(eBook PDF) Handbook of Statistical Analysis and

Data Mining Applications 2nd Edition pdf

download

https://ebooksecure.com/product/ebook-pdf-handbook-of-
statistical-analysis-and-data-mining-applications-2nd-edition/

Download more ebook from https://ebooksecure.com

We believe these products will be a great fit for you. Click
the link to download now, or visit ebooksecure.com
to discover even more!

Handbook of statistical analysis and data mining

applications Second Edition Elder - eBook PDF

https://ebooksecure.com/download/handbook-of-statistical-
analysis-and-data-mining-applications-ebook-pdf/

(eBook PDF) Data Mining and Predictive Analytics 2nd

Edition

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

Predictive Modeling in Biomedical Data Mining and

Analysis 1st Edition- eBook PDF

https://ebooksecure.com/download/predictive-modeling-in-
biomedical-data-mining-and-analysis-ebook-pdf/

(eBook PDF) Data Mining for Business Analytics:

Concepts, Techniques, and Applications in R

http://ebooksecure.com/product/ebook-pdf-data-mining-for-
business-analytics-concepts-techniques-and-applications-in-r/
(eBook PDF) An Introduction to Statistical Methods &
Data Analysis 7th

http://ebooksecure.com/product/ebook-pdf-an-introduction-to-
statistical-methods-data-analysis-7th/

(eBook PDF) Introduction to Data Mining, Global Edition

2nd Edition

http://ebooksecure.com/product/ebook-pdf-introduction-to-data-
mining-global-edition-2nd-edition/

(eBook PDF) Data Mining for Business Analytics:

Concepts, Techniques, and Applications with JMP Pro

http://ebooksecure.com/product/ebook-pdf-data-mining-for-
business-analytics-concepts-techniques-and-applications-with-jmp-
pro/

Handbook of Thermal Analysis and Calorimetry: Recent

Advances, Techniques and Applications 2nd Edition
Sergey Vyazovkin - eBook PDF

https://ebooksecure.com/download/handbook-of-thermal-analysis-
and-calorimetry-recent-advances-techniques-and-applications-
ebook-pdf/

(eBook PDF) Data Mining Concepts and Techniques 3rd

http://ebooksecure.com/product/ebook-pdf-data-mining-concepts-
and-techniques-3rd/
 vii
CONTENTS  

Application to Mixed Models 207 Postscript 288

Neural Nets for Prediction 208 References 288
Support Vector Machines (SVMS) and Other Kernel
Learning Algorithms 211 15. Fraud Detection
Postscript 212 Preamble 289
References 213 Issues With Fraud Detection 289
How Do You Detect Fraud? 292
11. Model Evaluation and Enhancement Supervised Classification of Fraud 293
Preamble 215 How Do You Model Fraud? 294
Evaluation and Enhancement: Part of the Modeling How Are Fraud Detection Systems Built? 295
Process 215 Intrusion Detection Modeling 296
Types of Errors in Analytical Models 216 Comparison of Models With and Without
Model Enhancement Techniques 227 Time-Based Features 297
Model Enhancement Checklist 231 Building Profiles 301
Postscript 232 Deployment of Fraud Profiles 302
References 232 Postscript 302
References 302
12. Predictive Analytics for Population
Health and Care
Preamble 235 III
The Future of Healthcare, and How Predictive TUTORIALS AND CASE
Analytics Fits 235
Predictive Analytics and Population Health 246 STUDIES
Predictive Analytics and Precision
Medicine 253 Tutorial A Example of Data Mining
Postscript 257 Recipes Using Windows 10 and
References 257 Statistica 13
Further Reading 258 LINDA A. MINER

13. Big Data in Education: New

Efficiencies for Recruitment, Learning, and Tutorial B Using the Statistica Data
Retention of Students and Donors Mining Workspace Method for Analysis of
ANDY PETERSON
Hurricane Data (Hurrdata.sta)
JEFF WONG
Preamble 259
Introduction 259
Industrial Integration of Educational Psychology and
Tutorial C Case Study—Using SPSS
Big Data Analytics 274 Modeler and STATISTICA to Predict
Postscript 275 Student Success at High-Stakes Nursing
References 276 Examinations (NCLEX)
Further Reading 277 GALINA BELOKUROVA, CHIARINA PIAZZA

14. Customer Response Modeling Introduction 335

Preamble 279 Decision Management in Nursing Education 336
Early CRM Issues in Business 279 Case Study 337
Knowing How Customers Behaved Before They Research Question 337
Acted 280 Literature Review 337
CRM in Business Ecosystems 281 Dataset and Expected Strength of Predictors 338
Conclusions 287 Data Mining With SPSS Modeler 339
viii CONTENTS

Data Mining With STATISTICA 348 Tutorial I Data Prep 1–2: Data
Conclusion 355 Description
References 356
ROBERTA BORTOLOTTI, MSIS, CBAP
Further Reading 357

Tutorial D Constructing a Histogram Tutorial J Data Prep 2-1: Data

in KNIME Using MidWest Company Cleaning and Recoding
Personality Data ROBERTA BORTOLOTTI
LINDA A. MINER

Tutorial K Data Prep 2-2: Dummy

Tutorial E Feature Selection in KNIME Coding Category Variables
BOB NISBET
ROBERTA BORTOLOTTI

Why Select Features? 377

Occam’s Razor—Simple, But Not
Simplistic 377 Tutorial L Data Prep 2-3: Outlier
Local Minimum Error 378 Handling
Moving Out of the Local Minimum 379 ROBERTA BORTOLOTTI
Strategies for Reduction of Dimensionality
in Predictive Analytics Available in
KNIME 379
Tutorial M Data Prep 3-1: Filling
Missing Values With Constants
Tutorial F Medical/Business Tutorial ROBERTA BORTOLOTTI
LINDA A. MINER

Tutorial N Data Prep 3-2: Filling Missing

Tutorial G A KNIME Exercise, Values With Formulas
Using Alzheimer’s Training Data of ROBERTA BORTOLOTTI
Tutorial F
LINDA A. MINER

Introduction 423 Tutorial O Data Prep 3-3: Filling

KNIME Project 423 Missing Values With a Model
Getting the Program to Open Microsoft ROBERTA BORTOLOTTI
Excel CSV File: Alzheimer Training
Data 426
Decision Trees Node 428 Tutorial P City of Chicago Crime
Linear Correlation Node 432
Map: A Case Study Predicting Certain
Conditional Box Plot Node 436
Decision Trees Again 438 Kinds of Crime Using Statistica
End Note 442 Data Miner and Text Miner
ENDRIN TUSHE

Tutorial H Data Prep 1-1: Merging Data Analysis 599

Data Sources Text Mining 606
ROBERTA BORTOLOTTI, MSIS, CBAP Boosted Trees 614
 ix
CONTENTS  

Tutorial Q Using Customer Churn Data Generalized Degrees of Freedom 711

to Develop and Select a Best Predictive Examples: Decision Tree Surface With Noise 712
Summary and Discussion 715
Model for Client Defection Using Postscript 716
STATISTICA Data Miner 13 64-bit for Acknowledgment 717
Windows 10 References 717
RICHARD PORTER WITH ASSISTANCE OF ROBERT NISBET, Further Reading 718
LINDA A. MINER, GARY MINER
17. The “Right Model” for the
About This Tutorial 627
Business Objectives 627
“Right Purpose”: When Less Is Good
Data Preparation 630 Enough
Feature Selection 642 Preamble 719
Building a Predictive Model With STATISTICA More Is Not Necessarily Better: Lessons From Nature
Data Miner DMRecipes 646 and Engineering 720
Model Evaluation 648 Postscript 726
References 726
Tutorial R Example With C&RT to
Predict and Display Possible Structural 18. A Data Preparation Cookbook
Preamble 727
Relationships Introduction 727
GREG ROBINSON, LINDA A. MINER, MARY A. MILLIKIN CRISP-DM—Business Understanding Phase 728
CRISP-DM—Data Understanding Phase 729
References 674 CRISP-DM—Data Preparation Phase 732
CRISP-DM—Modeling Phase 736
Tutorial S Clinical Psychology: Making 18 Common Mistakes in Data Preparation in
Decisions About Best Therapy for a Client Predictive Analytics Projects 736
LINDA A. MINER Postscript 739
References 740

19. Deep Learning

IV Preamble 741
The Guiding Concept of DL Technology—Human
MODEL ENSEMBLES, MODEL Cognition 742
COMPLEXITY; USING THE Early Artificial Neural Networks (ANNs) 743
RIGHT MODEL FOR THE How ANNs Work 745
More Elaborate Architectures—DL Neural
RIGHT USE, SIGNIFICANCE, Networks 746
ETHICS, AND THE FUTURE, Postscript 750
References 751
AND ADVANCED PROCESSES Further Reading 751
16. The Apparent Paradox of Complexity 20. Significance versus Luck in the
in Ensemble Modeling Age of Mining: The Issues of P-Value
JOHN ELDER, ANDY PETERSON
“Significance” and “Ways to Test
Preamble 705 Significance of Our Predictive Analytic
Introduction 706 Models”
Model Ensembles 706 Preamble 753
How Measure Model Complexity? 709 Introduction 753
x CONTENTS

The Problem of Significance in Traditional P-Value Ethics and Data Science for the Virtues of Personal
Statistical Analysis 754 Life (Existential-Motivational) 769
USUAL Data Mining/Predictive Analytic Combination: Right Standards, Right Goals,
Performance Measures—Terminology 759 and Personal Virtue (Normative, Situational,
Unique Ways to Test Accuracy (“Significance”) Existential) 770
of Machine Learning Predictive Models 760 Michael Sandel on “Doing The Right Thing” With
Compare Predictive Model Performance Against Data Analytics 770
Random Results With Lift Charts and Decile Discovering Data Ethics in an “Alignment
Tables 760 Methodology” 771
Evaluate the Validity of Your Discovery With Target References 772
Shuffling 762 Further Reading 772
Test Predictive Model Consistency With Bootstrap
Sampling 763 22. IBM Watson
Postscript 764 Preamble 773
References 765 Introduction 773
What Exactly Is Watson? 773
21. Ethics and Data Analytics Jeopardy! 774
Internal Features of Watson 774
ANDY PETERSON
Application Programming Interfaces (APIs) 776
Preamble 767 Software Development Kits (SDKs) 778
The Birthday Party—A Practical Example for Ethical Some Existing Applications of Watson
Action 767 Techology 778
Academic Secular Ethics 768 Ushering in the Cognitive Era 780
Ethics and Data Science for the Norms of Postscript 780
Government (Deontological-Normative) 769 Reference 781
Ethics and Data Science for the Goals in Business
(Situational-Teleological) 769 Index 783
 List of Tutorials on the Elsevier
Companion Web Page

Note: This list includes all the extra tuto- 8. TUTORIAL “W”—Diabetes Control in
rials published with the 1st edition of this Patients [Field: Medical Informatics]
handbook (2009). These can be considered 9. TUTORIAL “X”—Independent
“enrichment” tutorials for readers of this 2nd Component Analysis [Field: Separating
edition. Since the 1st edition of the handbook Competing Signals]
will not be available after the release of the 10. TUTORIAL “Y”—NTSB Aircraft
2nd edition, these extra tutorials are carried Accidents Reports [Field: Engineering—
over in their original format/versions of soft- Air Travel—Text Mining]
ware, as they are still very useful in learning 11. TUTORIAL “Z”—Obesity Control in
and understanding data mining and predic- Children [Field: Preventive Health Care]
tive analytics, and many readers will want to 12. TUTORIAL “AA”—Random Forests
take advantage of them. Example [Field: Statistics—Data Mining]
List of Extra Enrichment Tutorials that 13. TUTORIAL “BB”—Response
are only on the ELSEVIER COMPANION Optimization [Field: Data Mining—
web page, with data sets as appropriate, for Response Optimization]
downloading and use by readers of this 2nd 14. TUTORIAL “CC”—Diagnostic Tooling
edition of handbook: and Data Mining: Semiconductor Industry
[Field: Industry—Quality Control]
1. TUTORIAL “O”—Boston Housing
15. TUTORIAL “DD”—Titanic—Survivors
Using Regression Trees [Field:
of Ship Sinking [Field: Sociology]
Demographics]
16. TUTORIAL “EE”—Census Data
2. TUTORIAL “P”—Cancer Gene [Field:
Analysis [Field: Demography—Census]
Medical Informatics & Bioinformatics]
17. TUTORIAL “FF”—Linear & Logistic
3. TUTORIAL “Q”—Clustering of Shoppers
Regression—Ozone Data [Field:
[Field: CRM—Clustering Techniques]
Environment]
4. TUTORIAL “R”—Credit Risk
18. TUTORIAL “GG”—R-Language
using Discriminant Analysis [Field:
Integration—DISEASE SURVIVAL
Financial—Banking]
ANALYSIS Case Study [Field: Survival
5. TUTORIAL “S”—Data Preparation and
Analysis—Medical Informatics]
Transformation [Field: Data Analysis]
19. TUTORIAL “HH”—Social Networks
6. TUTORIAL “T”—Model Deployment
Among Community Organizations
on New Data [Field: Deployment of
[Field: Social Networks—Sociology &
Predictive Models]
Medical Informatics]
7. TUTORIAL “V”—Heart Disease Visual
20. TUTORIAL “II”—Nairobi, Kenya
Data Mining Methods [Field: Medical
Baboon Project: Social Networking
Informatics]

xi
xii LIST OF TUTORIALS ON THE ELSEVIER COMPANION WEB PAGE

Among Baboon Populations in Kenya 22. TUTORIAL “KK”—Dahlia Mosaic

on the Laikipia Plateau [Field: Social Virus: A DNA Microarray Analysis of 10
Networks] Cultivars from a Single Source: Dahlia
21. TUTORIAL “JJ”—Jackknife and Garden in Prague, Czech Republic
Bootstrap Data Miner Workspace and [Field: Bioinformatics]
MACRO [Field: Statistics Resampling
Methods]

The final companion site URL will be https://www.elsevier.com/books-and-journals/

book-companion/9780124166325.
 Foreword 1 for 1st Edition

This book will help the novice user be- • Asking the wrong question—when
come familiar with data mining. Basically, looking for a rare phenomenon, it may
data mining is doing data analysis (or statis- be helpful to identify the most common
tics) on data sets (often large) that have been pattern. These may lead to complex
obtained from potentially many sources. As analyses, as in item 3, but they may also
such, the miner may not have control of the be conceptually simple. Again, you may
input data, but must rely on sources that have need to take care that you don't overfit
gathered the data. As such, there are prob- the data.
lems that every data miner must be aware of • Don't become enamored with the data.
as he or she begins (or completes) a mining There may be a substantial history from
operation. I strongly resonated to the mate- earlier data or from domain experts that
rial on “The Top 10 Data Mining Mistakes,” can help with the modeling.
which give a worthwhile checklist: • Be wary of using an outcome variable (or
• Ensure you have a response variable and one highly correlated with the outcome
predictor variables—and that they are variable) and becoming excited about the
correctly measured. result. The predictors should be “proper”
• Beware of overfitting. With scads of predictors in the sense that they (a) are
variables, it is easy with most statistical measured prior to the outcome and (b)
programs to fit incredibly complex are not a function of the outcome.
models, but they cannot be reproduced. It • Do not discard outliers without solid
is good to save part of the sample to use justification. Just because an observation
to test the model. Various methods are is out of line with others is insufficient
offered in this book. reason to ignore it. You must check the
• Don't use only one method. Using only circumstances that led to the value. In
linear regression can be a problem. any event, it is useful to conduct the
Try dichotomizing the response or analysis with the observation(s) included
categorizing it to remove nonlinearities and excluded to determine the sensitivity
in the response variable. Often, there are of the results to the outlier.
clusters of values at zero, which messes • Extrapolating is a fine way to go
up any normality assumption. This, of broke; the best example is the stock
course, loses information, so you may market. Stick within your data, and
want to categorize a continuous response if you must go outside, put plenty
variable and use an alternative to of caveats. Better still, restrain the
regression. Similarly, predictor variables impulse to extrapolate. Beware that
may need to be treated as factors rather pictures are often far too simple and
than linear predictors. A classic example we can be misled. Political campaigns
is using marital status or race as a linear oversimplify complex problems (“my
predictor when there is no order. opponent wants to raise taxes”; “my

xiii
xiv FOREWORD 1 FOR 1st EDITION

opponent will take us to war”) when using mean replacement, almost the
the realities may imply we have same set of predictor variables surfaced,
some infrastructure needs that can be but the residual sum of squares was 20.
handled only with new funding or we I then used multiple imputation and
have been attacked by some bad guys. found approximately the same set of
Be wary of your data sources. If you are predictors but had a residual sum of
combining several sets of data, they need squares (median of 20 imputations) of
to meet a few standards: 25. I find that mean replacement is rather
• The definitions of variables that are optimistic but surely better than relying
being merged should be identical. Often, on only complete cases. Using stepwise
they are close but not exact (especially regression, I find it useful to replicate
in metaanalysis where clinical studies it with a bootstrap or with multiple
may have somewhat different definitions imputations. However, with large data
due to different medical institutions or sets, this approach may be expensive
laboratories). computationally.
• Be careful about missing values. Often, To conclude, there is a wealth of material
when multiple data sets are merged, in this handbook that will repay study.
missing values can be induced: one
variable isn't present in another data set; Peter A. Lachenbruch
what you thought was a unique variable Oregon State University, Corvallis, OR,
name was slightly different in the two United States
sets, so you end up with two variables American Statistical Association,
that both have a lot of missing values. Alexandria, VA, United States
• How you handle missing values can be Johns Hopkins University, Baltimore,
crucial. In one example, I used complete MD, United States
cases and lost half of my sample; all UCLA, Los Angeles, CA, United States
variables had at least 85% completeness, University of Iowa, Iowa City, IA,
but when put together, the sample lost United States
half of the data. The residual sum of University of North Carolina, Chapel
squares from a stepwise regression was Hill, NC, United States
about 8. When I included more variables
 Foreword 2 for 1st Edition

A November 2008 search on https:// This book is different; it is organized

www.amazon.com/ for “data mining” with the practitioner in mind. The volume
books yielded over 15,000 hits—including 72 is divided into four parts. Part I provides
to be published in 2009. Most of these books an overview of analytics from a historical
either describe data mining in very technical perspective and frameworks from which to
and mathematical terms, beyond the reach approach data mining, including CRISP-DM
of most individuals, or approach data min- and SEMMA. These chapters will provide a
ing at an introductory level without suffi- novice analyst an excellent overview by de-
cient detail to be useful to the practitioner. fining terms and methods to use and will
The Handbook of Statistical Analysis and Data provide program managers a framework
Mining Applications is the book that strikes from which to approach a wide variety of
the right balance between these two treat- data mining problems. Part II describes algo-
ments of data mining. rithms, though without extensive mathemat-
This volume is not a theoretical treatment ics. These will appeal to practitioners who
of the subject—the authors themselves recom- are or will be involved with day-to-day an-
mend other books for this—but rather contains alytics and need to understand the qualita-
a description of data mining principles and tive aspects of the algorithms. The inclusion
techniques in a series of “knowledge-­transfer” of a chapter on text mining is particularly
sessions, where examples from real data mining timely, as text mining has shown tremen-
projects illustrate the main ideas. This aspect dous growth in recent years.
of the book makes it most valuable for practi- Part III provides a series of tutorials that
tioners, whether novice or more experienced. are both domain-specific and software-­
While it would be easier for everyone if specific. Any instructor knows that examples
data mining were merely a matter of find- make the abstract concept more concrete,
ing and applying the correct mathematical and these tutorials accomplish exactly that.
equation or approach for any given problem, In addition, each tutorial shows how the
the reality is that both “art” and “science” ­solutions were developed using popular data
are necessary. The “art” in data mining re- mining software tools, such as Clementine,
quires experience: when one has seen and Enterprise Miner, Weka, and STATISTICA.
overcome the difficulties in finding solutions The step-by-step specifics will assist practi-
from among the many possible approaches, tioners in learning not only how to approach
one can apply newfound wisdom to the next a wide variety of problems but also how
project. However, this process takes consid- to use these software products effectively.
erable time, and particularly for data min- Part IV presents a look at the future of data
ing novices, the iterative process inevitable mining, including a treatment of model
in data mining can lead to discouragement ensembles and “The Top 10 Data Mining
when a “textbook” approach doesn't yield a Mistakes,” from the popular presentation by
good solution. Dr. Elder.

xv
xvi FOREWORD 2 FOR 1st EDITION

However, the book is best read a few the ­excellent “History of Statistics and Data
chapters at a time while actively doing Mining” chapter and chapters 16, 17, and
the data mining rather than read cover to 18. These are broadly applicable and should
cover (a daunting task for a book this size). be read by even the most experienced data
Practitioners will appreciate tutorials that miners.
match their business objectives and choose The Handbook of Statistical Analysis and
to ignore other tutorials. They may choose Data Mining Applications is an exceptional
to read sections on a particular algorithm to book that should be on every data miner's
increase insight into that algorithm and then bookshelf or, better yet, found lying open
decide to add a second algorithm after the next to their computer.
first is mastered. For those new to a partic-
ular software tool highlighted in the tutori- Dean Abbott
als section, the step-by-step approach will Abbott Analytics, San Diego, CA,
operate much like a user's manual. Many United States
chapters stand well on their own, such as
 Preface

Much has happened in the professional • Operations research—decision science

discipline known previously as data mining and optimization of business processes
since the first edition of this book was written • Stock market quants—focused on
in 2008. This discipline has broadened and stock market trading and portfolio
deepened to a very large extent, requiring a optimization.
major reorganization of its elements. A new • Data engineering—focused on
parent discipline was formed, data science, optimizing data flow through memories
which includes previous subjects and activi- and storage structures
ties in data mining and many new elements • Business intelligence—focused primarily
of the scientific study of data, including stor- on descriptive aspects of data but
age structures optimized for analytic use, predictive aspects are coming
data ethics, and performance of many ac- • Business analytics—focused primarily
tivities in business, industry, and education. on the predictive aspects of data but is
Analytic aspects that used to be included in merging with descriptives
data mining have broadened considerably to (based on an article by Vincent

include image analysis, facial recognition, in- Granville published in http://www.
dustrial performance and control, threat de- datasciencecentral.com/profiles/
tection, fraud detection, astronomy, national blogs/17-analytic-disciplines-compared.)
security, weather forecasting, and financial In this book, we will use the terms “data
forensics. Consequently, several subdisci- mining” and “predictive analytics” synony-
plines have been erected to contain various mously, even though data mining includes
specialized data analytic applications. These many descriptive operations also.
subdisciplines of data science include the Modern data mining tools, like the ones
following: featured in this book, permit ordinary busi-
• Machine learning—analytic algorithm ness analysts to follow a path through the
design and optimization data mining process to create models that
• Data mining—generally restricted in are “good enough.” These less-than-optimal
scope now to pattern recognition apart models are far better in their ability to lever-
from causes and interpretation age faint patterns in databases to solve prob-
• Predictive analytics—using algorithms to lems than the ways it used to be done. These
predict things, rather than describe them tools provide default configurations and
or manage them automatic operations, which shield the user
• Statistical analysis—use of parametric from the technical complexity underneath.
statistical algorithms for analysis and They provide one part in the crude analogy
prediction to the automobile interface. You don't have
• Industrial statistical analysis—analytic to be a chemical engineer or physicist who
techniques to control and direct industrial understands moments of force to be able to
operations operate a car. All you have to do is learn to

xvii
xviii PREFACE

turn the key in the ignition, step on the gas is enough here to permit you to construct
and the brake at the right times, and turn the “smart enough” business operations with a
wheel to change direction in a safe manner, relatively small amount of the right informa-
and voilà, you are an expert user of the very tion. James Taylor developed this concept
complex technology under the hood. The for automating operational ­decision-making
other half of the story is the instruction man- in the area of enterprise decision man-
ual and the driver's education course that agement (Raden and Taylor, 2007). Taylor
help you to learn how to drive. recognized that companies need decision-
This book provides the instruction man- making systems that are automated enough
ual and a series of tutorials to train you how to keep up with the volume and time-­critical
to do data mining in many subject areas. We nature of modern business operations.
provide both the right tools and the right These decisions should be deliberate, pre-
intuitive explanations (rather than formal cise, and consistent across the enterprise;
mathematical definitions) of the data mining smart enough to serve immediate needs
process and algorithms, which will enable appropriately; and agile enough to adapt
even beginner data miners to understand the to new opportunities and challenges in the
basic concepts necessary to understand what company. The same concept can be applied
they are doing. In addition, we provide many to nonoperational systems for customer re-
tutorials in many different industries and lationship management (CRM) and market-
businesses (using many of the most common ing support. Even though a CRM model for
data mining tools) to show how to do it. cross sell may not be optimal, it may enable
several times the response rate in prod-
uct sales following a marketing campaign.
OVERALL ORGANIZATION Models like this are “smart enough” to drive
OF THIS BOOK companies to the next level of sales. When
models like this are proliferated through-
We have divided the chapters in this book out the enterprise to lift all sales to the next
into four parts to guide you through the as- level, more refined models can be developed
pects of predictive analytics. Part I covers the to do even better. This e­ nterprise-wide “lift”
history and process of predictive analytics. in intelligent operations can drive a com-
Part II discusses the algorithms and methods pany through evolutionary rather than rev-
used. Part III is a group of tutorials, which olutionary changes to reach long-term goals.
serve in principle as Rome served—as the Companies can leverage “smart enough”
central governing influence. Part IV presents decision systems to do likewise in their pur-
some advanced topics. The central theme of suit of optimal profitability in their business.
this book is the education and training of Clearly, the use of this book and these tools
beginning data mining practitioners, not the will not make you experts in data mining.
rigorous academic preparation of algorithm Nor will the explanations in the book per-
scientists. Hence, we located the tutorials in mit you to understand the complexity of the
the middle of the book in Part III, flanked by theory behind the algorithms and methodol-
topical chapters in Parts I, II, and IV. ogies so necessary for the academic student.
This approach is “a mile wide and an inch But we will conduct you through a relatively
deep” by design, but there is a lot packed into thin slice across the wide practice of data
that inch. There is enough here to stimulate mining in many industries and disciplines.
you to take deeper dives into theory, and there We can show you how to create powerful
 PREFACE xix
predictive models in your own organization Coauthor Gary Miner wishes to thank his
in a relatively short period of time. In addi- wife, Linda A. Winters-Miner, PhD, who has
tion, this book can function as a springboard been working with Gary on similar books over
to launch you into higher-level studies of the the past 30 years and wrote several of the tu-
theory behind the practice of data mining. torials included in this book, using ­real-world
If we can accomplish those goals, we will data. Gary also wishes to thank the following
have succeeded in taking a significant step in people from his office who helped in various
bringing the practice of data mining into the ways, including Angela Waner, Jon Hillis, Greg
mainstream of business analysis. Sergeant, and Dr. Thomas Hill, who gave per-
The three coauthors could not have done mission to use and also edited a group of the
this book completely by themselves, and tutorials that had been written over the years
we wish to thank the following individuals, by some of the people listed as guest authors in
with the disclaimer that we apologize if, by this book. Dr. Dave Dimas, of the University of
our neglect, we have left out of this “thank- California—Irvine, has also been very helpful
you list” anyone who contributed. in providing suggestions for enhancements for
Foremost, we would like to thank ac- this second edition—THANK YOU DAVE !!!
quisitions editor (name to use?) and others Without all the help of the people men-
(names). Bob Nisbet would like to honor tioned here and maybe many others we failed
and thank his wife, Jean Nisbet, PhD, who to specifically mention, this book would never
blasted him off in his technical career by re- have been completed. Thanks to you all!
typing his PhD dissertation five times (be-
fore word processing) and assumed much
of the family's burdens during the writing Bob Nisbet
of this book. Bob also thanks Dr. Daniel B. Gary Miner
Botkin, the famous global ecologist, for in- Ken Yale
troducing him to the world of modeling and
exposing him to the distinction between
viewing the world as machine and viewing Reference
it as ­organism. And thanks are due to Ken Raden, N., Taylor, J., 2007. Smart Enough Systems: How to
Reed, PhD, for inducting Bob into the prac- Deliver Competitive Advantage by Automating Hidden
Decisions. Prentice Hall, NJ, ISBN: 9780132713061.
tice of data mining.
 Introduction

Often, data analysts are asked, “What very different ways of arriving at the same
are statistical analysis and data mining?” In conclusion, a decision. We will introduce
this book, we will define what data mining some basic analytic history and theory in
is from a procedural standpoint. But most Chapters 1 and 2.
people have a hard time relating what we The basic process of analytic modeling is
tell them to the things they know and under- presented in Chapter 3. But it may be diffi-
stand. Before moving on into the book, we cult for you to relate what is happening in
would like to provide a little background for the process without some sort of tie to the
data mining that everyone can relate to. The real world that you know and enjoy. In many
Preface describes the many changes in ac- ways, the decisions served by analytic mod-
tivities related to data mining since the first eling are similar to those we make every day.
edition of this book was published in 2009. These decisions are based partly on patterns
Now, it is time to dig deeper and discuss the of action formed by experience and partly by
differences between statistical analysis and intuition.
data mining (aka predictive analytics).
Statistical analysis and data mining are PATTERNS OF ACTION
two methods for simulating the unconscious
operations that occur in the human brain to A pattern of action can be viewed in
provide a rationale for decision-making and terms of the activities of a hurdler on a
actions. Statistical analysis is a very directed race track. The runner must start success-
rationale that is based on norms. We all think fully and run to the first hurdle. He must
and make decisions on the basis of norms. decide very quickly how high to jump to
For example, we consider (unconsciously) clear the hurdle. He must decide when and
what the norm is for dress in a certain situa- in what sequence to move his legs to clear
tion. Also, we consider the acceptable range the hurdle with minimum effort and with-
of variation in dress styles in our culture. out knocking it down. Then, he must run
Based on these two concepts, the norm and a specified distance to the next hurdle and
the variation around that norm, we render do it all over again several times, until he
judgments like “that man is inappropriately crosses the finish line. Analytic modeling is
dressed.” Using similar concepts of mean a lot like that.
and standard deviation, statistical analy- The training of the hurdler's “model” of
sis proceeds in a very logical way to make action to run the race happens in a series of
very similar judgments (in principle). On operations:
the other hand, data mining learns case by
case and does not use means or standard • Run slow at first.
deviations. Data mining algorithms build • Practice takeoff from different positions
patterns, clarifying the pattern as each case to clear the hurdle.
is submitted for processing. These are two • Practice different ways to move the legs.

xxi
xxii INTRODUCTION

• Determine the best ways to do each activity. two classes (for dichotomous keys) and those
• Practice the best ways for each activity who don't. Along with this joke is a similar
over and over again. recognition from the outside that taxono-
mists are divided also into two classes: the
This practice trains the sensory and motor
“lumpers” (who combine several species into
neurons to function together most efficiently.
one) and the “splitters” (who divide one spe-
Individual neurons in the brain are “trained”
cies into many). These distinctions point to
in practice by adjusting signal strengths and
a larger dichotomy in the way people think.
firing thresholds of the motor nerve cells. The
In ecology, there used to be two schools
performance of a successful hurdler follows
of thought: autoecologists (chemistry, phys-
the “model” of these activities and the process
ics, and mathematics explain all) and the
of coordinating them to run the race. Creation
synecologists (organism relationships in
of an analytic “model” of a business process to
their environment explain all). It wasn't until
predict a desired outcome follows a very simi-
the 1970s that these two schools of thought
lar path to the training regimen of a hurdler. We
learned that both perspectives were needed
will explore this subject further in Chapter 3
to understand the complexities in ecosys-
and apply it to develop a data mining process
tems (but more about that later). In business,
that expresses the basic activities and tasks per-
there are the “big picture” people versus
formed in creating an analytic model.
“detail” people. Some people learn by fol-
lowing an intuitive pathway from general to
HUMAN INTUITION specific (deduction). Often, we call them “big
picture” people. Other people learn by fol-
In humans, the right side of the brain is lowing an intuitive pathway from specific to
the center for visual and esthetic sensibil- general (inductive). Often, we call them “de-
ities. The left side of the brain is the center tail” people. Similar distinctions are reflected
for quantitative and time-regulated sensi- in many aspects of our society. In Chapter 1,
bilities. Human intuition is a blend of both we will explore this distinction to a greater
sensibilities. This blend is facilitated by the depth in regards to the development of sta-
neural connections between the right side tistical and data mining theory through time.
of the brain and the left side. In women, the Many of our human activities involve
number of neural connections between the finding patterns in the data input to our sen-
right and left sides of the brain is 20% greater sory systems. An example is the mental pat-
(on average) than in men. This higher con- tern that we develop by sitting in a chair in
nectivity of women's brains enables them to the middle of a shopping mall and making
exercise intuitive thinking to a greater extent some judgment about patterns among its cli-
than men. Intuition “builds” a model of re- entele. In one mall, people of many ages and
ality from both quantitative building blocks races may intermingle. You might conclude
and visual sensibilities (and memories). from this pattern that this mall is located in
an ethnically diverse area. In another mall,
you might see a very different pattern. In
PUTTING IT ALL one mall in Toronto, a great many of the
TOGETHER stores had Chinese titles and script on the
windows. One observer noticed that he was
Biological taxonomy students claim (in the only non-Asian seen for a half hour. This
jest) that there are two kinds of people in led to the conclusion that the mall catered
­taxonomy—those who divide things up into to the Chinese community and was owned
 INTRODUCTION xxiii
(probably) by a Chinese company or person. of the model. We will discuss this approach in
Statistical methods employed in testing this more detail in Chapter 1. Data mining doesn't
“hypothesis” would include the following: start with a model; it builds a model with the
data. Thus, statistical analysis uses a model to
• Performing a survey of customers to gain
characterize a pattern in the data; data mining
empirical data on race, age, length of time
uses the pattern in the data to build a model.
in the United States, etc.
This approach uses deductive reasoning,
• Calculating means (averages) and
following an Aristotelian approach to truth.
standard deviations (an expression of the
From the “model” accepted in the beginning
average variability of all the customers
(based on the mathematical distributions as-
around the mean).
sumed), outcomes are deduced. On the other
• Using the mean and standard deviation
hand, data mining methods discover patterns
for all observations to calculate a metric
in data inductively, rather than deductively,
(e.g., student's t-value) to compare with
following a more Platonic approach to truth.
standard tables.
We will unpack this distinction to a much
• If the metric exceeds the standard table
greater extent in Chapter 1.
value, this attribute (e.g., race) is present
Which is the best way to do it? The an-
in the data at a higher rate than expected
swer is it depends. It depends on the data.
at random.
Some data sets can be analyzed better with
More advanced statistical techniques can statistical analysis techniques, and other data
accept data from multiple attributes and sets can be analyzed better with data mining
process them in combination to produce a techniques. How do you know which ap-
metric (e.g., average squared error), which proach to use for a given data set? Much ink
reflects how well a subset of attributes (se- has been devoted to paper to try to answer
lected by the processing method) predict that question. We will not add to that effort.
desired outcome. This process “builds” an Rather, we will provide a guide to general an-
analytic equation, using standard statistical alytic theory (Chapter 2) and broad analytic
methods. This analytic “model” is based on procedures (Chapter 3) that can be used with
averages across the range of variation of the techniques for either approach. For the sake
input attribute data. This approach to finding of simplicity, we will refer to the joint body of
the pattern in the data is basically a deduc- techniques as analytics. In Chapter 4, we in-
tive, top-down process (general to specific). troduce some of the many data preparation
The general part is the statistical model em- procedures for analytics.
ployed for the analysis (i.e., normal paramet- Chapter 5 presents various methods for
ric model). This approach to model building selecting candidate predictor variables to
is very “Platonic.” In Chapter 1, we will ex- be used in a statistical or machine-learning
plore the distinctions between Aristotelian model (differences between statistical and
and Platonic approaches for understanding machine-­learning methods of model build-
truth in the world around us. ing are discussed in Chapter 1). Chapter 6 in-
Part I—Introduction and overview of data troduces accessory tools and some advanced
mining processes. features of many data mining tools.
Both statistical analysis and data mining Part II—Basic and advanced algoithms,
algorithms operate on patterns: statistical and their application to common problems.
analysis uses a predefined pattern (i.e., the Chapters 7 and 8 discuss various basic
parametric model) and compares some mea- and advanced algorithms used in data min-
sure of the observations to standard metrics ing modeling applications. Chapters 9 and 10
xxiv INTRODUCTION

discuss the two general types of models, clas- significance, “luck” and ethics in data mining
sification and prediction. Chapter 11 presents applications. The book ends with Chapter 22,
some methods for evaluating and refining which gives an overview of the IBM Watson
analytic models. Chapters 12–15 describe technology, which IBM is trying to leverage
how data mining methods are applied to to solve many analytic problems. It is likely
four common applications. Part III contains that even these new processing strategies are
a group of tutorials that show how to apply not the end of the line in data mining devel-
various data mining tools to solve common opment. Chapter 1 ends with the statement
problems. Part IV discusses various issues of that we will discover increasingly novel and
model complexity, ethical use, and advanced clever ways to mimic the most powerful pat-
processes. Chapter 16 describes the para- tern recognition engine in the universe, the
dox of complexity. Chapter 17 introduces human brain.
the principle of “good-enough” models. One step further in the future could be to
Chapter 18 presents a list of data preparation drive the hardware supporting data mining
activities in the form of a cookbook, along to the level of portable devices like phones
with some caveats of using data mining (pre- and medical data loggers, even to smaller
dictive analytics) methods. Chapter 19 intro- applications in nanotechnology. In power-
duces one of the newest development areas, ful biological quantum computers, the size
deep learning. Some practitioners think that of pin heads (and smaller) may be the next
many data mining analyses will move in the wave of technological development to drive
direction of using deep learning algorithms. data mining advances. Rather than the sky,
Chapters 20 and 21 present various issues of the atom is the limit.

Bob Nisbet
September, 2017
 Another Random Document on
Scribd Without Any Related Topics
Gedanken sich spiegelt, berückt ihr blasses Bild mit der Schlankheit
der zarten Glieder, mit den schweren Hängelocken, mit den adligen
Händen und Gelenken, und mit dem tiefblutroten Munde. Zu allen
Zeiten haben wahnsinnige Maler in Augenblicken überirdischer
Empfängnis solche Bilder geträumt und mit verzaubertem Pinsel die
flüchtigste Oberfläche glänzender Farben in scheuen, ahnenden
Linien ängstlich erprobt. Ein solches Bild, in scheuer Entrückung
erschaut, verfolgte die silbernen Träume jenes Sandro Botticelli, und
lockte aus ihm eine feine, wunderbare Kunst, und trieb seine
verfeinerte Hand von Bild zu Bild, bis ihm Pinsel und Finger zerbrach.
Meine Muse lächelt, wenn sie sich seiner erinnert. Sie ist hinter
ihm gestanden und lockte durch ihren Blick aus seinen Bildern die
flüchtige Glut sehnsüchtiger Lippen und Augen. Sie lockte seine
Kunst von Bild zu Bild, bis ihm Pinsel und Finger zerbrach. Mir aber
erzählte sie von ihm und erklärte mir die unerhörten Wünsche seiner
brennenden Seele, und führte mich durch die sich schneidenden
Kreise seiner hageren Dantebilder.
In anderen Stunden lehnte sie neben der schmächtigen Gestalt
eines kranken Klavierspielers und reizte seine geschmeidigen Finger
nach dem Zartesten zu tasten, und lehrte ihn feine, brechende
Klänge, die das klopfende Herz und den raschen Atem des Hörenden
in ihre schwermütig wilden Takte zwingen. Diesen schmächtigen,
kranken Chopin lockte sie von Reiz zu Reiz, sie lehrte ihn sein Herz
belauschen und deuten und lehrte sein Herz in zitternd bewegten
Takten schlagen, bis es in Müdigkeit und Sehnsucht vor dem
treibenden Stachel erlag. Mir aber erzählte sie von ihm, liess mein
Herz in seinen müden, stachelnden Rhythmen schlagen und lehrte
mich mein Herz belauschen und deuten.
Nun sitzt sie hinter mir, spricht leise zu mir, und schmeichelt, und
hüllt mich in ihren blassen, allwissenden Blick. Sie lockt meine
Heimlichkeiten aus ihren Verstecken und entzündet meine Wünsche
zu farbigen Spielen. Diese Muse tastet an das Zittern meines Blutes,
und stachelt mein durstiges Auge von Sehnsucht zu Sehnsucht und
lächelt dazu, bis mir Blick und Herzschlag zerbricht.
Als sie zum ersten Male zu mir kam, trug sie schwarze Kleider und
liebte Rieselbäche in spätsommerfarbnen Gehölzen und
Schaukelkähne an laubüberwölbten Seerändern. Da hing zitternd
mein Herz am zerrissenen Faden einer knabenhaften Liebe, da rief
meine Sehnsucht einen lieblichen Namen in widertönende Wälder,
und meine Liebe wiederholte zärtlich in Flüsterlauten ein trauriges
Liebesgespräch.
Damals kam meine Fiebermuse zu mir, an einem silbernen Bach,
spielte Freundschaft mit mir und gab mir die schwarze Laute zu
schlagen. Dann half sie mir ein verbotenes Schloss erbauen, das rote
Liebesschloss, vor dessen Fenstern wir im Dunkeln froren, während
Hochzeiten und klingende Feste hinter seidenen Gardinen lärmten
und geläutete Krystallbecher und fiebernde Geigenreigen. Sie zog
Schleier und keusche Decken von der Schatzkammer meiner Seele,
sie reizte mein Auge und erweckte in mir eine plagende Begierde,
Schlösser und fabelhafte Herrlichkeiten zu bauen und mich im Golde
zu spiegeln. Wir schufen rote, flackernde Märchen, Lustgärten und
Wildnisse, und bevölkerten südliche Landschaften mit schlanken,
fürstlichen Wandelpaaren.
Ich lernte meine Traurigkeit in lassen Verstakten wiegen und in
dunklen Reimen spiegeln. Ich lernte spitz zulaufende Jambengänge
fügen und schwere Versbrücken, deren Pfeiler dunkle Molosser
waren. Darauf begannen wir Fabeln zu ersinnen, in welchen alles
Leben umgewendet war wie in einem Höllenspiegel, geborene
Greise, welche sich jung lebten und am Ende als Kinder ängstlich
dem Ende ins Auge sahen, unselige Liebesschicksale und
Geschichten, die voll von Grausamkeiten waren.
Später, nachdem ich in einer Angstnacht meiner Muse in Untreue
entlaufen war und mich auf die grünen Plane der Sonnenseite
geschlagen hatte, kam sie noch manchmal, wie heute, und führte
mich durch geisterbleiche Nächte, und heftete das schöne,
allmächtige Auge voll List und Liebe auf mich, begierig, die
grausame Wollust unserer früheren Träume zu erneuern.
Oft auch sehen wir uns verständig und traurig an wie geschiedene
Liebende und wissen nicht, wer von uns der Dieb oder der
Bestohlene ist. Dann öffnet sie leis die blutroten Lippen, regt die
Hand und beschwört in mir das Bild des fensterroten Liebesschlosses
und das verzweifelte Jauchzen lustgestachelter Geigenreigen. Sie
sieht auch jetzt, was ich geschrieben habe, und seufzt, und hat den
bleichen Tod im Blick.
 Incipit vita nova.

I n meinem Leben ist wie im Leben der meisten Menschen ein

Punkt der Wandlung in’s Besondere, ein Ort der Schrecken, der
Finsternisse, des Verirrt- und Alleinseins, ein Tag unerhörter
Betäubung und Leere, aus dessen Abend neue Sterne am Himmel
und neue Augen in uns hervorgehen.
Da ging ich frierend unter den Trümmern meiner Jugendwelt, über
zerbrochene Gedanken und gliederzuckende, verzerrte Träume, und
was ich anschaute, fiel in Staub und hörte auf zu leben. Freunde
gingen an mir vorbei, welche zu kennen ich mich schämte,
Gedanken sahen mich an, die ich vorgestern gedacht hatte, und
waren so entfernt und fremd geworden, als wären sie hundertjährig
und nie mein Eigentum gewesen. Alles wich von mir weg, ich war
bald von einer ungeheuren Leere und Windstille umgeben. Ich hatte
nichts Nahes mehr, keine Lieblinge, keine Nachbarschaft, und mein
Leben stieg in mir als ein schüttelnder Ekel empor. Als wäre jedes
Mass überfüllt, jeder Altar entheiligt, jede Süssigkeit verekelt, jede
Höhe überklommen. Als wäre jeder Schimmer einer Reinheit
verfinstert und schon jede Ahnung einer Schönheit verzerrt und mit
Füssen getreten. Ich hatte nichts mehr, mich danach zu sehnen,
nichts mehr anzubeten und zu hassen. Alles was Heiliges,
Ungeschändetes und Versöhnendes noch in mir war, hatte Blick und
Stimme verloren. Alle Wächter meines Lebens waren
eingeschlummert. Alle Brücken waren abgebrochen und alle Fernen
ihrer Bläue beraubt.
Als alles Lockende und Liebenswerte mir so verschwunden war
und ich wie ein Schiffbrüchiger des Geistes erschöpft und
unaussprechlich beraubt und arm zum Bewusstsein meines Elendes
erwachte, da senkte ich das Auge, erhob mich mit schweren
Gliedern und wanderte aus allen Gewöhnungen meiner
Vergangenheit wie ein Gerichteter, der bei Nacht seine Wohnung
verlässt, ohne Abschied zu nehmen und ohne die Thüren hinter sich
zu verschliessen.
Wer hat je der Einsamkeit auf den Boden geschaut? Wer kann
sagen, dass er das Land der Entsagung kenne? Meinen Blicken
schwindelte, als ich mich über den Abgrund bückte, sie fielen ohne
ein Ende zu finden. Ich wanderte durch das Land der Entsagung, bis
meine Kniee vor Müdigkeit brachen, und noch lag die Strasse in
unverminderter Ewigkeit vor meinem Schritt. Eine stille, traurige
Nacht wölbte sich tröstend und schläfernd über mir. Schlummer und
Traum kamen zu mir wie Freunde zu einem Heimkehrenden, und
lösten eine tödliche Last wie ein Reisebündel von meinen Schultern.
Bist du schon schiffbrüchig gewesen und sahest Land und einen
Schwimmer sich dir nähern? Bist du schon todkrank gewesen und
thatest genesend den ersten Trunk frischer Gartenluft und spürtest
das süsse Wallen des sich erneuernden Blutes? Wie diesen
Erretteten und diesen Genesenen, so überflutete mich ein Wirbel von
Dankbarkeit, Ruhe, Licht und Wohlsein, als ich in jener Nacht
erkannte, dass unerforschliche Wesen sich freundlich zu mir neigten.
Der Himmel hatte ein anderes Ansehen als jemals zuvor. Die
Stellung und Wiederkehr der Gestirne trat mit meinem innersten
Leben in einen vorbestimmten Freundesbund und das Ewige
verknüpfte etwas in mir deutlich und wohlthätig mit seinen
Gesetzen. Ich fühlte in meinem aus der Wüste aufgerichteten Leben
einen goldenen Grund gelegt, eine Kraft und ein Gesetz, nach
welchem, wie ich mit herrlichem Erstaunen empfand, künftig alles
Alte und Neue in mir sich in edlen Krystallformen ordnen und mit
allen Dingen und Wundern der Welt wohlthätige Bündnisse
schliessen müsste.
Incipit vita nova. Ich bin ein Neuer geworden, mir selber noch ein
Wunder, ruhend zugleich und thätig, empfangend und schenkend,
ein Besitzer von Gütern, deren werteste ich vielleicht noch nicht
kenne.
 Das Fest des Königs.

I m Schloss des Königs wurde ein Fest bereitet. Der Palast und alle
vornehmen Häuser der Stadt waren mit Gästen überfüllt, denn zu
den Festen des Königs pflegte der Adel des ganzen Landes sich
einzufinden.
Die breite Allee, welche vom Schlosse in die Stadt führte und die
an gewöhnlichen Tagen durch Ketten und Wächter versperrt wurde,
war voll von Reitern, Wagen, Sänften, Lastträgern und
Müssiggängern zu Fusse. Der König besass einen Marstall von
hundert Schimmeln, und ausser den Prinzen und den Grafen des
Landes durfte niemand ein weisses Ross reiten, bei Todesstrafe.
Wenn nun auf dem überfüllten Fahrwege ein Schimmelreiter
erschien, dem wurde eine breite Gasse gebahnt, und auf beiden
Seiten drängte sich das wartende Volk, sich bückend und die
Häupter zum Gruss entblössend. Da waren Handwerker mit Leitern,
Seilen, Brettern, Teppichen und gemalten Schildern, buntgekleidete
Musikanten, Trompeten, Geigen und grosse Trommeln tragend,
Blumenverkäufer mit Karren, auf welchen bunte und rare Blumen in
Haufen getürmt lagen, Herolde und Soldaten, Wagen, die mit
vielerlei Geräte, Tapeten und Tüchern beladen waren. Unzählige
Neugierige in Sonntagskleidern spazierten in dem geöffneten
äussersten Ring des königlichen Parkes, durch den die Platanenallee
gezogen war. Handwerker waren beschäftigt, zwischen den Bäumen
lange Leinen mit aufgereihten, runden, rot und gelben
Papierlaternen zu spannen, welche am Abend zur Belustigung des
Volkes und als fröhlicher Anblick für die Herrschaften sollten
angezündet werden. Die Arbeiter lachten oder fluchten
durcheinander, je nachdem sie von der Menge ermuntert oder
belästigt wurden. Trödler gingen umher, von vielen Kindern umringt,
mit Schmuck und allerlei Spielzeug und Flittern handelnd, Weiber,
welche Brot und Würste und Gebäck verkauften, und
Blumenmädchen, die den jungen Städtern Veilchensträusse anboten.
Diese alle erfreuten sich reichlichen Zulaufs, und zumal die
Veilchenmädchen waren überall von eleganten, im Scherze
feilschenden jungen Männern unter vielerlei Schmeicheleien und
spasshaften Angeboten umringt.
Am dichtesten drückte sich das Volk vor dem geschlossenen
eisernen Hauptportal des Schlosshofes. Landleute und Städter
drängten sich dort zu dem selten gewährten Anblick des Schlosses
und brannten vor Begierde, hinter den Bogenfenstern Einen vom
Königshause zu erspähen, und wandten kein Auge vom Schlosshof,
sobald ein Lakei in roter Livree sichtbar wurde, oder ein Offizier, oder
nur ein gemeiner Diener, welcher Gerät trug oder Pferd oder Hund
nach den seitwärts zurückliegenden Prachtställen führte.
Das Schloss bestaunte ein jeder, der es zum ersten Male sah, und
am meisten die Landleute. Denn es war nach hierlands fremden
Regeln unter dem Vater des jetzigen Königs von einem
südländischen Werkmeister erbaut worden, von geringer Höhe, aber
weitläufig und prächtig, und ganz aus Marmor. Dieses Schloss und
der dahinter liegende alte Park, der dem Volke unsichtbar und
niemals zugänglich war, galten als die Wunder des Landes. Die
sichtbare vordere Seite des Schlosses, mit zweimal vierzig
Bogenfenstern, war von einem breiten Giebel gekrönt, in dessen
Dreieck ungeheure Menschen und Pferde auch aus Marmor
gemeisselt standen, die seitwärtigen in allerlei Lagen knieend,
fallend und liegend und so der Dreieckform lebendig angeschmiegt.
Kleinere Figuren von feiner Arbeit standen über dem Hauptthore,
den Empfang heimkehrender Sieger darstellend. Im Innern aber
sollten Säle von unerhörter Höhe und Pracht und Zimmer mit
seidenen und goldenen Wänden sein, angefüllt mit Schätzen aus
vielen Zeitaltern und Kunstwerken berühmter Meister. Noch
erstaunlichere Gerüchte wussten viele von dem geheimnisvollen Park
zu erzählen, der sich drei Stunden weit erstreckte und von
ausländischen Gärtnern und Förstern erhalten wurde, welchen
verboten war, sich jemals ausserhalb der ungeheuren Ringmauer zu
begeben, die den ganzen Park in stattlicher Dicke und Höhe umgab.
Hirsche und unbekannte Tiere und farbige, fremde Vögel, als
Fasanen und Pfauen, wusste man dort verborgen, und
jahrhundertalte Wildnisse, ferner künstliche Gewässer, Seen und
springende Brunnen, Brücken und Beete voll seltener Blumen, sowie
ein fabelhaftes Jagdschloss, den Lustort des verwichenen Fürsten,
wo dessen lang verblichene Geliebten häufig umgingen, die
Buhlereien und Eifersüchte ihres vormaligen Sündenlebens
erneuernd. Was immer an dunklen Mordgeschichten und unerhörten
verliebten Lustbarkeiten von heissen Köpfen ersonnen und von
eiligen Weiberzungen verschwatzt war, wurde auf das unbekannte
Jagdschloss gehäuft, welches den einen als ein schimmernder
Himmel auf Erden, den andern als Sammelort aller Schrecken und
bösen Geister erschien.
Die müssige Menge sog begierig die Geschwätze und geflüsterten
Sagen und den Duft des Wunderbaren ein, der sie nebst dem
Rausch des Feiertages und der Erwartung erhitzte und betäubte.
Man sprach von den Pferden und Wagen der Gäste, von den
bevorstehenden Vergnügungen des Hofes und denen des Volkes,
welchem auf den Abend ein Feuerwerk versprochen war. Neben den
anpreisenden Rufen der Verkäufer waren die von lautem Gelächter
begleiteten Spässe der Hanswurste zu hören, die Bettelreden
sitzender Krüppel und umhergestossener Einarmiger oder geführter
Blinder, die ermahnenden, aber wohlwollenden Stimmen anwesender
Ratsherren, und das gelle Spassen und jache Lachen der
Freudenmädchen. Die Trinkbuden bevölkerten sich, und mancher
Unkluge nahm den erwarteten Genuss des Festtages im vorzeitigen
Rausch vorweg. Andere umstanden ein Kasperltheater oder ein
Loosrad oder die Wettspiele der Kinder, welche nach ausgehängten
Preisen kletterten und sprangen. Balladensänger und Sackpfeifer
wurden angehört, im Gedränge verloren sich Familien und Freunde
auseinander und fanden sich Liebespaare, denen die Wirre des
Festplatzes ersehnte Gelegenheit zu verbotenen Zusammenkünften
gab.
 In den gewundenen Spazierwegen des äusseren Parkes sassen
und lustwandelten die Alten, die Angesehenen der Stadt, reiche
Bürger, Räte und Richter, und langsame Pfarrer, im Genuss der
gepflegten Zierbeete und Rasen und der schattigen Ruhebänke. Ein
feister Ratsherr erklärte mehreren Fremden die Anlage der Alleen
und Wege und die Lage des Schlosses, und rühmte den Wohlstand
seiner Stadt und den freigebigen Reichtum seines Königs.
Der Lärm, das Bürgergespräch, die modisch gekleideten Städter
und das glotzende, schwergestiefelte Landvolk schändeten die Alleen
und die Gärten, und stachen hart von dem Ernst der alten Platanen
und von der eleganten Schönheit der fürstlichen Anlagen ab, deren
verschlungene Wege, von allerlei seltenem Laub überschattet, dazu
bestimmt waren, von Prinzessinnen in adliger Gesellschaft oder von
den Phantasiebildern eines fürstlichen Dichters beschritten zu
werden.

Um die Mittagstunde sammelten sich grosse Volkshaufen vor den

Portalen des Schlosshofes, neugierig auf die Tafelmusik und auf den
erhofften Anblick der Herrschaften. Ein dröhnender Jubel brauste
empor, da der Kronprinz an einem Fenster sich zeigte. Er war dunkel,
mager, ein wenig gebückt, und hatte ein scharfes, kluges,
wachsblasses Gesicht mit dunklen, forschenden Augen. Er bewegte
grüssend das Haupt, und in eben diesem Augenblick trat der König
neben ihn, lächelnd und mit lebhafter Bewegung der grüssenden
Hand. Er war gross, dick und aufrecht; die Farbe seines breiten
Bartes schwankte noch zwischen blond und grau, sein Gesicht aber
war frischrot und glänzend und die Stirne schier ohne Falten. Er trug
ein rotes Gewand mit breiten, weissen Säumen. Er liebte alle
Festlichkeiten und verbarg seine Fröhlichkeit der Menge nicht.
Kopfnickend verliess er mit dem Kronprinzen das Fenster.
Während draussen die Rufe der beglückten Menge langsam
zerrannen, setzte sich der König im roten Saale zu Tisch. Zwei
schimmernde Reihen geschmückter Herren und Edeldamen sassen
an einer ungeheuren Tafel verteilt, immer eine Dame zwischen zwei
männlichen Gesellschaftern. Zur Rechten des Königs sass die weiss
gekleidete Königin, seine dritte Frau, von Allen ihrer schlanken,
stummen Schönheit wegen bewundert. Zur Linken des königlichen
Sitzes sass ein schwarzhaariger Buckliger, schweigsam und häufig
aus tiefliegenden, glänzenden Augen umherschauend. Dieser war
des Königs Bruder. Ihm war der scharfe, zähe Verstand zu eigen,
welchen man oft bei Krüppeln findet, und, unbekannt der Welt,
leitete sein wacher Fleiss und sein ernstes, scharfes Auge die
Geschäfte der Regierung. Ihm verdankte unwissend das Land seinen
Wohlstand und der leichtherzige König die Erhaltung seiner ererbten,
unermesslichen Reichtümer.
An die Enden der Tafel waren die Prinzen gesetzt, der Kronprinz
und sein jüngerer Halbbruder, aus der zweiten Ehe des Königs,
seiner Herzensehe entsprossen, ein heller, fröhlicher Ritter. Die
Grafen und Gräfinnen und Barone und ihre Frauen und Töchter
waren nach Neigung und Freundschaften gemischt, die drei
vornehmsten und ältesten Vasallen dem Könige gegenüber. Silberne
Teller und krystallene Weinkelche wurden von zahlreichen
edelgeborenen Pagen bedient. In der Nähe des Prinzen glänzte das
helle Jünglingshaupt seines Lieblings, des Sängers, welchen der
König, da jener ein Meister seiner Kunst und von feinen Sitten war,
nach italienischem Vorbilde an sein Haus gefesselt hatte. Er war dem
König in kurzer Zeit lieb und befreundet geworden, denn er verstand
meisterlich alle angenehmen Künste, zumal Poesie und Gesang, und
war ein Erfinder vieler Feste, Tänze, Mummenschänze und sonst
ergötzlicher Belustigungen.
Der König redete viel mit den Frauen seiner Vasallen. Die Männer
überliess er seinem Bruder, der durch kurze, schwere Fragen und
Blicke die Herren durchforschte. Die Königin allein sass schweigsam
und ohne viel zu lächeln. Ihr feines, blasses Haupt wendete sich
langsam zuweilen um, ihr dunkles Auge ging durch die Reihen der
Tafelnden, ruhte auf den Stirnen schöner Ritter, und ging weiter, den
Schönsten zu suchen. Ihr geschlossener Mund war von hellem Rot,
wie die Frucht der wilden Rose, fein und hochmütig, und karg mit
Lächeln. Sie lehnte oft im Sessel zurück und hörte aufmerksam den
Geigern zu, welche auf einer niederen Galerie gedämpfte, süsse
Melodien spielten. „Eure königliche Majestät lieben die Kunst der
Musik?“ fragte sie ehrerbietig ihr Nachbar, ein alter Graf. Sie wandte
langsam das Haupt gegen ihn und die verschleierten Augen.
„Ihr rietet richtig, Herr Graf“ sagte sie dann würdig, wandte
wieder den Blick und hörte wieder auf die feinen Töne. Einmal
wandte der Sänger sich um und hüllte das Haupt der Königin in
einen langen, glänzenden Blick, und wog im Herzen sein Schicksal
gegen eine junge, süsse Sehnsucht.
Nach aufgehobener Tafel legten sich viele in die Polster, zu ruhen,
und andere wandelten anschauend durch die Säle, deren Estriche
mosaikgeschmückt und deren Wände mit Bildern und köstlichen
gewirkten Stoffen behangen waren. Der Prinz nahm den Arm des
Sängers und zog ihn über die breiten Treppen ins Freie. An einer
kühl verschatteten Ruhebank machten sie Halt. Der Sänger setzte
sich auf die Bank und lehnte sich an den gerundeten Stein. Der Prinz
aber warf seinen Mantel ins Gras und legte sich darauf. Er lehnte den
blonden Kopf an das Knie des Freundes und richtete die Blicke
vergnügt auf den vom Gerank der Zweige vergitterten lichten
Himmel. Nach kurzer Weile begann er zu plaudern. „Sag’ mir doch,
du Kenner, was ist das Schönste und Begehrenswerteste in der Welt?
Ist es der Schmuck des Reichtums, oder des Ruhmes, ist es der
himmlische Zauber der Kunst, oder der brünstige Schrei eines
entzündeten Weibes, oder das Leben der Hirten?“ Der Sänger lachte.
„Du Ungeduld! Du suchst den Schatz des Glückes in der Schale einer
Nuss. Aber die Schönheit und das Glück sind reicher als wir, und
haben tausend Wege, und tragen Früchte auf allen Bäumen. Was ist
Reichtum ohne Liebe, oder Wollust ohne Schönheit? Am
begehrenswertesten aber scheint mir vielleicht dieses: Ein Weib von
höchster Geburt und adligem Herzen, das in Liebe sich seiner Rechte
entkleidet. Welches bittet, indem es schenkt.“
Der Prinz legte sich weiter zurück, und lächelte, und spielte mit
seinen schlanken, weissen Fingern. Der Freund fuhr fort: „Auch wird
das, was uns gestern liebenswert und unübertroffen schien, im
Schatten der Ereignisse mit den Tagen blasser und verliert seinen
frischen Reiz. Ich erfand vor einigen Jahren, in Italien, als zum
ersten Mal eine verliebte Weiberhand mich streichelte und mein Herz
voll neuer Wonne war, — da erfand ich aus meiner Lust ein Lied für
die Geige, und that darein, was ich Süsses und Heimliches wusste
und glaubte lang, in dieser Weise sei aller Zauber und alles Holde
versammelt, so als wiege sich das Glück selber im Netz der Töne. Als
ich dasselbe Lied hernach der zweiten und der dritten Frau zu hören
gab, und als neue Lieder mich umtrieben und gesungen sein wollten,
da sah ich den Boden der Tiefe und musste lachen. Und jetzt scheint
es mir ein liebliches Kinderlied zu sein.“
Vom breiten Weg her kam Geräusch. Der Kronprinz und des
Königs Bruder traten in den Schattenkreis des Gebüsches. Da der
Kronprinz den Bruder zu den Füssen des Sängers liegen sah, ging
über seine harten Lippen ein scharfes Lächeln. Er grüsste nicht und
kehrte nach dem Schlosse zurück, der Oheim aber senkte mit
Wohlgefallen das ernste Auge auf die Befreundeten. „Siehe da,
meine Blondköpfe! Nennt mir, worüber Ihr redetet, damit ich
teilnehme!“ Der Sänger verneigte sich und nötigte den königlichen
Kanzler zu sitzen. Der Prinz, seines Kopfkissens beraubt, setzte sich
mit gekreuzten Beinen gegen die Bank gewendet. „Euer Neffe
wünscht zu erfahren, was wohl in der ganzen Welt das Schönste und
Begehrenswerteste ist.“
„Eine leichtsinnige Frage“, sagte der Alte, — „und eine schwere
Frage! Hattet Ihr ihm eine Antwort?“
„Er meinte, das Höchste wäre: Eine —“ die starke Hand des
Sängers presste sich auf den lachenden Mund des Prinzen und
erstickte den Rest seiner Antwort. „Narreteien!“ Der Bucklige heftete
seinen klaren Blick auf den Ungestümen und drohte scherzhaft mit
dem Finger. „Eine Frau“, — vollendete er den Satz. „Aber welche
nun? Herr Künstler, Eure blonde Jugend weiss in der Liebe besser
Bescheid als meine unreizende Person.“
„Eure Gnaden überfordern mich. Mir war bisher die Liebe nur ein
Schmuck und Spiel, oder ein Gegenstand für meine Singweisen. Ein
Künstler, wer er sei, bedarf der Frauen, denn ihre Nähe macht
glücklich und warm, was beides der Künstler zu seiner Arbeit sein
muss.“
Der Prinz schnitt ein drolliges Gesicht. „Freilich! aber nicht die
Künstler allein. Notwendig sind die Frauen auch für die Prinzen, die
in Friedenszeiten an langer Weile leiden.“ „Halt an!“ rief der Oheim.
„Deine Abenteuer sind uns sattsam bekannt. Mich wundert, wie
lange du noch an langer Weile leiden willst. Wenn die Geschäfte dir
widerwärtig sind, warum treibst du keine Studien und keine
ernstliche Kunst? Dein Bruder studiert in der kargen Zeit, welche er
nicht den Staatsgeschäften widmet, die Geschichte der Malerkunst
und die Sammlungen meines Vaters.“ Der Prinz unterbrach ihn
heftig. „Mein Bruder! Er arbeitet, weil er geizig ist, und weil ihn zu
regieren lüstet. Mag er studieren, so viel er will, er lernt doch nur
Jahreszahlen und Namen, und sein Kunstverstand ist auf die
Kenntnis der Bilderpreise beschränkt. Wie viel Goldstücke für eine
Leinwand bezahlt werden, ist ihm wichtiger zu wissen als alle
Geschichte. Sein Gehirn ist eine Rechentafel.“
Der Oheim gab keine Antwort und betrachtete mit Sorge die
blanke Stirne des Prinzen, und seine frohen, genusssüchtigen
Kusslippen, und die ganze ziere Gestalt. Er war das Abbild des
Königs, in feineren, eleganteren Linien, mit denselben sorglosen
Manieren, aber noch deutlicher mit dem Stempel des Leichtsinns
gezeichnet. Da beide Jünglinge schwiegen, zog der Alte ein kleines,
fein in Leder gebundenes Büchlein hervor und bat den Sänger
vorzulesen, wobei er eine Stelle mit dem Zeigefinger bezeichnete.
Die klingenden Verse eines italienischen Dichters flossen rein vom
Munde des Lesers, dem beruhigenden Gesang eines fallenden
Wassers zu vergleichen.
Während der Lesung entwich der Prinz leise seitab, liess einen
Schimmel satteln und that einen übermütigen Ritt nach der Stadt,
durch die hastig ausweichende Menge in schonungslosem Trab sich
drängend. Er hatte für den Abend ein Maskenkleid zu arbeiten
gegeben, nun wandelte in der letzten Stunde die Lust zu einer
Änderung ihn an. Nach kurzer Frist ritt er den Weg zurück, vom
scheuen Volk gegrüsst, über welches er hin und wieder einen Wurf
von kleinen Münzen streute.
Der Sänger, nachdem ihn des Königs Bruder dankend und
freundlich entlassen, ging nachdenklich in den Palast zurück. Er
wandelte durch Gänge und Säle bis zu der schmalen Wand eines
Kabinettes, wo das gemalte Bild der Königin in goldenem Rahmen
hing. Vor diesem stand er lang. Und da er sich mit heissen Augen
von dem Bildnis wandte, trat eben mit ihren Frauen die Königin
selber durch die Thüre. Er bückte sich tief. Sie fragte nach dem
Prinzen. „Er verliess mich bald nach der Mahlzeit. Befehlet Ihr ihn zu
suchen?“
„Der Wildfang! — Bemühet Euch nicht. Habt Ihr Lust mir zu
dienen, so bringet Eure Violine her. Ihr Klang ist mir lieb, denn er
erinnert mich meiner fernen Heimat.“ Er eilte nach seiner Geige. Sie
begehrte das schöne Spielwerk zu sehen und nahm es in ihre feinen
Hände. Ihre Linke umschloss den schlanken Geigenhals. „Ein
gepriesener Meister hat sie gebaut“, erklärte der Sänger, „und sie
vermag mehr als irgend sonst ein ähnliches Stück. Man sagt, dass
der langher verstorbene italienische Meister den Laut menschlicher
Stimme aus ihr zu locken verstand.“ Aus ihren Händen nahm er die
Geige zurück und sah mit glänzendem Auge die Spur ihrer Finger,
von einem schmalen Hauchstreif gesäumt leicht und schmal auf die
blanke Fläche gedrückt. Darauf presste er das feste Kinn auf die
Wölbung und geigte einen langen, wachsenden Ton. Der süsse Laut
erfüllte das ganze Gemach, und zitterte, und wurde zur Sprache
einer brennenden Sehnsucht. Die Königin schloss die Augen und
wiegte leise das zarte Haupt, auf dem das Auge des Spielers glühend
und beschwörend ruhte.
In dieser Stunde erkannte der Sänger, dass seine neue Liebe kein
Spiel und Schmuck war, sondern ein Ernst und eine Wunde. Er
spielte seiner hohen Dame zu Dank. Sie gab ihm, was sie zuvor noch
nie gethan hatte, beim Weggehen die Hand, die schmale, königliche,
und sagte: „Ihr verstehet Eure Kunst! Ich habe lange nicht so süsse
Töne vernommen. Habt Dank!“

Am Abend begann in dem grössten Saal des Schlosses das

Maskenfest. Die Gäste trugen Florlarven und allerlei Gewänder
persischer, griechischer, spanischer und sonst fremdländischer Art,
oder Tierfelle, oder die Kostüme heidnischer Götter. Der Saal war
reich geschmückt und von goldenen Kronleuchtern erhellt.
Der König trug keine Larve und nur ein altertümliches,
reichzackiges Diadem als besonderen Schmuck. Der Kronprinz war in
einer dunklen Mönchskutte leicht zu erkennen. Sein Bruder aber
wurde von niemandem erkannt. Er war mit Wams und Hut eines
Lanzknechts bekleidet und nicht der Einzige, der diese einfache
Tracht gewählt hatte. Der Sänger trug einen künstlichen, schwarzen
Bart und die volkstümliche Kleidung der Neapolitaner. Er suchte die
Nähe der Königin, welche die bunte Volkstracht ihrer südlichen
Heimat trug. Ein Gewimmel von Wilden und Bären, von Göttern und
Göttinnen, von Schäfern, Gnomen und Bergknappen erfüllte den
grossen Saal.
Der Prinz verliess bald unbemerkt das Fest. Er warf einen
schweren Mantel über und befahl einem vertrauten Diener, ihm zu
folgen und ihm nahe zu bleiben, wohin er ginge. Ihn verdross das
steife Volk der Edelleute und ihr höfisches Geschwätze. Er steckte
ein Jagdmesser in den Gürtel, als handlichste Waffe für jede Not,
und verliess den Palast. Der Schlosshof und die Allee und alle
Anlagen bis zur Stadt waren von farbigen Laternen erleuchtet, und
das trunkene Volk lärmte feiertäglich durch die Wege. Trinkbuden
und Tanzplätze waren übervoll, und erhitzte Tänzer und Trinker
lachten, jodelten und stritten miteinander. Der Prinz begab sich
mitten in das Gedränge und hatte bald an jedem Arm ein lachendes
Mädchen hängen. Er tanzte und trank und stand den Scherzworten
der Zuschauenden und den Flüchen der Eifersüchtigen lachend
Rede. Die Weiber wurden von den kecken Manieren und feinen
Reden des Unbekannten gelockt, und seine Lippen brannten bald
von vielen Küssen. Da waren Helle, Dunkle, Schlanke, Breite,
Verschämte und Schamlose. Das Auge des Prinzen fand Gefallen am
Gewühl der Tausende, sein verwöhntes Herz ward von dem raschen
Takt der rohen Musik und vom Anblick des masslosen Pöbels erregt
und schlug in volleren Wellen.
Indessen lauschte die Gesellschaft des Königs auf die leichten,
zarten Weisen einer auserlesenen Musik und genoss die Lust des
galanten maskierten Spiels. Es wurde wenig getanzt. Die meisten
sassen auf niedern Polstersitzen oder standen und spazierten in
kleineren Gesellschaften umher. Die Königin bewegte sich lebhaft
und gesprächig zwischen den Gruppen. Man erkannte die Blasse,
Schweigsame nicht mehr. Sie erinnerte sich der Feste ihrer Heimat,
ihrer Pracht und Freiheit, und nippte häufig ohne Scheu am
Weinkelch. Das leichte Fieber der Festfreude entflammte ihren
sehnsüchtigen Sinn und stachelte ihr unbefriedigtes Herz, und gab
ihrer fremden Schönheit einen neuen, süssen Reiz. Sie versammelte
einen Hofstaat junger Edelleute um sich her, welchen der verkleidete
Sänger sich zugesellte. „Siehe da, ein Landsmann!“ rief sie ihm zu.
„Mir ist, ich wär’ Euch schon am Posilippo begegnet.“ Der Sänger
grüsste mit einem blitzenden Blicke. „Ich kannte Euch wohl!“
antwortete er. „Solche Blumen wachsen hierlands nicht. Ich grüsse
Euch vom Golf, Herrin, als der Abgesandte Eurer Heimat.“
„Meinen Dank, Landsmann! Wem aber habt Ihr Euern Schatz zu
hüten gegeben, da Ihr so weite Reisen wagtet?“
„Ich habe keinen. Mein Auge ging müssig, seit mein Stern mich
verliess, und ich reiste, ihn zu suchen. Mich freut, ihn so glänzend zu
finden.“
„Ich sehe wohl, Guter, man versteht in Neapel noch wie vordem zu
schmeicheln.“
„Schmeicheln, Herrin? Wir sind nur gewohnt, der Wahrheit
weniger rauhe Gewänder anzulegen, als in Nordland Sitte ist.“
Die Königin reichte dem Höflichen einen vollen Becher. „Dies
nehmt als Willkomm! Er wuchs am Vesuv.“ Damen mischten sich
unter den Kreis der Königin, so dass dieser sich bald in plaudernde
Paare und Doppelpaare teilte. Der Sänger aber blieb der Königin
nahe und umgab ihre Sinne mit dem Netz seines flüssigen, süssen
Geplauders. Er sah ihren roten Mund in häufigem Lachen glänzend,
und sah ihre schneeweissen Zähne, und das sacht gerundete, reine
Kinn, und glänzende Augen hinter der seidenen Larve. Zuweilen sah
er hinter ihr den allein umherwandelnden Kronprinzen einen
Augenblick stille stehen mit widerlichem, horchendem Kopfdrehen.
Dieser erkannte den Sänger nicht und wunderte sich über die
verwandelte Laune der Stiefmutter. Einmal, da sein Schatten ihr
wieder über die Schulter hereinfiel, wandte sie sich rasch und
unmutig zu dem Sänger. „Sagt mir doch, Landsmann, was sucht der
Mönch unter den Fröhlichen?“
Der Neapolitaner schaute in das harte Gesicht des Lauschers und
antwortete spöttisch: „Ihr seht ja, er ist am unrechten Ort und kann
die Thüre nicht finden. Also ein Hansnarr wider Willen.“ Der Mönch
ging bitter lächelnd weg, gegen den Tisch des Königs, welcher mit
mehreren Alten sich abseits reichlichen Weines erfreute und des
Gesprächs über die beendigten Jagden.
In einem Augenblicke, da die Spielleute ruhten, wurden auf einen
Ruf des Königs die Vorhänge von allen Fenstern gezogen.
Jedermann erhob sich und blickte ins Freie. Da standen die
unendlichen Reihen der Baumwipfel im Schimmer der bunten
Lampen, das verworrene Jauchzen des Volkes schwoll her, vom
Winde in schwankende Wellen gebrochen, und verschlungene
Flammen eines grossen Feuerwerks fieberten lohhell am matten,
dunklen Himmel auf. Ein dünner Schleier von Dunst und Rauch hing
ruhig über den hohen Bäumen, vom Feuerwerk mit breiten Flüssen
roten und gelben Lichtes getränkt.
Zur selben Zeit kehrte leise der Prinz in den Saal zurück, mit
verträumten Augen und schweren, lächelnden Lippen. Der Kronprinz
erkannte ihn bald. Er ahnte seine verborgenen Lustbarkeiten und
mass ihn mit hässlichem Hohn. Denn er hasste den weichlichen und
verschwenderischen Bruder im Grunde seines herben Herzens. Eine
Weile später, als der ernüchterte Prinz die Königin unter den Masken
suchte, fand er sie nicht. Er fragte den zechenden Vater. Der hob
kaum das verschleierte Auge vom Becher. „Such’, junger Herr“, sagte
er mit rauhem Lachen. „Ihr Jungen seid da, nach den Weibern zu
sehen.“

Die Königin lauschte indess in einem entfernten Zimmer auf die

unermüdeten Scherzreden des Sängers, und auf seine italienischen
Lieder. Ihr brannte die Stirn vom starken Wein der Fröhlichkeit, und
ihr Herz schlug berauscht in heftigen Schlägen. Sie sass tief in einem
Ruhesessel und blickte mit entrückten Augen auf die
zusammengepressten Spitzen ihrer zarten Finger. Der Sänger sass
auf einem höheren Stuhl ihr nahe, bewegte die Finger über den
Saiten einer Guitarre und sang welsche Romanzen und plauderte,
und mischte den Ernst der brennenden Leidenschaft in sein buntes
Geschwätz. Das Spiel der Worte rann ohne Hindernis über die Lippen
des Liederfertigen, und ihn machte das schwindelnde Wandeln auf
der Grenze des Scherzes trunken. Er verfolgte die Spur seiner Reden
auf ihrem erregten Gesicht und im Zucken ihrer spielenden Finger.
Seine Worte legten unvermerkt die Flitterkleider des Maskenscherzes
ab, sie gewannen doppelte Bedeutung, sie begannen ihre
verborgene Kraft und Wärme hervorzukehren, und nur die
gefährlichsten Verräter kleidete noch der hüllende Flor der galanten
Komödie.
Die Königin hörte auf mit den Fingern zu spielen; sie schloss fein
geäderte Lider über den heissen Augen und wiegte sich in ihrer
Wärme und im halben Wissen von der Gefahr. Ihr Traum vieler
sehnsüchtig durchwachter Nächte zog lebendig in lodernden Farben
durch ihr Gemüt und alles, was ihr einsames Herz jemals Prächtiges
und Wunderbares über die Liebe ersonnen hatte. Der Liedermeister
senkte seine Stimme zu einem warmen Flüstern, er bog sich näher
zu der Schauernden, er spann ihren Sinn dicht in den Schleier
geflüsterter Schmeichelreden und verschwiegener Wünsche. Beiden
blieb ein blasses, grausam verzogenes Antlitz verborgen, das einen
Augenblick durch die sacht geöffnete Thüre spähte, und blass und
grausam wieder verschwand.
Der Kronprinz stiess, in den Festsaal zurückkehrend, auf den
Prinzen, welcher seine Mutter suchte. — „Die Königin erwartet dich.
Dort, im blauen Zimmer. Aber schone sie; sie ist müde.“ Der
Kronprinz trat wieder in den Saal. Aus der vor ihm geöffneten
Flügelthüre brauste ein Strom von Musik und Gelächter dem Prinzen
nach, welcher auf die Schwelle des Zimmers trat, in dem er die
Mutter erwartete.
Dem Eintretenden klang der Laut erstickter Seufzer und
Liebesreden entgegen, und erwiederter Küsse. Drei zu Tod
erschrockene Menschen schrieen in diesem Augenblicke weh und
gellend auf. Die kalte Hand des Grausens trennte mit einer
Berührung drei nahe Befreundete. Der blasse Prinz riss zitternd den
falschen Bart aus dem Gesicht des erstarrten Liebenden und schrak
vor dem erkannten Freund in zuckendem Schmerz zurück. Noch
einen Augenblick standen sich die Männer mit stieren Augen
schweigend gegenüber, und leerten den Kelch der bittersten Bitternis
bis auf die Neige.
Dann gewann der Prinz die Herrschaft über seine Sinne wieder.
„Hol’ eine Waffe, Bettelbube!“ rief er dem Freunde zu. Seine Stimme
war schrill, brechend und ohne Nachhall, wie der Ton eines
springenden Trinkglases. Das Herz wendete sich in seinem Leibe um
und wurde voll Galle. Die beiden Menschen, auf welche er Jahre lang
alles Gute und Zärtliche seines Herzens gehäuft hatte, standen vor
ihm wie Tempelräuber. Der Sänger rannte nach einem Schwerte. Der
Prinz riss eines von der Wand des Ganges. Die Kämpfer klirrten wild
und rasend aufeinander. Kaum dass der unsinnige Kampf begonnen
hatte, fiel der Prinz mit blutendem Halse nieder. Dem Sänger rann
ein roter Streif von der zerhauenen Wange. Er sah den Freund am
Boden sich verblutend winden und sah über ihn die todblasse
Königin gebückt. Sein Blick verwirrte sich und seine Gedanken
wurden uneins, flackernd und blutig. Er ging mit dem roten Schwert
in der Hand nach dem Saal, von scheuen Lakaien geflohen und
angekündigt. Er trat in die Flügelthür und stiess die Schwertspitze
vor sich in den Boden, mit einem lauten, wahnsinnigen Gelächter.
Im Saal entstand eine enge Stille. Dem König rann der vergossene
Wein über’s ganze Gewand. Dann ward ein Lärm und eine
Verwirrung ohne gleichen. Keiner rührte an den bluttriefenden
Schwertträger. Verstörte Pagen, weinende und ohnmächtige Weiber,
ratlose Männer, entsetzte Greise drängten sich zwischen
umgestürzten Sesseln und Geräten. Krüge und Flaschen wurden
umgestossen, über zerrissene Tafeltücher floss in geruhigen Bächen
der edle Wein. Die Musik spielte noch eine kleine Weile fort und
brach dann jäh erschrocken mitten im Liede ab. Der Kronprinz trat
dem Sänger zuerst entgegen. „Was ist’s, Liedler?“
„Deinen Blonden hab’ ich erschlagen. Er liegt und mein Schatz
kann ihn nimmer wecken.“ Die Diener hatten indess Waffen
herbeigetragen und zahlreiche Edle stürzten gegen die Thüre. Der
Kronprinz aber drängte sie zurück. „Haltet Ruhe, ihr Herren! Eilet
lieber, nach dem Prinzen zu sehen.“
Der Erschlagene und die über ihn gebückte Königin wurden von
einem grossen Gedränge umringt. Im Saal blieb allein der König
zurück, dessen Verstand vom genossenen Wein verdunkelt war. Zu
ihm trat der entstellte Sänger, sein Liebling, und trank aus seinem
Becher. Der Kronprinz stand in der Thüre und betrachtete mit
grausamer Neugier den Trunkenen und den Wahnsinnigen, welche in
dem verlassenen Prunksaal, aus Einem Becher trinkend, sonderbar
und traurig anzusehen waren, wie ein fabelhaftes Fratzenbild eines
seelenkranken Malers.
In diesem Augenblick loderte das letzte Feuerwerk prachtvoll
hinter allen dunklen Fenstern auf. Das Volk wälzte sich in grossen
Haufen vor das still gewordene Schloss und schmückte mit seinem
dankbaren Jubelgeschrei das Fest des Königs.
 Gespräche mit dem Stummen.

D u lächelst? Du wiederholst deine ungesagte Frage? Was soll ich

dir sagen! Dieses dunkle Zimmer, diese ungeschmückten Wände
mit den Viereckspuren von Bildern, die keine Nachfolger fanden,
dieses Knisterfeuer im Öflein, dieses Mondlicht auf unsern Händen
und auf dem geöffneten Klavier, diese Stille und späte Stunde redet
verständlicher als mein Mund von dem, was in mir zu Worte
kommen möchte.
Einem Jugendkameraden müsst’ ich mich vertrauen, flüsternd und
mehr mit Blicken und Geberden redend, Einem, dem schon der
Name eines Hauses oder Feldes genügte, um eine ganze Geschichte
zu verstehen; Einem, der mich oft mit „Weisst du noch?“ und
gesummten Liedversen unterbräche.
Was weisst du, wenn ich sage: Meine Mutter? Du siehst dabei
nicht ihre schwarzen Haare und ihr braunes Auge. Was denkst du,
wenn ich dir sage: Die Glockenwiese? Du hörst dabei nicht das
Windrauschen in den Kastanienkronen, und spürst nicht den Duft der
Syringenhecke, und siehst nicht die blaue Fläche der Wiese, welche
ganz mit den schwanken Glockenhäuptern der blauen Kampanula
bedeckt ist. Und wenn ich dir den Namen meiner Vaterstadt sage,
dessen Laut mir schon das Blut bewegt, so siehst du nicht die Türme
und den herrlich überbrückten Strom, und siehst nicht den
Hintergrund der Schneeberge und hörst nicht die Volkslieder unsrer
Mundart, und hast nicht selber Lust und Heimweh dabei!
Lieber lass mich dir ein Märchen erzählen. Zwei Geiger hatten eine
gute Freundschaft untereinander, und waren beide bettelarm. Nun
geschah’s an einem schwarzen Tag, dass ihnen einfiel in die Wette
zu spielen, wer von beiden der grössere Geiger wäre. Von da an
wuchs ihr Ruhm; aber einer traute dem andern nimmer, denn beide
hatten ihre Seelen in Neid und Ehrgeiz bis in den Grund durchlauscht
und alle Tiefen ans Licht ihrer Kunst gezogen. Da spielte der Eine in
einer mondhellen Nacht ein trauriges Lied. Das war so aus Nacht
und Leid gezogen und so voll schwermütigen Andenkens an die
eigene verstörte Freundschaft, dass es tiefer und herzbannender als
irgend sonst ein Lied zu hören war. Dieses Lied vernahm der andere
Geiger voll Neides, drang in die Stube des Freundes und mordete
Geiger und Lied. Von dieser Nacht an ward er der erste Meister
seiner Kunst. Er spielte an Fürstenhöfen und machte die Herzen der
Könige zittern, denn seine Weisen drangen in den Grund der Seele,
wo die Engel und Teufel der ungeborenen Gedanken und Thaten
wohnen. Sein Gesicht aber wurde mager, blass und scharf, sein Herz
wurde zu einem Sitz aller Ängste, alles Misstrauens und aller Bosheit,
und sein Spiel bestahl und schändete täglich die unantastbarsten
Innerlichkeiten seiner Seele. Eines Tages nun vermass er sich vor
vielen Hörern jenes letzte Lied seines Freundes zu spielen. Da stand
plötzlich der Ermordete vor ihm, das Messer in der Brust, und spielte
auf seiner Geige mit, noch weher, noch mächtiger, so dass der
Meister schreckblass und stieräugig vor der Menge stand. Diese sah
den Ermordeten nicht und hörte nur mit einem Grausen, dass Zweie
geigten. Eine Angst ging durch den grossen Saal, und als der Spieler
zu Ende war, war eine Totenstille.
Du lächelst? Du wiederholst deine ungefragte Frage? Weiss ich, ob
du ein Messer bei dir trägst? Habe ich nicht, während ich neben dir
sitze und deine Hand halte, einen Schatz bei mir, dessen Wesen und
Glanz dir noch unbekannt ist? Ein Lied, dessen Zauber zum Neid
reizt? Einen Schmerz, der dich beschämen könnte? Und wie dann,
wenn ich eines Tages dir ins Auge blickte und mein Lied mit dir
spielte?

Du lächelst? Verzeih mir, Schweigsamer! Du bist das Marmorbild,

dem ich spielend gern meine goldenen Ringe an die Finger lege. Wie
aber, wenn du plötzlich aufhörtest zu lächeln und die steinernen
Finger zusammenkrümmtest? Aber ich weiss noch ein anderes
Märchen.
Einen Ritter, welcher einen einzigen Freund besass, lüstete eines
Tages in die Zukunft zu sehen. Er fragte einen Zauberkundigen, den
er reich beschenkte. Der Zauberkundige sah dem Ritter eine Weile
ins Auge und sagte dann: „Diese Nacht, im Traum, wird dir Antwort
werden.“
In der Nacht, in einem schwülen Fieberschlaf, sah der Ritter zwei
Lebenslinien, Strömen zu vergleichen, neben einander laufen. Er
erkannte sein Leben und das seines Freundes. Die beiden Linien
verschlangen und wirrten sich, und nach einer kurzen Verknüpfung
floss eine, die andere besiegend und fressend, breit und glänzend
lange fort. Auf diesen Traum hatte der Ritter einen bösen Tag.
Darauf beschlich er nächtens die Burg seines Freundes, ihn zu
ermorden. Er kletterte auf den Wall, fiel in den Graben und brach
den Hals. Der Freund betrauerte ihn lang, ward mächtig und reich
und erreichte ein hohes Alter.

Mich wundert oft, welcher von uns das zähere Leben habe. Wenn
mich nach einem grausigen Traum gelüstet, dann denke ich mir, du
begännest einmal zu reden und sagtest mir plötzlich ein Wort von
den vielen Worten, die du von mir gehört hast. Würde nicht die
unerhoffte Rückkehr dieses Wortes mich zu Tode erschrecken? Oder
du gingest von mir und trügest die Last meiner Geständnisse mit dir
hinweg. Wäre mir da nicht wie einem Reichen, dessen Kleinode ein
Kind durch die Raubgier einer bevölkerten Strasse trägt? So gebe ich
dir täglich einen neuen Schatz zu hüten und mache dich täglich nach
neuen Bürden lüstern. Weisst du aber, ob ich nicht grausam bin?
Oder weisst du das besser als ich?
Oft meine ich, dass du mich besser kennen müssest, als ich selbst
vermag. Oder weshalb schüttelst du das Haupt, wenn ich dir eine
alte Sache wieder erzähle und ändere darin eine Farbe, einen Namen
oder nur eine Geberde? Wenn du mich lügen hörtest? Wenn ein
Streit zwischen uns entstände? Müsste es nicht ein Streit auf Leben
und Tod sein? So weiss ich nicht, ob du meiner Langmut
anheimgegeben bist, oder ich der deinigen.

Zuweilen, wenn dein Lächeln eine meiner Erzählungen begleitet,

scheint es mir Augenblicke lang das Lächeln des Wiedererkennens zu
sein. Bist du dabei gewesen, als ich dieses that und jenes zu thun
unterliess? Hast du zugesehen, als ich diesen Frevel beging und jene
Wohlthat übte? Ist das, was dich an mich fesselt, vielleicht die Folge
einer früheren mir unbekannten Gegenwart, ein böses Gewissen,
eine Mitwisserschaft, ein böses Mitgewissen? So wäre der Grund
unsrer Gemeinschaft ein Spiegel- und Trostbedürfnis, die
Notwendigkeit eines Mitleidenden, und vielleicht der allezeit wache
Argwohn Zweier, die ein gemeinsames Verbrechen begangen haben.
Also dass wir aneinander leben und aneinander zu Grunde gehen
müssten?
Oder wie kommt es, dass du gerade dann immer zu mir trittst,
wenn eine Lust zu Rede und Vertraulichkeit sich in mir regt, als
fürchtetest du, diese möchte sich einem Dritten offenbaren? Was
beschwert denn meine Erinnerung, das für Einen zu schwer zu
tragen wäre!

In Stunden, welche schweren Träumen vorausgehen, in diesen

unruhig trägen, bleigrauen, fiebernden Stunden hat mich oft eine
stachelnde Begierde erfüllt, dich zu quälen, dir schmerzliche
Geheimnisse zu rauben und dich stöhnen zu hören, dir den Fuss auf
die Brust zu setzen oder dich eng zu würgen. Dann, wenn meine
Einbildung schon dein Ächzen vernahm und Blut an deinem Halse
sah, tratest du manchmal zu mir. Ich aber wurde von Angst und
Mitleid ergriffen, streichelte deine Hände, nannte dich mit
Schmeichelnamen und vermied es, in deine Augen zu blicken.
Weshalb hatte ich Angst vor dir?
Oder weshalb liebe ich dich? Denn ich liebe dich mit der Liebe,
welche jeder Verwandlung fähig ist und keine höchste Stufe kennt.
Ich liebe dich wie ein gutes Haustier, ich liebe dich wie eine
Schöpfung meiner Kunst, ich liebe dich wie man die Rätsel und das
Schauerliche liebt. Ich liebe dich auch wie ein Glied meines Leibes,
und liebe dich wie einen morgenden Tag, und wie ein Abbild meiner
selbst, und wie meinen Dämon und meine Vorsehung. Wie aber
liebst du mich?
Welcome to Our Bookstore - The Ultimate Destination for Book Lovers
Are you passionate about testbank and eager to explore new worlds of
knowledge? At our website, we offer a vast collection of books that
cater to every interest and age group. From classic literature to
specialized publications, self-help books, and children’s stories, we
have it all! Each book is a gateway to new adventures, helping you
expand your knowledge and nourish your soul
Experience Convenient and Enjoyable Book Shopping Our website is more
than just an online bookstore—it’s a bridge connecting readers to the
timeless values of culture and wisdom. With a sleek and user-friendly
interface and a smart search system, you can find your favorite books
quickly and easily. Enjoy special promotions, fast home delivery, and
a seamless shopping experience that saves you time and enhances your
love for reading.
Let us accompany you on the journey of exploring knowledge and
personal growth!

ebooksecure.com