehettek volna a legjobb anyák, a legjobb hitvesek. Hallod ott
lenn a vastag Stefi vékony hangját?… Nézd, a házi nyúlainak él – e
perczben is őket beczézgeti. Szaporaságukban születik újra… ez
tartja fenn az élet iránti vágyat benne… nevetséges szegény és
nagyon szánalomraméltó.
– És te, mit mondasz magadról? – kérdte hirtelen Gábor.
 – Én, pókkirály? Engem nem fogsz bonczolgatni kis öcsém!
Szilárd, áthatlan anyagból vagyok én, nem lát át rajtam senki, még
górcsövön sem… És Poldi nevetett és nevetett vele Gábor is.
Az alkonyat hűvös szellője átiramlott a tájon. Nedves, ködös
estére ébredt a két álmodozó. Tavasz van még mindig! Még
virágzanak a fák, még dalolnak a fülemülék… azért az erdőből már
erjedés szaga jön idáig, nedves, őszies zimankós levegő.
– Öregek vagyunk fiú… az utolsók, menjünk fel a romok közé, ott
a mi helyünk. A tavasz is nedves, a virágok is fonnyadnak a merre
mi járunk, fonnyadó virágok nyílnak a szíveinkben is, nem nékünk
való a holdvilág, – szólt Poldi élesen nevetve s az épp feltünő
holdvilágra mutatott.
Lassan a kastélyba ballagtak.
 24.

Szobájukban Lőrinczet találták kipirulva, szikrát hányó

szemekkel.
– Soha, soha se jövök ide többé, útálatos fészek, gyűlöletesek a
kik lakják.
– Mi történt, fiam, hisz egészen ki vagy kelve magadból…
Csillapodjál gyermekem, – szólt Poldi, és nyugodtan símogatta
kopasz tarkóját.
– Azért vitt magával, mert engem állhat köztetek legkevésbbé.
Egész úton kínzott. Anyám ellen, Tomi ellen, egész családunk ellen
kikelt. Nem győztem hallgatni…
– Hát miért nem feleltél meg neki magyarán, – szólalt meg
hevesen Gábor – csak én velem merjen így beszélni, csak merjen
anyánk ellen kelni…
– Te tudom bátrabb vagy mint én, okosabb is vagy, útaztál sokat,
te megfeleltél volna néki tudom, – beszélt Lőrincz keserűen, – én
ostoba, gyenge filkó vagyok.
– Mi ez, Lőrincz?
– Gábor!
– No gyerekek, ne vesszetek azért ti is most össze. Hagyjatok
békét a Márfay tradicziónak. Már nagyon közönségesek lettek, hát
mit mondott még az öreg?
– Semmit, de ebben a semmiben minden benne volt. Vén pimasz
róka – és ezek a lányok! Na Gábor, büszke lehetsz rá, hogy a
nevedet viselik.
– Vagyok is, büszkébb, mintha a Tomi viselné a nevemet.
 – Hé, gyerekek, nagyon meleg van ebben a szobában vagy mi,
hogy így egymásnak mentek. Csend, rend és figyelem, hallgassátok
meg az öreg Poldit, az a bölcs, a mit az mond, azt kell követni…
A két fiú duzzogva ült egy kanapé két szélén, egyik se szólt egy
szót sem.
– Nos, hát az öreg kutya azt mondja ti nektek, hogy gyerekek
vagytok és értelmetlenek! Ha annyit fogtok tudni, mint az öreg Poldi,
akkor mindig és minden körülmények között meg fogjátok egymást
érteni. Na, öleljétek át egymást, egy-kettő… különben baj lesz… úgy.
A két fiút az egymás karjába lökte. Ezek egy perczig húzódoztak,
majd hirtelen egyet gondolva, átölelték egymást.
– Most mehetünk le a kedvencz «amerikai» nagybácsinkhoz.
Harangoznak vacsorára, ha elkésünk, nem kapunk tésztát.
 25.

Vacsora alatt Niki bácsi Kázmérékról beszélt.

– Hát átmentek hozzá is. Hm, hm, üdvözlöm őket, he… he…
he… most bájbán vánnák tudom. Sok ádóságot csinálták míg a
Kázmér főispán volt. Meg a fiú nágyon szeret mulátni. Míg dobrá
kerülhet á kástély.
– Anna néni pedig nagyon spórolt mindig.
– Niffor lány biz áz, szereti á töndöklést, á ti véretek, – szólott
Lőrinczhez fordulva.
– Anna nénit nagyon szeretem, apám kedvencz testvére volt.
– Tomit is szerette áz átyád?
– Azt is, de kevésbbé, mint az Anna nénit.
– Ez a tizenhármádik Márfáy-Niffor házasság, á mely rosszól
sikerült.
– Jól sikerült, szólt Lőrincz elég határozottan egy oldalpillantással
Gáborra.
– Hiszen boldogok, szeretik egymást.
– Já fráter, áz nem elég áz üdvösségre. Há dobrá kerül á ház
májd á fejük felett, nem lesznek boldogok többet.
– Kérem, kedves bátyám, ne szóljon róluk, ebben úgy sem
egyeznénk meg soha, – szólt szavába Gábor elég hevesen s
visszanézett Lőrinczre.
– Hej, hej, no lám! ejnye no… hát éljenek á Niffor Márfay-frigyek,
emelem pohárámát a Niffor Márfay-házasságokra, s nevetett torka
szakadtáig.
 Ez már egyenesen Lőrincz ellen intézett sértés volt. Tudta, hogy
ezzel bántja meg legjobban Gábort, ezért tette.
A hangulat mind nyomottabb lett, a fiúk nem beszéltek.
Amazoknak meg más tárgya, mint az egymás szapulása, nem is volt
s minthogy mind a három családból lévén jelen családtag, nem
bánthatták egymást, hallgattak.
Végre a vacsorának is vége kellett, hogy legyen.
A mint a társaság a dohányzóba húzódott és Niki bácsi Péterrel
és Lőrinczczel tartlizni kezdett, Poldi meg a három Márfay-lány egy
ablakfülkébe vonult pletykázni, Lizi Gábort magához intette s a
szoba túlsarkába vonult vele.
– Beszélni akarok veled, öcsém. Valamit kérdenék tőled.
– Parancsolj, néném, miben lehetek szolgálatodra – kérdte
Gábor meglepetve.
– A dolog kényes… Hidd el, nem a kiváncsiság hajt rá, hogy e
húrt megpendítsem, más, egészen más okból teszem. Rokoni érzés
hajt rá… – szólt fontoskodó arczczal, egyet köhintve a Márfay-
leányok legidősebbje.
– Parancsolj velem.
– Mondom, a dolog kényes, de hát egyenesen medias res
megyek. Igaz az, hogy te Klienigstein Lollyt el akarod venni?
Gábor elhalványult, egy szempillája megrezdült, aztán nyugodtan
megsimította bajuszát, így szólt: – Nem tudok róla néném, én
legalább nem tudok.
– Lári-fári, nem igaz. Látom az arczodról, hogy hazudsz. Akarom
tudni és pedig a te érdekedben akarom tudni.
– Bocsáss meg néném, de kérdésed meglep s formája még
jobban.
 – Azt mondod, semmi közöm hozzá. De van. Higyj nékem, vén
lány vagyok, sokat voltam egyedül, sokat asszonyokkal, ismerem a
fajtámat. Ne vedd el azt a lányt, haszontalan lány az, legalább ilyen
formában, mint a hogy ma itt áll előttünk. Ismered az apját?

– Azt mondod, semmi közöm hozzá.

– Hogyne ismerném.
– Ravasz, számító diplomata. Komisz ember. Lolly meg a
kedvencz lánya volt.
– Azt mondják, nem jó ember. De hát nem igaz ám minden, a mit
az emberek beszélnek.
 – De jóhiszemű lettél. A külföldön tanúltad? Tanúlj hát itthon is
valamit. Végre is bevallom, nem te néked magadnak, hanem az
egyetlen jóravaló, szép jövőjű Márfaynak mondom. Büszke vagyok a
nevemre, ha nem lettem volna büszke, tán nem hagytam volna
feláldozni magamat… Azt hiszed, nem tudtam az első percztől
fogva, mi vár reám? Láttam már jövőnket akkor, midőn a zárdából
visszajöttem. Láttam, mire czéloz az apám, mire a bátyám. Tudtam,
hogy nyomorogni fogunk egy élet folyamán… s megtettem. Mert ezt
a Márfay név dicsősége így hozta magával. Én tudtam, a húgaim, az
ostoba libák nem. És… eljöttem ide, ebbe a bagoly-odúba, beleültem
ebbe a szemétbe s így feláldoztam magamat, pedig ismertem a Niki
veséjét, máját, (itt hangja fenyegető lett, dereka megnyúlt, két szürke
szeme szikrát hányt) eljöttem, s magammal áldoztam fel a húgaimat
is. Eltemettük magunkat… no jól van, megtettük a Márfay névért.
Látod, fiam, ilyen vagyok. Most már ismersz? Pedig szép voltam
ám… szerettem is, szerettek is. De hát én Márfay Lizinka… mert
Lizinek ez a vén vakand keresztelt el, szép lánykoromban Lizinka
volt a nevem, – csak nem mehettem egy községi jegyzőhöz. Ezt
tudtam. Nos, a czímerünkért, a családfánkért… érted?
Ezzel hangosan nevetni kezdett, de úgy, hogy azok a tartli-
asztalnál visszafordultak és Niki bácsi rikácsoló hangján odaszólt
nékik:
– Hej, de vígán vágytok! Ejnye Lizinkó, ne forgásd el á Gábor
fejét. És így – Lizinkából Lizinkót kanyarított az öreg.
– Játszunk bácsi, játszunk a Gáborral. Mesét mondok neki a
cziczáról meg az egérről. Értesz? – folytatta halkan – nem tűröm,
hogy elvedd azt a leányt. Számító, mint az apja, hideg, okos. Olyan
farkasfajta. De üvöltése mézes-mázossá válik, ha egy falat kenyérről
van szó. Vigyázz fiú, vigyázz! Ti olyan lágyak vagytok, mint a Márfay
fiúk. Olyan volt boldogult édes atyád is… ne mozdulj… szerettem,
tiszteltem. Lehetett volna nagy ember is belőle, csak lágy volt, nem a
küzdelemre született. Kitekerték a nyakát… Ilyen lágy bolond a
Kázmér, kit életében az atyja vezetett az orránál fogva, halála után
meg elbutult, nem látott többé tisztán, ilyen lágy, de még lágyabb,
hisz ez már nem is agyag, csak sár, a Niki bácsi. Csak mi, Márfay
lányok, csak mi vagyunk férfiasak, csak mi tudunk akarni, igen, én! –
és sovány, kiaszott mellére ütött – a tótfaj asszonya erős akaratú…
Én, a hogy engem itt látsz, harmincz éve vagyok háborúban azzal a
személylyel. Védem magamat és a húgaimat a körmöm szakadtáig,
életre-halálra. Ha én nem vagyok, már rég kilökött volna a vén
vakand az utczára. Ezerhatszáz forint a négyünk apanage-a, ezzel
éhen halnánk négyesben. De nem bír velem, nem is fog. És ez a
harcz, ez az életczélom, ez tartja bennem a lelket, ha ez nem lenne,
már rég belé fordultam volna a síromba. Értesz hát? Hová bámulsz?
Nézz reám. Értesz?
Gábor lekonyúlt fejjel hallgatta. Úgy érezte, mintha egy koporsó
födelét nyitották volna fel előtte, úgy hatottak rá a Lizi szavai.
– Látod, néném, igazad volt s nem is volt igazad… a mi pedig a
Lollyt illeti, hidd el, ismerem. És ez a felelet szavaidra.
– Jó felelet, férfias felelet. Mert látom, szereted. Hidd el, nem jól
jársz vele. Vétesd el az esküdt ellenségeddel s menj el a torára, tán
majd azon elszeretheted az özvegyét. Többre nem jó… Ha volna
még egy Niffor Tomink, annak szánnám. Niffornak való, nem egy
Márfaynak. Ezt azért mondom, mert gyűlölöm ezt a gőgös fajtát, a
mely mindekkoráig csak elnyomni tudott minket. Látod ott azt a
hegyet… mutatott egy hegyormot, szembe vélük – ezt kapta
hozományul az a Márfay lány, ki legelébb, ötszázad előtt egy Niffor
neje lett. Ez volt az első ostobaság, a mit a Márfayak a Nifforokkal
szemben elkövettek. Ez időben a lányokat meztelen testtel adták
férjhez s már akkor a mi nagy úri nemzetségünk egy ős erdőt adott
hozományúl. E percztől fogva mind végig csak a megkárosításunkra
gondoltak… gyűlölöm őket.
– Lőrincz a testvérem, – vágott szavába Gábor, elég nyersen.
– Ez legalább félig Márfay az anyja után. Bár nem szeretem őt
sem. Te telivér Márfay vagy, emeld fel a családot. Szép jövőd van,
azt mondják… mondják karmod is van. Eddig még egy Márfaynak se
volt, használd a fegyveredet…
– Mit tegyek? – kérdte Gábor finoman mosolyogva.
 – Ne nevess, nem tréfálok. Legelébb is házasodjál meg, keress
egy gazdag, okos feleséget. A többi majd magától jő. Hisz van
eszed, ambicziód, tudod az útat, a melyet követned kell…
– De néném, éppen azt nem tudom.
– Hát te is csak éppen olyan legény vagy, mint a többi! Már az
első lépésnél megbotlasz. Eh! És én mégis, mégis bízom benned.
Valami azt súgja a lelkem mélyén, ebből ember lesz a talpán.
Csak… Ismét visszatérek a vesszőparipámra, a Klienigstein
mamzellet ne vedd el. Vesztedre lenne ez a házasság.
– Ne félj ettől néném… És hogy elterelje e tárgyról a társalgást,
felkelt s kiváncsi szemmel nézte a kártyázókat. – Hát ez mi? Hányan
tartliznak?
– Tartli? ha-ha-ha. Hát még nem tudod, hogy minálunk is kiütött
az ősi nyavalya. Ferbli az fiam, ferbli. Látod, körülülik az asztalt.
Adelgundának tudod csak annyi a pénze, a mennyit napról-napra,
nem, éjszakáról-éjszakára szerez, a tiszttartónak more patrio hatvan
forint a fizetése, a titkárnak ugyanannyi. A kis pap… no ez felmehet
úgy mindent összevéve vagy ezer forintra egy esztendőben és tudod
mennyi a partie? No fiam, ezer forint szokott lenni az alap. A bácsi
és Lőrincz birják… Gábor odanézett, valóban a Lőrincz is játszott – a
többi…?
– S a többi?
– No azok, ha nyernek, úgy a bácsi fizet. Ha nem, akkor is. Vagy,
ha nem fizet… a gazdaság elbírja még ezt is!
– De hát akkor minek ez a játszma?
– Ez csak azért van, hogy a vendégek el ne únják magukat. Ez
így szokás minálunk a brinza birodalmában. Jere, nézd meg
közelebbről, tanulságos nagyon.
A kártya-asztalhoz mentek. Ott ültek egy sorban. Az öreg úr
mosolygó arczczal csak nézi, összeszorítva úgyis keskeny ajkait. A
kis pap lilaszínre pirúlt szemei kidűltek. A sovány tiszttartó fakó
arczczal, reszkető ajakkal, mint akár csak a kapzsiság szobra. A
titkár közönyösen, mint a kinek mindegy akár nyer, akár veszít, hisz
nála a kassza kulcsa. Adelgunda oda símulva Niki bácsihoz (ilyenkor
símult a legközelebb hozzá) és Lőrincz nagyúri grandezzával,
nyugalommal.
Az utóbbi vesztett, azt koppasztották.
– He… he… Gábor öcsém, hát ezt nem tánultuk meg á sok
messzi univerzitáson?
– Ezt nem, bátyám, ez hazai tudomány.
– Sájnáljuk á hátoskát, sájnáljuk, he?
– Gábor nem szokta, bátyám, – szólalt meg Lőrincz.
– Hát te szoktad? kérdte önkénytelenül Gábor.
– Csak úgy néha-napján, a hosszú téli estéken ráfanyarodik az
ember.
– Ná, ná, ne beszéljünk ánnyit. Háládjunk fráterek.
A három leány és Poldi, az asztal túloldalán kuporogtak. Ők
persze nem játszottak. A vén kutya egyik kezébe temetve állát,
szinte az asztal alúl sandított fel a játszókra, néha-néha oda
hunyorgatva Gáborra.
– Hát hogy tetszik a játszma? – kérdte odacsúszva hozzá halkan.
– Kérdheted?
– Nos, majd mást mutatok néked… kárpótlásul, mondta még
mindig súgva – csak tessék besétálni, nyitva a panoráma… az
egész világ, meg még azonkívül jó csomó dolog látható az én kis
camara obscurámban. Na lányok – folytatta hangosan – hát egy kis
muzsika nem lészen?
A három «ifjabb» Lizire nézett, ki helybenhagyólag intett fejével s
a nagy terem felé indult. Utánna húgai, leghátul Gábor meg Poldi.
 Gábor a nagy terem ajtajánál önkénytelenül megállt. E nagy
szállában voltak a Márfay-család trofeái összegyűjtve. Régi zászlók
a harcz mezejéről, az elhunyt családtagok kardjai, lándzsái, nyergei.
Az egyik Márfay ős feleségének, ki Rozgonyi leány volt, egész
gyöngyökkel, aranynyal kihímzett menyasszonyi ruhája üveg alatt. A
falakon az egyik oldalon az ősök képei az Árpádok óta; mind
büszkén, délczegen. Az egyik vértben, a mint harczba megy s fiatal
nejétől búcsúzik, amaz biborpiros magyar ruhában, a hogy Mátyás
az igazságos, udvarába készült. A képsorozat vége felé már
egyszerűbb ruhákban kevesebb ékszerrel, de a helyett óriási
könyvekre támasztott jobbal. A terem baloldalát az ősök nejei,
gyermekei foglalják el. Itt az az ősnő, a ki három uradalmat
kótyavetyélt el arra, hogy ezt a tenger sok ékszert, drágaságot
összevásárolja, a mely a keblét és ruháit díszíti, (ez is Niffor-leány
volt, szokta Lizi e kép előtt mondani) mellette kis leánya, kit szintén
alig látni a skofiumtól s a ki sovány, aszott kezében nagy fehér
liliomszálat szorongat. Fiatalon halt meg, ezért az ártatlanság e
szimboluma. Lejebb a sor végén fehér parókás úri asszonyok
mélyen kivágott ruhaderékban, nem spórolva bájaikkal. Egyik-másik
keblén a csillagkereszt, a habsburgi éra emlékeül, mellettük egy-egy
«alapítványi hölgy» mind, mind a család oltárára áldozva, mint a
négy Márfay hajadon. E szegény lányok a család történetében e
képeken kívül jóformán nyomot se hagytak, egész szereplésök
paszivitásokban lévén.
A nagy ablakokon keresztültörő holdvilág fakó ezüsttel hintette be
mind e rég elhalt, elmult fény emlékeit.
A terem közepén csak egy füstölgő, pislogó gyertya… ennyi
maradt itt csak az életből, az is elalvóban, bele-belekap egy
szélroham, a mely fel-fellobbantja gyér lángját…
De Lizi karos gyertyatartókat hoz a másik szobából, a melyek
ridegen világítják meg a holdvilág és az egy gyertya fényénél oly
misztikusnak látszó avult dicsőséget.
Aztán Stefi kiszalad a teremből s pár percz mulva a vén
komornyikkal tér vissza, ki tüszkölve, horkolva egy szuette hegedűt
húz elő tokjából és hangolni kezdi.
A két fiú egy hatalmas ódon kanapé két sarkán telepszik le s
hallgat.
Lizi leült a harmonium elé, húgai mögé állanak, mellette a vén
inas hegedűjével, ki egy régi-régi dal akkordjait kezdi játszani.
A leányok pár pillanatig figyelik, majd dalolni kezdenek, az inas
kiséri őket egy hegedűn.
Unisono énekelnek, ugyanazon a hangon dalol a négy leány,
ugyanazon játsza a komornyik.
Régi, régi templomi dal volt… vagy tán szerelmi nóta a
hegedűsök idejéből? Ki tudja? Egygyé vált a hang, egygyé az érzés.
A szókimondó férfias Lizitől a gyermekes, gömbölyű naiv Stefiig,
nem, az öreg komornyikig mind egy húron pendültek. Egy dal
ugyanazon hangnemben, ugyanazon hangon. Tiszta, áttetsző
melódia, szinte már emberi sincs benne. Tiszta, mint az, a mit a vén
krónikák penészes lapjairól olvas le az ember, – tiszta, mint az öreg
harangok hangja, tiszta, mint az a liliom, a melyet a kis korán elhalt
leányka szorongat a kezében és tiszta, mint e perczben a négy
leány arczkifejezése. E pillanatban nyoma sincs a Lizi arczán annak,
hogy Nifforok is léteznek, hogy az életben keserűség, szenvedés is
van, a másik kettő arczáról nem rí le, hogy az élet gyönyörét az
evésbe, emberszólásba fektetik, Stefi arczáról eltünt az a kifejezés,
mintha Adelgundáról tudna. Mind boldogan, átszellemülve mosolyog,
mintha mind egy jobb, egy szebb világba látna. Pedig orczáik még
sápadtabbak a kilencz gyertya fényénél, mint azelőtt voltak, szomorú
szemeik még mélyebben fekszenek. Orczáik beesvék, de azért
ajkaikon mosoly, kezeik kiaszottak, öregek, de azért össze vannak
kulcsolva e perczben. És az öreg komornyik ősz bóbitája sem oly
nevetséges, mint az asztalnál volt, érzi, látszik, a mit a négy leány
dalol és érzi vagy tudja csak, hogy követni kell őket jóban, rosszban,
mint engedelmes, hűséges szolgájuknak.
A két fiú csak hallgatta, csak nézte őket.
 – Érted most már, hogy van itt is érdek, hogy az életnek
mindenképp két oldala van? – kérdte Poldi halkan.
Gábor hallgatagon bólintott fejével. Érezte, hogy ez a dal, ezt a
képet fejezi ki. Elmult, boldog időkről beszél, azokról az időkről,
midőn ez a négy leány is, ezek a falonfüggő, rég a sírban nyugvó
alakok éltek. Midőn még nem futotta be a Rozgonyi leány skofiumos
ruháját a pókháló, midőn még nem hintett a leányok szívébe az élet
semmit.
Úgy érezte, e perczben elevenné vált mind ez az összehordott
pusztulás, itt a szeme előtt. Úgy érezte, a négy lány fiatal lett s a
falra szegzett zászlókat kibontotta a tavaszi szellő és lengedeznek
úgy, mint századok előtt a harcz mezején… Érezte, hogy lehetett
szeretni is e zászlók árnyában s a szív, mely a hazáért dobbant, a
mely napról-napra szembeszállott ezer veszélylyel, nagyobbat
dobbanhatott akkor, midőn a tavasz első szűzi fuvalmában újra
született. Élet, czél, küzdés, megujúlás abban a mi volt s a minek
mindig lenni kellett… Az álmok világa, valósággá vált, az álmodozó a
tett idejére vágyott. Úgy érezte, nem az a mi ma, hanem a mi e dal s
e jelvények idejében volt. Ifjúnak érezte magát, repűlni vágyott!
És egyszerre a dalnak vége szakadt.
Ott állott előtte a négy lány, most már veszekedve a tempó felett.
Az inas mély bókok között magyarázott nékik valamit, a terem egy
sarkából denevér szabadult el és suhogva szelte át a nagy termet, a
penészszagot annál érezhetőbbé téve…
A túlsó szobából az öreg Niki bácsi rikácsoló hangja hallik.
Gábor tétován tekintett körül, sehol egy nyugpont, a hol kipihenje
magát. Hol, hol van a révpart, az álmok után? Egyszerre a Poldi
szeme sugárzott rá a homályból. Nem szólt, de tudta, hogy a másik
mit gondol.
Az egymás lelkében pihentek meg, pedig-pedig az jobban
kifejezte évszázadok romboló erejét, mint a sok rongyos szövet,
zászlók, rozsdás fegyver, jobban mint a leányok dala, jobban mint
azok ott a túlsó szobában, kik az életkedvet ilyen eszközökkel
akarták az egymás lelkében életre hívni!
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookmass.com