Machine Learning for Practical Decision Making:

A Multidisciplinary Perspective with

Applications from Healthcare, Engineering and
Business Analytics Christo El Morr download
https://ebookmeta.com/product/machine-learning-for-practical-
decision-making-a-multidisciplinary-perspective-with-
applications-from-healthcare-engineering-and-business-analytics-
christo-el-morr/

Download more ebook from https://ebookmeta.com

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

Machine Learning for Business Analytics: Concepts,

Techniques and Applications with JMP Pro, 2nd Edition
Galit Shmueli

https://ebookmeta.com/product/machine-learning-for-business-
analytics-concepts-techniques-and-applications-with-jmp-pro-2nd-
edition-galit-shmueli/

Machine Learning for Business Analytics: Concepts,

Techniques and Applications with JMP Pro, 2nd Edition
Galit Shmueli

https://ebookmeta.com/product/machine-learning-for-business-
analytics-concepts-techniques-and-applications-with-jmp-pro-2nd-
edition-galit-shmueli-2/

Business Analytics A Data Driven Decision Making

Approach for Business Volume I 1st Edition Amar Sahay

https://ebookmeta.com/product/business-analytics-a-data-driven-
decision-making-approach-for-business-volume-i-1st-edition-amar-
sahay/

Fashion and Its Multi Cultural Facets 1st Edition

Patricia Hunt-Hurst

https://ebookmeta.com/product/fashion-and-its-multi-cultural-
facets-1st-edition-patricia-hunt-hurst/
Ergodic Theoretic Methods in Group Homology A
Minicourse on L2 Betti Numbers in Group Theory Clara
Löh

https://ebookmeta.com/product/ergodic-theoretic-methods-in-group-
homology-a-minicourse-on-l2-betti-numbers-in-group-theory-clara-
loh/

No Mercy (Valerie Law FBI Suspense Thriller #1) 1st

Edition Blake Pierce

https://ebookmeta.com/product/no-mercy-valerie-law-fbi-suspense-
thriller-1-1st-edition-blake-pierce/

The Definitive Guide to Hotwire and Django 1st Edition

Michael Yin

https://ebookmeta.com/product/the-definitive-guide-to-hotwire-
and-django-1st-edition-michael-yin/

Film and the Anarchist Imagination 2nd Edition Richard

Porton

https://ebookmeta.com/product/film-and-the-anarchist-
imagination-2nd-edition-richard-porton/

The Vanquishers The Vanquishers 1 1st Edition Kalynn

Bayron

https://ebookmeta.com/product/the-vanquishers-the-
vanquishers-1-1st-edition-kalynn-bayron/
Deep Learning Approaches to Cloud Security Deep
Learning Approaches for Cloud Security 1st Edition
Pramod Singh Rathore Editor Vishal Dutt Editor Rashmi
Agrawal Editor Satya Murthy Sasubilli Editor Srinivasa
Rao Swarna Editor
https://ebookmeta.com/product/deep-learning-approaches-to-cloud-
security-deep-learning-approaches-for-cloud-security-1st-edition-
pramod-singh-rathore-editor-vishal-dutt-editor-rashmi-agrawal-
editor-satya-murthy-sasubilli-editor-sr/
International Series in
Operations Research & Management Science

Christo El Morr
Manar Jammal
Hossam Ali-Hassan
Walid EI-Hallak

Machine Learning
for Practical
Decision Making
A Multidisciplinary Perspective
with Applications from Healthcare,
Engineering and Business Analytics
International Series in Operations Research &
Management Science
Founding Editor
Frederick S. Hillier, Stanford University, Stanford, CA, USA

Volume 334

Series Editor
Camille C. Price, Department of Computer Science, Stephen F. Austin State Uni-
versity, Nacogdoches, TX, USA

Editorial Board Members

Emanuele Borgonovo, Department of Decision Sciences, Bocconi University,
Milan, Italy
Barry L. Nelson, Department of Industrial Engineering & Management Sciences,
Northwestern University, Evanston, IL, USA
Bruce W. Patty, Veritec Solutions, Mill Valley, CA, USA
Michael Pinedo, Stern School of Business, New York University, New York, NY, USA
Robert J. Vanderbei, Princeton University, Princeton, NJ, USA

Associate Editor
Joe Zhu, Foisie Business School, Worcester Polytechnic Institute, Worcester, MA, USA
The book series International Series in Operations Research and Management
Science encompasses the various areas of operations research and management
science. Both theoretical and applied books are included. It describes current
advances anywhere in the world that are at the cutting edge of the field. The series
is aimed especially at researchers, advanced graduate students, and sophisticated
practitioners.
The series features three types of books:
• Advanced expository books that extend and unify our understanding of partic-
ular areas.
• Research monographs that make substantial contributions to knowledge.
• Handbooks that define the new state of the art in particular areas. Each
handbook will be edited by a leading authority in the area who will organize a
team of experts on various aspects of the topic to write individual chapters. A
handbook may emphasize expository surveys or completely new advances (either
research or applications) or a combination of both.
The series emphasizes the following four areas:
Mathematical Programming: Including linear programming, integer program-
ming, nonlinear programming, interior point methods, game theory, network opti-
mization models, combinatorics, equilibrium programming, complementarity
theory, multiobjective optimization, dynamic programming, stochastic program-
ming, complexity theory, etc.
Applied Probability: Including queuing theory, simulation, renewal theory,
Brownian motion and diffusion processes, decision analysis, Markov decision
processes, reliability theory, forecasting, other stochastic processes motivated by
applications, etc.
Production and Operations Management: Including inventory theory, produc-
tion scheduling, capacity planning, facility location, supply chain management,
distribution systems, materials requirements planning, just-in-time systems, flexible
manufacturing systems, design of production lines, logistical planning, strategic
issues, etc.
Applications of Operations Research and Management Science: Including
telecommunications, health care, capital budgeting and finance, economics, market-
ing, public policy, military operations research, humanitarian relief and disaster
mitigation, service operations, transportation systems, etc.
This book series is indexed in Scopus.
Christo El Morr • Manar Jammal •
Hossam Ali-Hassan • Walid El-Hallak

Machine Learning
for Practical Decision Making
A Multidisciplinary Perspective with
Applications from Healthcare, Engineering
and Business Analytics
Christo El Morr Manar Jammal
School of Health Policy and Management School of Information Technology
York University York University
Toronto, ON, Canada Toronto, ON, Canada

Hossam Ali-Hassan Walid El-Hallak

Department of International Studies Ontario Health
York University, Glendon Campus Toronto, ON, Canada
Toronto, ON, Canada

ISSN 0884-8289 ISSN 2214-7934 (electronic)

International Series in Operations Research & Management Science
ISBN 978-3-031-16989-2 ISBN 978-3-031-16990-8 (eBook)
https://doi.org/10.1007/978-3-031-16990-8

© The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer Nature Switzerland
AG 2022
This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whether
the whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse of
illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, and
transmission or information storage and retrieval, electronic adaptation, computer software, or by
similar or dissimilar methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors, and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or
the editors give a warranty, expressed or implied, with respect to the material contained herein or for any
errors or omissions that may have been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
To our families for their love and support. To
our students, they are our inspiration.
Preface

This book fills a gap in the machine learning literature. It presents the machine
learning concepts in a very simple and practical way starting with a tangible example
and building on it the theory. Each machine learning chapter starts with a presenta-
tion of the problem to solve, followed by a practical example on how the algorithm
that solves the problem works, then comes the presentation of the machine learning
algorithm theory and closing remarks (e.g., pitfalls, advantages limitations). This is
followed by a set of key terms, a set of questions to test your understanding of the
chapter material, a set of references to read more about the subject and hands-on lab
exercises. The lab exercises allow readers to apply the chapter’s concepts and gain
needed skills. To maximize the benefit for readers and to expose them to a myriad of
machine learning languages and frameworks, the lab exercises (and sometimes the
chapter’s material) are built around Python mainly, followed by R (and R Studio),
and Weka. One of the strengths of this book is that it can be used by people who are
exposed to programming or would like to learn how to program and those who prefer
not to program but to solve decision-making problems with machine learning using
simple graphical user interface. The former can use Python, the machine learning
language par excellence, throughout all chapters, or R (limited to Chaps. 1–4, and 6).
The use of Tableau, a visual analytics platform, is reserved to Chap. 5, Data
Visualization, while Weka is explained and used in Chaps. 4 and 6–12; given the
simplicity of Weka, we believe that there was no necessity to add Weka-based lab
exercises for Chaps. 13–15.
This introductory textbook to machine learning for decision making can be used
by students in Computer Science, Information Technology, Health Informatics, and
Business fields. Depending on the students’ level of study and exposure to technol-
ogy, either Weka or Python can be used. However, given the pervasive use of Python
in the market we advise students of all sorts to get exposure to Python and how it
works. Teaching the whole Python language is beyond the scope of this book;
however, we cover Python’s libraries related to machine leaning (e.g., Scikit-
Learn, TensorFlow, Keras) and many Python programming concepts.

vii
viii Preface

Another strength of the book is its focus on the necessary content for an
introductory course to machine learning while providing enough complexity without
being complex or introducing heavy mathematical formulation; the exception being
neural networks where we considered that providing less simple mathematical
formulations was necessary as an illustration but skipping them would not be a
problem to understand the algorithm. There is no mathematical knowledge needed to
read and use this book. Chapter 2 provides, in a simple manner coupled with many
examples, the main mathematical concepts needed to understand the chapters.
A final strength of this book is the use of a variety of datasets from several
domains (e.g., health, business, social media, census, survey) which provide a good
exposure to the myriad types of applications in which machine learning can be used.
The book is organized in three parts: Part 1 is an introduction section that
encompasses Chaps. 1–5, it introduces machine learning fundamentals and allows
for installing the different software tools and the introduction to Python, R, and
Weka. The machine learning algorithms and corresponding lab exercises are covered
in Chaps. 6–15, and future perspectives are provided in Chap. 16.
Professors who adopt this book have flexibility in the way they want to teach the
material; it all depends on the objectives of their course. Some can use to teach
machine learning using Python and hence need to cover Chaps. 1, 4 and 6–16; this
could be true for courses related to practical machine learning. Professors who are
interested in teaching Analytics and (some) machine learning can cover Chaps. 1–5
and then some of the Chaps. 6–16. It is still feasible to cover all chapters in 12 weeks,
Chaps. 1 and 2 are an introduction and a quick overview that can be covered with
their labs in one session; Chaps. 3 (or some of it) and Chap. 4 are possible to
combine in one session. Chapters 5 and 16 can be covered in one session; then each
Chaps. 6–14 in one session; and final Chaps. 15 and 16 in one session. This is not to
impose a single way of approaching the textbook but to provide examples of
alternatives and demonstrate flexibility. The book provides you with flexibility to
be adopted in several contexts. The datasets used in the lab exercise touch upon
many domains: health, information technology, business, and engineering.
We hope that this first edition of the book will enrich the readers’ knowledge and
skills and we welcome their comments and suggestions. Readers can access the
Python code for the Chap. 6 to Chap. 15 lab exercises on GitHub https://github.com/
christoelmorr/ML-4-Practical-DM.git.

Toronto, ON, Canada Christo El Morr

Manar Jammal
Hossam Ali-Hassan
Walid El-Hallak
Contents

1 Introduction to Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Introduction to Machine Learning . . . . . . . . . . . . . . . . . . . . . 1
1.2 Origin of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Growth of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 How Machine Learning Works . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Machine Learning Building Blocks . . . . . . . . . . . . . . . . . . . . 4
1.5.1 Data Management and Exploration . . . . . . . . . . . . . 4
1.5.2 The Analytics Landscape . . . . . . . . . . . . . . . . . . . . 13
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.8 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.10 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.10.1 Introduction to R . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.10.2 Introduction to RStudio . . . . . . . . . . . . . . . . . . . . . . 27
1.10.3 Introduction to Python and Jupyter Notebook IDE . . . 33
1.10.4 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2 Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1 Overview of the Chapter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2 Definition of General Terms . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.3 Types of Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.1 Measures of Central Tendency . . . . . . . . . . . . . . . . . 46
2.4 Inferential Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.1 Data Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.2 Hypothesis Testing . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.3 Type I and II Errors . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.4 Steps for Performing Hypothesis Testing . . . . . . . . . 48
2.4.5 Test Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

ix
x Contents

2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.6 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.7 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.8 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.9 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.9.1 Working Example in R . . . . . . . . . . . . . . . . . . . . . . 55
2.9.2 Working Example in Python . . . . . . . . . . . . . . . . . . 57
2.9.3 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.9.4 Do More Yourself (Links to Available Datasets for
Use) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3 Overview of Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . 61
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Analytics and Machine Learning . . . . . . . . . . . . . . . . . . . . . . 63
3.3.1 Terminology Used in Machine Learning . . . . . . . . . 64
3.3.2 Machine Learning Algorithms: A Classification . . . . 65
3.4 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.1 Multivariate Regression . . . . . . . . . . . . . . . . . . . . . 68
3.4.2 Decision Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4.3 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 72
3.4.4 Naïve Bayes Classifier . . . . . . . . . . . . . . . . . . . . . . 75
3.4.5 Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.6 Support Vector Machines (SVM) . . . . . . . . . . . . . . . 78
3.5 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.5.1 K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.5.2 K-Nearest Neighbors (KNN) . . . . . . . . . . . . . . . . . . 82
3.5.3 AdaBoost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.6 Applications of Machine Learning . . . . . . . . . . . . . . . . . . . . . 85
3.6.1 Machine Learning Demand Forecasting and Supply
Chain Performance . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.6.2 A Case Study on Cervical Pain Assessment with
Motion Capture . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6.3 Predicting Bank Insolvencies Using Machine
Learning Techniques . . . . . . . . . . . . . . . . . . . . . . . . 89
3.6.4 Deep Learning with Convolutional Neural Network
for Objective Skill Evaluation in Robot-Assisted
Surgery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.8 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.9 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.10 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.11 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.11.1 Machine Learning Overview in R . . . . . . . . . . . . . . 94
Contents xi

3.11.2 Supervised Learning Overview . . . . . . . . . . . . . . . . 98

3.11.3 Unsupervised Learning Overview . . . . . . . . . . . . . . 104
3.11.4 Python Scikit-Learn Package Overview . . . . . . . . . . 106
3.11.5 Python Supervised Learning Machine (SML) . . . . . . 107
3.11.6 Unsupervised Machine Learning (UML) . . . . . . . . . 111
3.11.7 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.11.8 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 113
References . . . . ....................................... . 113
4 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.2 Data Preprocessing Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.2.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.2.2 Data Profiling, Discovery, and Access . . . . . . . . . . . 119
4.2.3 Data Cleansing and Validation . . . . . . . . . . . . . . . . 119
4.2.4 Data Structuring . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.2.5 Feature Selection . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.2.6 Data Transformation and Enrichment . . . . . . . . . . . . 120
4.2.7 Data Validation, Storage, and Publishing . . . . . . . . . 121
4.3 Feature Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.3.1 Feature Creation . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.3.2 Transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.3 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4 Feature Engineering Techniques . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.1 Imputation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.2 Discretizing Numerical Features . . . . . . . . . . . . . . . 124
4.4.3 Converting Categorical Discrete Features to Numeric
(Binarization) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.4.4 Log Transformation . . . . . . . . . . . . . . . . . . . . . . . . 125
4.4.5 One-Hot Encoding . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.4.6 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4.7 Reduce the Features Dimensionality . . . . . . . . . . . . . 128
4.5 Overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.6 Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.7 Model Selection: Selecting the Best Performing Model of an
Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.7.1 Model Selection Using the Holdout Method . . . . . . . 133
4.7.2 Model Selection Using Cross-Validation . . . . . . . . . 134
4.7.3 Evaluating Model Performance in Python . . . . . . . . . 135
4.8 Data Quality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.9 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.10 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.11 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.12 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.12.1 Working Example in Python . . . . . . . . . . . . . . . . . . 138
xii Contents

4.12.2 Working Example in Weka . . . . . . . . . . . . . . . . . . . 150

4.12.3 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.12.4 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 160
References . . . . ....................................... . 161
5 Data Visualization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.2 Presentation and Visualization of Information . . . . . . . . . . . . . 168
5.2.1 A Taxonomy of Graphs . . . . . . . . . . . . . . . . . . . . . 168
5.2.2 Relationships and Graphs . . . . . . . . . . . . . . . . . . . . 169
5.2.3 Dashboards . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.2.4 Infographics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
5.3 Building Effective Visualizations . . . . . . . . . . . . . . . . . . . . . . 184
5.4 Data Visualization Software . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
5.6 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
5.7 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
5.8 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
5.9 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.9.1 Working Example in Tableau . . . . . . . . . . . . . . . . . 189
5.9.2 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
5.9.3 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 191
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
6.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
6.2 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.3 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.3.1 Modeling the Linear Regression . . . . . . . . . . . . . . . 198
6.3.2 Gradient Descent . . . . . . . . . . . . . . . . . . . . . . . . . . 199
6.3.3 Gradient Descent Example . . . . . . . . . . . . . . . . . . . 202
6.3.4 Batch Versus Stochastic Gradient Descent . . . . . . . . 203
6.3.5 Examples of Error Functions . . . . . . . . . . . . . . . . . . 204
6.3.6 Gradient Descent Types . . . . . . . . . . . . . . . . . . . . . 205
6.4 Final Notes: Advantages, Disadvantages, and Best Practices . . 207
6.5 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
6.6 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
6.7 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
6.8 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
6.8.1 Working Example in R . . . . . . . . . . . . . . . . . . . . . . 211
6.8.2 Working Example in Python . . . . . . . . . . . . . . . . . . 215
6.8.3 Working Example in Weka . . . . . . . . . . . . . . . . . . . 222
6.8.4 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
6.8.5 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 229
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
Contents xiii

7 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231

7.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
7.2 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
7.3 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
7.4 Final Notes: Advantages, Disadvantages, and Best Practices . . 234
7.5 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
7.6 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
7.7 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
7.8 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
7.8.1 Working Example in Python . . . . . . . . . . . . . . . . . . 237
7.8.2 Working Example in Weka . . . . . . . . . . . . . . . . . . . 242
7.8.3 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
7.8.4 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 247
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
8 Decision Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
8.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
8.2 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
8.3 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
8.3.1 Tree Basics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
8.3.2 Training Decision Trees . . . . . . . . . . . . . . . . . . . . . 259
8.3.3 A Generic Algorithm . . . . . . . . . . . . . . . . . . . . . . . 261
8.3.4 Tree Pruning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
8.4 Final Notes: Advantages, Disadvantages, and Best Practices . . 267
8.5 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
8.6 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
8.7 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
8.8 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
8.8.1 Working Example in Python . . . . . . . . . . . . . . . . . . 270
8.8.2 Working Example in Weka . . . . . . . . . . . . . . . . . . . 273
8.8.3 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
8.8.4 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 278
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
9 Naïve Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
9.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
9.2 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
9.2.1 Bayes Theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
9.2.2 The Naïve Bayes Classifier (NBC): Dealing with
Categorical Variables . . . . . . . . . . . . . . . . . . . . . . . 281
9.2.3 Gaussian Naïve Bayes (GNB): Dealing with
Continuous Variables . . . . . . . . . . . . . . . . . . . . . . . 283
9.3 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
9.3.1 Naïve Bayes Classifier with Categorical Variables
Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
xiv Contents

9.3.2 Gaussian Naïve Bayes Example . . . . . . . . . . . . . . . . 285

9.4 Final Notes: Advantages, Disadvantages, and Best Practices . . 287
9.5 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
9.6 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
9.7 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
9.8 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
9.8.1 Working Example in Python . . . . . . . . . . . . . . . . . . 291
9.8.2 Working Example in Weka . . . . . . . . . . . . . . . . . . . 293
9.8.3 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
9.8.4 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 298
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
10 K-Nearest Neighbors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
10.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
10.2 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
10.2.1 A Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
10.2.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
10.3 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
10.3.1 Distance Function . . . . . . . . . . . . . . . . . . . . . . . . . . 305
10.3.2 KNN for Classification . . . . . . . . . . . . . . . . . . . . . . 307
10.3.3 KNN for Regression . . . . . . . . . . . . . . . . . . . . . . . . 308
10.4 Final Notes: Advantages, Disadvantages, and Best Practices . . 308
10.5 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
10.6 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
10.7 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
10.8 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
10.8.1 Working Example in Python . . . . . . . . . . . . . . . . . . 311
10.8.2 Working Example in Weka . . . . . . . . . . . . . . . . . . . 314
10.8.3 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
10.8.4 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 317
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
11 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
11.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
11.2 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
11.2.1 Example 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
11.3 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
11.3.1 The McCulloch–Pitts Neuron . . . . . . . . . . . . . . . . . 322
11.3.2 The Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323
11.3.3 The Perceptron as a Linear Function . . . . . . . . . . . . 326
11.3.4 Activation Functions . . . . . . . . . . . . . . . . . . . . . . . . 327
11.3.5 Training the Perceptron . . . . . . . . . . . . . . . . . . . . . . 333
11.3.6 Perceptron Limitations: XOR Modeling . . . . . . . . . . 337
11.3.7 Multilayer Perceptron (MLP) . . . . . . . . . . . . . . . . . . 337
11.3.8 MLP Algorithm Overview . . . . . . . . . . . . . . . . . . . . 340
Contents xv

11.3.9 Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . 342

11.3.10 Backpropagation Algorithm . . . . . . . . . . . . . . . . . . 348
11.4 Final Notes: Advantages, Disadvantages, and Best Practices . . 349
11.5 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
11.6 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
11.7 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
11.8 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
11.8.1 Working Example in Python . . . . . . . . . . . . . . . . . . 352
11.8.2 Working Example in Weka . . . . . . . . . . . . . . . . . . . 355
11.8.3 Do it Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
11.8.4 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 360
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
12 K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
12.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
12.2 A Practical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
12.3 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
12.4 Inertia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
12.5 Minibatch K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
12.6 Final Notes: Advantages, Disadvantages, and Best Practices . . 374
12.7 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
12.8 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
12.9 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
12.10 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
12.10.1 Working Example in Python . . . . . . . . . . . . . . . . . . 376
12.10.2 Do It Yourself . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
12.10.3 Do More Yourself . . . . . . . . . . . . . . . . . . . . . . . . . 384
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
13 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
13.1 The Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
13.2 The Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 386
13.2.1 Important Concepts . . . . . . . . . . . . . . . . . . . . . . . . . 388
13.2.2 Margin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 389
13.2.3 Types of Support Vector Machines . . . . . . . . . . . . . 393
13.2.4 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 396
13.2.5 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
13.2.6 Tuning Parameters . . . . . . . . . . . . . . . . . . . . . . . . . 397
13.2.7 Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398
13.3 Advantages, Disadvantages, and Best Practices . . . . . . . . . . . . 399
13.4 Key Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
13.5 Test Your Understanding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
13.6 Read More . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
13.7 Lab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402
13.7.1 Working Example in Python . . . . . . . . . . . . . . . . . . 402
Another Random Scribd Document
with Unrelated Content
 "Minulla ei enää ole äitiä", virkkoi Elma hiljaa.

"Ei äitiä! An… anteeksi, pyydän anteeksi, mutta .. mutta eikö lady
Alfreton ole äitinne?"

"Ei, hän on tätini."

"Tätinne, o… ho… ho… hoo", äännähteli Mabel arvostellen

tilannetta pitkässä henkäyksessä, "kyllähän minä sen sitten
ymmärrän. Teidän täytyy olla jossakin, ja siksi olette opistossa.
Mutta minä nähkääs en tiennyt: toivoakseni ette ole vihainen.
Kotona sanovat, ettei maksa vaivaa olla minulle vihainen. Sanovat,
että kieleni liikkuu kuin vuolas virta ja ettei kannata yrittää minua
puheessani pysähdyttää. Jos vain olisitte minut pysähdyttänyt…"

"Mutta sanottehan, ettei sitä kannata yrittää."

"Ei kannatakaan. Ah, te olette hupaisa tyttö, näemmä. Olette kai

älykäskin ja niin edespäin. Minä en ole. Ylimalkaan en pidäkään
älykkäistä tytöistä, mutta minä pidän teistä. Ja te kerrotte minulle
kaikki sieltä koulustanne, eikö niin? Mikä on nimenne? Elma?
Elmako? Se on lystikäs nimi, on niinkin, ylimalkaan en pidä
lystikkäistä nimistä, mutta minä pidän sinun nimestäsi. Kuulehan,
Elma, katso tuota hattua; oletko koskaan nähnyt sellaista hattua?
Hatut ovat luullakseni tänä vuonna menettäneet järkensä.
Opettajattareni on ostanut kaikkein hirveimmän; mutta hänestä se
on tavattoman pukeva. Tuolla on aivan samanlainen viitta kuin
äidinkin. Minun täytyy kertoa äidille. Ei, enpä huolikaan, sillä minä
itse sain hänet valitsemaan sen viitan; muuten hän voisi saada
aihetta moittia minua ja sanoa, että se on tavallinen. Pidätkö
hatuista, jotka sivulta kääntyvät ylöspäin? Minä en pidä, minusta ne
ovat tavallisia, enkä minä tahtoisi moista, vaikka Fanchette —
palvelijattaremme — kovin koetti minulle sellaista tyrkyttää. Tuolla
on varmaan ranskalainen tyttö: ihan kuin Fanchette — ihan. Hän
käydä vaapottaa aivan kuin Fanchette. Minun täytyy kertoa äidille.
Ei, enpä kerrokaan; sillä äiti ei pidä Fanchettesta nytkään, joten ei
tule antaa hänelle tilaisuutta tehdä hänestä pilaa. Minusta on häijyä
nauraa ihmisille, eikö sinustakin? Ka, jos minulla olisi tuollaiset isot
kömpelöt jalat, olisi minulla sen verran älyä, etten puristaisi niitä
noihin pieniin, suippokärkisiin kenkiin. Ne ovat jokseenkin sievät
kengät, kunhan vain… oh, en tiedä. Enkä luule, että niistä
välitänkään. Omani ovat sievemmät. Näytäpäs sinä kenkiäsi. Oh, hm,
sinun ovat… ovat tuskin… mutta luullakseni se johtuu siitä, että olet
koulussa. Senkö vuoksi tuo pukusikin on hiukan lystikäs? Onko
muilla tytöillä samanlaiset hameet? Se on hirveän sievä puku,
tiedätkös… mutta, mutta en ole aivan samanlaista koskaan ennen
nähnyt. Se johtuu tietysti siitä, että olet koulussa. Onko sinulla
sisaria? Tai veljiä? Eikö kumpiakaan? Eikö ketään? Minulla on
seitsemän. Kolme veljeä ja kolme siskoa. Kaikki minua vanhempia.
Senvuoksi ne luulottelevatkin, että äiti pilaa minut hemmoittelulla. En
siitä välitä. He eivät voi häntä estää minua pilaamasta, ja parasta
etteivät yrittäisikään. Pidätkö vanhemmista veljistä ja sisarista? Oh,
sinullahan ei niitä olekaan. Mutta tuosta serkustasi — mikä hänen
nimensä on? Pidätkö hänestä?"

Ja vihdoinkin, puhuttuaan itsensä hengästyksiin, haastelija

pysähtyi vastausta odottamaan.

Hän ei saanut vastausta; Elman silmät ja korvat olivat toisaalla.

"Oh, sinä et kuuntelekaan", sanoi lady Mabel lyhyesti.

Hän ei olisi kummastunut, jos häntä olisi toruttu, häntä vastaan

väitetty, hänelle naurettu tai käsketty häntä pysymään aisoissa,
mutta ettei häneen ja hänen sanoihinsa kiinnitetty mitään huomiota,
oli hänelle uutta ja outoa. Ken oli tämä tyttö, tämä lady Alfretonin
sukulainen, jolla oli niin kummallinen puku ja niin kamalat kengät ja
joka oli vain mukiinmenevän sievä ja siro eikä kenties ollutkaan
älykäs? Kuka hän oli, kun saattoi katsella ympärilleen ja ajatella
muita asioita, silloin kun hän, Mabel, teki parhaansa solmiakseen
ystävyyttä? Mabel suoristausi. Tehdäksemme hänelle oikeutta on
meidän sanominen, ettei hän ollut mikään röyhkeä neitokainen eikä
pahasisuinen. Hän oli vain lörpöttelijä ja lörpöttelijä, joka vaati
ainoastaan, että häntä edes hitusen muka kuunneltiin. Siksi hänen
poskilleen noussut heikko puna ei ollut aivan aiheeton.

"Suokaa anteeksi", virkkoi Elma hyvin lempeästi. "Minä vain

tähystelin muutamia… ystäviä, henkilöitä, jotka saattavat minua
kaivata; ja elleivät he minua tapaa…"

"Oh, niin, minä ymmärrän. Mutta et sinä heitä löydä. Ihmiset eivät
koskaan löydä toisiaan tällaisissa paikoissa. Parasta, että jäät minun
seuraani — jäisit ainakin siksi, kunnes kohtaat ne toiset…"

"Jään tietysti", vastasi Elma innokkaasti.

"Äitini näet sanoi, että meidän olisi käveltävä yhdessä." Elmalta ei

jäänyt huomaamatta, että tyttö lausui sanan "äiti" juhlallisemmalla
äänenpainolla kuin äsken.

"Minä kävelen kernaasti sinun kanssasi — hyvin kernaasti",

huudahti hän, melkein lohduttomana katumuksesta, että oli
aikomattaan ollut epäkohtelias, mikä ei ainoastaan ollut vierasta
hänen luonteelleen, vaan josta myös pieninkin vihjaus olisi tuottanut
hänen tädilleen ääretöntä mielipahaa. "Kuulehan, Mabel, kuulehan ja
käsitähän, minä nautin niin kovin paljon sinun seurastasi, että vain
muistaessani lupaukseni tähystellä noita tyttöjä…"

"Tyttöjä? Mitä tyttöjä?"

"Neiti Exeterin opiston tyttöjä."

"Koulutyttöjä! Hoo, vai niin!"

"Neiti Exeter tuo heidät tänne tänään, ja minä lupasin pitää varani
ollakseni valmis heitä puhuttelemaan ja neuvomaan heille, mitä
katsella ja minne mennä…"

"Hoo, vai niin! Kuinka hauskaa! Mikset sanonut sitä minulle

ennemmin, rakas tyhmeliini? Kuule, minä olisin auttanut sinua
etsiskelyssä, ja olisimme löytäneet heidät jo vuosisatoja sitten. Oi,
minä tahtoisin nähdä nuo tytöt? Kuule, en ole sinulle enää
rahtuakaan suutuksissani, Elma; varmaankin minä kiusasin sinut
kuoliaaksi. Mutta sinun näetkös olisi pitänyt minut keskeyttää. Kunpa
olisin vain tiennyt! Mennään nyt! Äiti ja lady Alfreton ovat aivan
kintereillämme — tuolla he ovat, — etkö näe tätisi vihreätä
päivänvarjoa? Eikö se ole sievä päivänvarjo? Äiti sanoo, että lady
Alfreton on aina hyvin puettu. Kai hän pukee sinutkin, jahka tulet
täysikasvuiseksi? Eihän sillä ole väliä niin kauan kuin olet opistossa;
mutta tietysti lady Alfreton pitää huolta siitä, mitä sinulla on ylläsi,
jahka joudut asumaan hänen luokseen. Luullakseni menet asumaan
hänen luokseen, jahka tulet vanhemmaksi, menet kai?"

Mennä asumaan tädin luo? Kummallista kyllä, tämä ajatus tuli nyt
vasta ensi kertaa Elman mieleen. Tavuakaan siitä eivät hänen
kuultensa olleet hiiskuneet hänen sukulaisensa enempää kuin neiti
Exeterkään puolestaan, ja se tunne, minkä tämä hänen
ajattelemattoman toverinsa keveä vihjaus hänen rinnassaan synnytti,
oli niin valtava, että se hetkiseksi karkoitti kaikki muut ajatukset.

Ensiksi, kuten luonnollista olikin, hän melkein hurmaantumista

lähenevin liikutuksen tuntein itsekseen myönsi, että Mabel kai oli
viitannut vain siihen, mikä oli itsestään selvä ja varma jatko hänen
nykyiselle elämälleen. Olihan mahdollista, että sir Thomasin
huonekunnassa ilman muuta edellytettiin hänen piakkoin tulevan sen
jäseneksi, vaikka hän typeryydessään ei ollut sitä oivaltanut. Tosin ei
kukaan siitä ollut maininnut — mutta muutamat asiat ovat
sanomattakin selviä. Ja jos niin oli — jos niin oli… Tuo ajatus sai
Elman sydämen rajusti sykkimään, Oi, mikä onni, mikä ääretön
riemu! Oi, kuinka paljon hän saattoi tehdä muiden hyväksi! Tulisipa
siitä tytöille päivät! Kuinka paljon mielihyvää neiti Exeterille! Millaista
ilonpitoa! Millaista…

"Taaskaan sinä et kuuntele minua!" Mutta tällä kertaa lady Mabel

nauroi. "Sinä olet maailman lystikkäin tyttö", hän jatkoi
hyväntuulisesti. "Vaivut ajatuksiisi parhaillaan jutellessamme.
Mitähän sinä oikein ajattelet? Minä en ajattele koskaan — en
osaakaan ajatella. Eikä minulla ole siihen edes aikaa. Opettajattareni
parissa ollessani minulla on oppitunteja ja läksyjä aamusta iltaan; ja
kun sitten pääsen ulos äidin tai jonkun muun kanssa, tahdon puhella
ja pitää hauskaa. Sinäkin rakastat hauskuutta; näen sen kasvoistasi.
Minä pidän sinusta, vaikka sinä vaivutkin ajatuksiisi. Kuule, Elma,
haluaisin, että menisimme joka paikkaan yhdessä ja kävelisimme
tähän tapaan kaikkialla. On paljoa hauskempaa kävellä sinun
kanssasi kuin äidin seurassa. Katsos, Elma, tuolla on tosiaan sievä
puku, juuri sellainen kuin olisin itselleni toivonut. Kunpa olisin saanut
sen tämän asemesta", lopetti hän tyytymättömänä.
 "Mutta minun mielestäni sinun pukusi on kerrassaan kaunis."

"Vielä mitä! Luuletko niin? Ajattelitko niin heti vai nyt vasta?"

"Heti, heti — ihan ensi silmänräpäyksestä asti. Minä pidin

omastani, kunnes… kunnes näin sinun pukusi, Mabel", virkkoi Elma
lempeästi.

"Niinkö? Ka, näetkös, sinun pukusi on… on hyvin sievä, mutta se

on juuri hiukan… se ei ole aivan… Lady Alfretonko sen sinulle tilasi?"
kysyi Mabel äkkiä.

"Ei. Neiti Exeter sen tilasi; enkä luule… olen melkein varma, ettei
täti siitä oikein pitänyt. Minä näin hänen vilkaisevan minun puvustani
sinun pukuusi", ja Elma-parka nielaisi jotakin kurkustaan. Hän oli
vihdoinkin tulkinnut oikein tätinsä kasvoilla väikkyneen epäilyttävän
ilmeen tässä suhteessa.

"Oh, ei, olen varma", huudahti kuitenkin Mabel; "oh, ei se

suinkaan sen vuoksi ollut!" lisäsi hän tyydytetyn turhamaisuuden
innostuttamana. "Ja sinä olet oikein hyväluontoinen tyttö, Elma, kun
sen tunnustat", myönsi hän epäjohdonmukaisesti. "Äiti pitää sinua
joka tapauksessa kauniina", virkkoi hän sitten hyvittääkseen
edellisen, "niin hän minulle sanoi. Hän sanoi, että tänä iltapäivänä
saisin tavata lady Alfretonin sievän tyttären. Se olit sinä. Me emme
pidä neiti Alfretonia kauniina nyt enää. Pidätkö sinä? Hän oli kyllä
kaunis viisi tai kuusi vuotta sitten, mutta — koska hän on vain
serkkusi, niin ethän siitä välitä — meistä hänen kukkeutensa on jo
ohi. No, Elma, missä ne sinun tyttösi ovat? Etsitäänpäs heitä. Ja
tuossa on se puku — minun pukuni — jälleen. Oi, se on sirompi,
paljoa sirompi kuin minun! Tule, mennään katsomaan vähän
lähempää. Tarkastellaan sitä, niin näen, eikö Fanchette voisi jostakin
keksiä minulle samanlaista. Minä tarvitsen toisen uuden puvun.
Tarvitsen niinkin. Sisareni sanonevat, etten tarvitse, mutta kyllä minä
saan äidin suostumaan. Oo, nyt näen, kuinka se on laitettu, ja
Fanchette voisi helposti tehdä minulle samanlaisen — helposti. Tule
vähän lähemmäksi. Voi, kuinka väsyttäviä nuo ihmiset ovat, kun siinä
alituisesti liikkuvat edestakaisin, ja tuo muijanmykkyräkin menee
välillemme! Nyt tulee varmaankin koko tuo jono hirveännäköisiä
tyttöjä, oikeita kiusankappaleita! Ikäänkuin kukaan haluaisi nähdä
heitä! Ei ainoatakaan kunnon pukua koko joukossa! Ja nutut, Elma,
nutut tällaisena päivänä! Kah, Elma…" ja lady Mabelin kieli ei
ainoastaan pysähtynyt kuin pistoksesta, vaan takertui kitalakeen
kiinni.

Eräs toinen ääni oli huudahtanut väliin:

"Vihdoinkin sinut löysimme! Olemme samoilleet kautta puutarhan

sinua etsimässä. Oi Elma! Missä olet ollut?"
VIII.

"En ole ikipäivinäni nähnyt sopimattomampaa kohtausta."

Saattoiko puhuja olla neiti Exeter? Oliko siinä Henrietta ja Maggie

ja koko muu iloinen joukko, josta hän oli eronnut vain muutama tunti
sitten? Nekö nyt Elmaa puhuttelivat? Mitä — mitä he olivat itselleen
tehneet? Miksi — miksi he näyttivät tuollaisilta? Oliko tuo todellakin
Henriettan sievä sininen hattu harsoineen, mikä vähää aikaisemmin
oli Elman silmissä ollut niin siro ja chic? Oliko tuo Margaretin paras
musliinihame, ja tuo Georginan uusi vyöhikkö?

Elman silmät kävivät pyöreiksi kummastuksesta. Hän saattoi tuskin

uskoa, etteivät toverit olleet suunnitelleet hänelle jotakin kepposta.

Ja neiti Exeter, rakas pieni opettajatar, miksi hän oli laittanut

itsensä tuon näköiseksi? Miksi hän oli pannut ylleen tuon iänikuisen
mustanappisen viitan, joka ei koskaan ollut sopinut oikein
selkäpuolelta ja joka näytti melkein ruskealta kesäkuun
häikäisevässä päiväpaisteessa?

Kaikki he olisivat voineet menetellä viisaammin, olisivat voineet

paremmin huolehtia ulkonäöstään tällaisessa tilaisuudessa. He
olisivat voineet — mutta tässä hämmentynyt itsekseenpuhuja äkkiä
pysähtyi ajatuksissaan uuden, oudon totuuden välähtäessä hänen
vastahakoisessa mielessään ja hetkellisen ärtymyksen hälvetessä
häpeänpunan tieltä. Oh, kuinka hän saattoi noin ajatella? Oh, kuinka
hän saattoi tuolla tavoin tuntea? Ja kuitenkin, kunpa kohtaus olisi
viivästynyt vain lyhyen, aivan lyhyen tuokion!

Sillä tässä oli lady Mabel Pomeroy seisomassa vieressä

silmäluomet riipuksissa ja heikko hymynväre suupielessä. Tässä oli
tyttö, jonka liukas kieli oli viimeksikuluneen puolentunnin aikana
puhua pärpätellyt jos jotakin, ja liiankin ilmeisesti hän jo etukäteen
nautti tarjoutuvista pilan ja ilveilyn aiheista — ja tässä olivat tuon
ivan pahaa-aavistamattamat ja turvattomat esineet juuri joutumassa
hänen oman moitteensa alaisiksi ja kiusaamassa häntä läsnäolollaan.
Jospa he olisivat vain poikenneet toiselle polulle, olisivat vain jonkun
aikaa odotelleet siellä, missä olivat! Kaikki oli hämmennystä ja
kiusallista sekasortoa. Tuntui siltä, kuin olisi äkkiä tapahtunut
onnettomuus.

Mitäpä lady Mabel oli Elmalle, tai Elma hänelle? Mitäpä merkitsi,
mitä tuo lavertelija ajatteli tai sanoi? Mitäpä haittasi, että
herttuattaren tyttären pitsipuku nyt uusien tulokkaiden
jakapäiväisemmistä aineksista tehtyjen ja karkeavärisempien
pukimien rinnalla muuttui välkkyväksi suviseitiksi? Elma ei välittäisi,
hän kieltäysi säikähtymästä ja masensi sydämessään heräävän
paholaisen — mutta muutamien ohimenevien, nopeasti haihtuvien
tuokioiden kuluessa hän oli kokenut jotakin, mitä ei koskaan ollut
unohtava. Aina elämänsä loppuun asti hän muistikin tuon
pysähdyksen siellä puiden siimeksessä ja oli tuntevinaan ison,
suloisen kukkasen tuoksun vieressään sellaisena kuin tuulahdus
lennätti sen hänen nenäänsä hänen kohottaessaan ylpeän nuoren
päänsä taistellakseen ystäviensä puolesta. Jos ken muu tahansa
heidät pettikin, hän ei sitä tekisi. Jos joku häpesi heitä tai piti
hauskaa heidän kustannukseltaan, hän ei tekisi kumpaakaan. Vaikka
Mabel ehkä nauraisi, — mutta Mabel ei nauranut: saattoihan olla
mahdollista, että hänkin ajatteli hänen tovereistaan parempaa kuin
ensimäisen vaikutelmansa vallassa ja oli taipuvainen ystävällisyyteen
ja suopeuteen. Olihan hän puhunut Elmalle siihen suuntaan, että
"tytöt" pääsisivät hänen tuttavuuteensa, ja siis…

"Nämä ovat ne, joita haeskelin", virkkoi Elma Mabelille kääntyen

hilpeästi äskeisen toverinsa puoleen. "Neiti Exeter, tämä on lady
Mabel Pomeroy. Tätini on täällä, mutta hän ei ole näkyvissä",
katsahtaen ympärilleen, "vaikka hän oli lähellämme juuri äsken ja…"

"Me näimme hänet, tyttöseni; siitä tiesimmekin, mistäpäin oli teitä

etsittävä. Minä en luule tätisi minua huomanneen", lisäsi neiti Exeter
iloisesti. "Täällä on niin paljon ihmisiä — sellainen väkijoukko — että
kun ei odota näkevänsä tuttuja kasvoja…"

Tosiasia oli, että lady Alfreton oli väleen väistänyt häntä; mutta
seuraavassa tuokiossa nähtiin Elman täti ja Mabelin äiti ryhmän
reunassa, ja kaikkien silmät kohtasivat toisensa erehtymättömästi.

"Ooh?" äännähti neiti Exeter käsittäen, että suuri hetki oli tullut.

Elman sydän pamppaili, ja hän harppasi kiireesti eteenpäin.

Herttuatar ja lady Alfreton astuivat kiireesti poispäin.

"Minä kai menen nyt äitini luo", ilmoitti lady Mabel silmäisten
tyynesti ympärilleen. "Hän kutsui minua katseillaan, ja luullakseni
tätisi kutsui sinua", virkkoi hän Elmalle. "Varmaan tapaamme
toisemme vielä", jatkoi nuori aatelisneiti, keveästi puikahtaen
mustanappisen viitan ohi, "hyvästi nyt!" Sitten muutamaa askelta
kauempaa: "Elma, Elma!"

Mutta Elma ei hievahtanut.

"Etkö sinä tule?" kysyi lady Mabel astuen muutaman askeleen

takaisinpäin hetken pakotuksesta, sillä hän ei olisi halunnut
menettää toveriaan. "Meitähän käskettiin kävelemään yhdessä. Tule
nyt; he odottavat meitä."

"En minä tule", virkkoi Elma matalalla äänellä.

"Epäilemättä ystäväsi antavat sinulle anteeksi."

"Ystäväni pi… pitävät huolta minusta."

"Mutta sinä olet tätisi huolenpidon alainen."

"Totta. Mene, rakas lapsi", pisti tässä eräs toinen ääni väliin.
"Mene, rakas Elma, nuori ystäväsi on oikeassa; eikä lady Alfreton" —
neiti Exeter koetti puhua huolettomasti — "eikä lady Alfreton
hyväksy, että liityt mihinkään muuhun seurueeseen kuin hänen
omaansa".

"Eipä suinkaan", huudahti Mabel mielissään tästä

odottamattomasta avusta. "Nähkääs, hyvä neiti, äiti ja lady Alfreton
ovat juuri menossa teenjuontipaikalle; minä tiedän sen, sillä kuulin
heidän ohimennessään sanovan jotakin siihen suuntaan, ja ellei Elma
nyt tule, jää hän ilman teetä ja…"

Jää ilman teetä? Mitä mielikuvia nuo sanat herättävätkään! Niin,

oli juuri teenjuonnin aika, ja pikku pöytiä puiden alla puiston toisessa
päässä katettiin paraillaan. Poloiset "tytöt" lyöttäytyivät nyt yhteen
nolostuneina, sanaa sanomatta, ja kauan toivottu ihana
mahdollisuus, josta niin paljon oli puhuttu, haihtui ilmaan heidän
kuullessaan tämän iloisen muistutuksen — ja Elmasta näytti, että
koko seurueen murheelliset, moittivat katseet kohdistuivat häneen.
Se sai hänen sydämensä paisumaan. Hän oli, mielestään hän oli
tosiaan ottanut edesvastuun päälleen. Hän oli vahvistanut
toivomusta silloin, kun se oli ollut vain heikko ja hämärä haave, ja oli
rohkeasti vakuutellut sen toteutumista herkkäuskoisimpienkin
epäillessä.

Pakenisiko hän nyt rivistä ja kevytmielisesti peseytyisi moitteesta

velvollisuutensa täyttämisen verukkeella? Hän voisi sen helposti
tehdä. Neiti Exeterkin kuiskasi: "Mene!" ja oli selvää, että Mabel oli
tulkinnut oikein molempain vallasnaisten pysähtymisen, kun nämä
olivat jääneet paikalleen ja sieltä viittasivat sormellaan.

"Kas, sanoinhan minä", jatkoi kiihkeä neitonen tarttuen hänen

käsivarteensa. "He odottavat todellakin. Ja ellemme mene ajoissa,
emme saa hyviä paikkoja. Sitäpaitsi tekee minun hirveästi mieleni
jäätelöä", lisäsi hän nauraen, "ja sinä vain estät ystäviäsi, jotka
kenties myöskin haluavat mennä sellaista ostamaan". Mutta Elma
tiesi paremmin.

"Odottakaa vähän", ja hän hyökkäsi tätinsä luo.

"Järjetöntä, rakas lapsi", virkkoi lady Alfreton seuraavassa

tuokiossa, "Älä tee mitään sellaista. En ole koskaan nähnyt mitään
sopimattomampaa, mitään onnettomampaa", lisäsi hän
epätoivoisesti kuiskaten. "Jää luokseni, minä haluan sitä, Elma; ei ole
ollenkaan tarvis mennä takaisin; voit illalla selittää asian
opettajattarellesi. En voi sallia sinun seurustella minulle
tuntemattomien ihmisten kanssa, kun kerran olet minun siipieni
suojassa. Perin kiusallista! Juuri kun erityisesti toivoin, että tekisit
hyvän vaikutuksen herttuattareen, tulisit kutsutuksi hänen kotiinsa ja
rakentaisit tuttavuutta Mabelin kanssa", — Mabel ja hänen äitinsä
haastelivat tällä välin eräiden muiden tuttaviensa kera — "ja kun
kaikki ja sujui niin hyvin…", jatkoi lady Alfreton rypistäen kulmiaan,
"En ole ikipäivinäni nähnyt sopimattomampaa kohtausta! Mutta", ja
hänen katseensa kirkastui, "jos käännyt selin noihin ihmisiin, et ole
heitä näkevinäsi etkä mene heidän lähelleen, uskonpa heidän
ottavan viittauksesta vaarin ja lähtevän tyynesti omille teilleen. Kah,
näkyvät jo olevankin lähdössä. Tulehan teelle, rakkaani", kehoitti
rouva reipastuen; "ehkei vielä ole mitään sanottavaa vahinkoa
tapahtunut. Meidän täytyy vain varoa jälleen sattumasta heidän
kanssaan yhteen, siinä kaikki. Nyt sinä ja Mabel kävelette yhdessä
kuten ennenkin. Tuolla tulee Mabel sinua noutamaan. Tuletko Elmaa
hakemaan, rakas tyttöseni? Täällä hän on! Elma, no Elma, mikä
sinun on?"

Elman polttavilla poskilla valui näet kaksi pientä, kuumaa, katkeraa

kyyneltä.
IX.

Piers selittelee maailman tapoja.

Vain lady Alfreton ne näki, vain hän arvasi mistä ne johtuivat.

Mabel, jonka päivänvarjon kärki sillä hetkellä oli tarttunut ohi

häilähtävän vyöhikön silmukseen, ei silloin eikä myöhemminkään
saanut asiasta vihiä, ja kun molemmat jälleen olivat heitetyt
toistensa seuraan ja kun hän sydämessään ajatteli, että Elman täytyi
olla tähän järjestelyyn ainakin yhtä tyytyväinen kuin hän itse, antoi
hän tunteittensa pian puhjeta ilmi. "Se oli tosiaan hyvin tehty, Elma;
mutta ellei tätisi olisi ollut itsepintainen, niin missä nyt olisit? Itse et
koskaan olisi kyennyt riuhtaisemaan itseäsi irti niiden seurasta. Minä
tein voitavani, mutta sinä et tukenut minua. Kaiketi sinä pelkäsit.
Totta onkin, että ne näyttivät jokseenkin villeiltä. Vai siinä ne tytöt
olivat?" lisäsi hän merkitsevästi hymyillen. "No, nyt minä tiedän,
minkänäköisiä sellaiset tytöt ovat. Minä… et kai ole pahoillasi, kun
tulee aika jättää koulu, Elma?"

"Minä olen nyt pahoillani, perin murheellinen ja häpeissäni",

virkkoi Elma sellaisella äänellä, että hänen toverinsa säpsähti.
"Mabel, tämä ei ollut mitään sinulle…"
 "Mikä ei ollut mitään?"

"Että käyttäydyimme niin kuin käyttäydyimme, kohtelimme heitä

siten ja jätimme heidät sillä tavoin. Oh, se ei ollut sinun syysi — sinä
et tarkoittanut mitään pahaa; he eivät ole mitään sinulle, etkä sinä
ole mitään heille; ja vaikkakin sinä… vaikkakin sinä jokseenkin tylysti
käänsit heille selkäsi…" Hän pysähtyi.

"Niin, näetkös, Elma, he… mutta olen pahoillani, etten ollut heille
kohtelias. Varmaan aioin olla kohtelias" — jokseenkin
hämmentyneenä — "mutta kun…"

"Oh, kohtelias! Älä huoli — olithan sinä kylliksi kohtelias", huudahti

Elma yhä samaan hillityn närkästyneeseen sävyyn. "He eivät välittäisi
sinusta", jatkoi hän imartelematta; "minua, minua he ajattelevat.
Minä heitä kehoitin tulemaan ja lupasin täällä olla heille avuksi.
Puhuin heille siitä kaikesta niin usein… ja… ja nyt… voi, mitä he
minusta nyt ajattelevat?"

"Saattoivathan he nähdä, ettei toki sinussa syytä ollut."

Ajattelematon Mabelkin näytti hetkisen vakavalta. "Minä en sinun
asemassasi, Elma, sillä vaivaisi päätäni. Jokainen saattoi jo
puolellakin silmällä nähdä, että sinun oli toteltava tätiäsi ja että hän
sinut kutsui pois."

"Jospa tätini olisi edes puhutellut, edes puhutellut neiti Exeteriä.

Neiti Exeter — etkö nähnyt häntä, Mabel? — neiti Exeter on mitä
hyväsydämisin ja herttaisin, hän on ihmisten parhaita, eikä suinkaan
olisi käynyt tungettelevaksi tai häirinnyt täti Selinaa — minä tiedän,
ettei hän olisi, — mutta tilapäistä kohtaustahan hän ei voinut välttää;
ja sitten hänelle ei suotu katsettakaan, ei edes… edes pientä
kumarrusta tervehdykseksi, eikä puristettu hänen kättänsä."
 "Niin kyllä, lady Alfreton olisi voinut olla hyväluontoisempi", vastasi
Mabel vilpittömästi. "Mutta minä en luule, että täysikasvuiset ihmiset
ovat hyväluontoisia, luuletko sinä? Varmaan minäkin ennen pitkää
lakkaan olemasta hyväluontoinen. Älä siitä harmittele, Elma. Voit olla
varma, että neiti Exeter, tai mikä hänen nimensä oli, on jo unohtanut
koko asian, kun palaat opistoon tänä iltana. Eihän kukaan mokomia
muistele: minä en koskaan. Mitä hyötyä siitä olisi? Iloitkaamme nyt
vain. Kylläpä on jo paljon ihmisiä teepöytien ääressä! Ja katso,
Elma", tyrkäten häntä kyynärpäähän, "katso noita jäätelöitä. Niiden
pelkkä näkeminen tekee minut heti kuumaksi ja janoiseksi. Ah, se on
oikein! Me saamme kai istua tuolla? Lady Alfreton on juuri etsinyt
mahdollisimman parhaan paikan. Äiti sanoo, että lady Alfreton aina
tietää, mitä on tehtävä, ja niin hän tietääkin. No, Elma, eikö tämä ole
hauskaa, eikö tämä ole ihanaa?" Sitten hiljempää: "No, Elma,
hymyilehän taas; ole niinkuin ennenkin ja unohda nuo typerät
ihmiset."

Mutta Elma ei voinut unohtaa.

"Hei, ettekö vielä ole lopettaneet?" huudahti tällöin ääni hänen

takaansa. "Pidä puolesi, Elma; minä onnittelen sinua oivallisesta
ruokahalustasi sekä poudalla että sateella. Hyvää päivää, lady
Mabel; vai on neidit vielä jätetty pöytään?" Herttuatar ja lady
Alfreton olivat nimittäin vetäneet tuolinsa sivummalle. "No, toivon,
että teillä on hauskaa", lopetti Piers puheensa, istahtaen mukavan
huolettomasti, samalla kuin kaksi rusoista poskiparia hieman
punehtui hänen pilanteostaan ja kaksi lusikkaa liikkui hiukan
hitaammin kuin ennen, ikäänkuin kieltääkseen hänen sanoissaan
lausutun väitöksen.
 "Miksi emme pitäisi jäätelöstä?" kysyi Mabel kuitenkin. "Minä olen
syönyt kaksi annosta, samoin Elma. Olisin saanut kolmannenkin, jos
olisin tahtonut."

"Otatteko nyt kolmannen?"

"Ei, kiitos, minä olen ja lopettanut"; ja puhuja yritti suoristautua

sekä näyttää sirolta ja arvokkaalta. "Minä vain sanoin, että olisin
saanut, jos olisin tahtonut. Tänne kuulemme hyvin soittokunnan
sävelet, eikö totta? Mikä kaunis iltapäivä! Meillä on ollut ihana
iltapäivä alusta loppuun — eikö olekin, Elma? Haluaisin viettää juuri
tällaisen iltapuolen joka päivä elämässäni — etkö sinäkin, Elma?"

Ei mitään vastausta. Äkillinen muistelma synkistytti Elman kasvot.

Hetkiseksi oli rattoisa rupattelu ja herkullinen ateria viekoitellut

hänet palaamaan entiseen pulpahtelevaan mielentilaansa, ja sekä
lady Alfreton että Mabel olivat otaksuneet, että vastoinkäyminen,
mikä oli uhannut peittää pilveen juhlallisen hetken päiväpaisteen, oli
turvallisesti siirtynyt taustalle pian kokonaan rauetakseen, — mutta
nyt Mabelin vetoaminen herätti jomottavan tuskantunteen, mikä
ilmeni hänen toverinsa vilpittömällä otsalla.

Piers vilkaisi toistamiseen serkkuunsa. — Jotakin on tytön mielestä

mennyt vinoon, — tuumi hän itsekseen.

Mutta vasta jonkun ajan kuluttua hän sai selville, mitä tuo "jokin"
oli.

"Tule minun kanssani, Elma. Älä välitä Mertouneista. Ei sinun

tarvitse riippua kiinni tuossa tytössä, ellet hänestä välitä; hän onkin
nyt saanut jonkun toisen." Seurue oli noussut ja lähtenyt liikkeelle.
"Tule tännepäin", virkkoi Piers äkkiä. "Minä opastelen sinua, ja kyllä
heidät jälleen tapaamme. No, tule pois vain! Miksi minua noin
katselet?"

"Täti sanoi minulle tänään jo kerran, että minun on pysyteltävä

hänen parissaan ja mentävä hänen kanssaan, minne hän menee",
vastasi Elma, jonka äänensävy ilmaisi, että muistelmaan sisältyi
enemmän kuin ensi silmäykseltä näytti. "Ei sovi, että hänen täytyy
sanoa se minulle kahdesti."

"Pyh! Loruja!" Piers kääntyi äitinsä puoleen. "Kuinka kauan viivyt

täällä, äiti? Noin puoli tuntia? Minä tuon Elman ulkoportille puolen
tunnin päästä…"

"Hyvä on, rakkaani, hyvä on. Älkää viivytelkö kauempaa, Piers. En

voi jäädä tänne puolta tuntia pitemmäksi aikaa — olinkin jo
lähdössä…"

"Kyllä muistan. Puolen tunnin kuluttua olemme paikalla. No, Elma,

astukaamme tätä käytävää pitkin; pidä varasi, Mabelilla tuolla on
ilveksen silmät, ja me olemme saaneet hänestä kylliksemme.
Varmaankin", jatkoi hän, kun he olivat tehneet pari nopeaa
käännöstä sivupoluille, "varmaankin hän äsken sanoi jotakin sinua
kiusatakseen. Mitä se oli? Älä kerro, jos mieluummin tahdot olla
kertomatta, ymmärräthän; mutta sinä olet niin pieni ja yksinäinen",
lisäsi hän ystävällisesti, "ja ellei sinulla ole ketään muuta, jonka
puoleen kääntyä, voit kertoa minulle."

Pieni käsi pujahti hänen käteensä.

"Häh?" virkkoi Piers kovin kummastuneena. "Mitä?" Sitten hän

katsahti ympärilleen, mutta he eivät olleet kenenkään näkyvissä tai
ainakaan ei ollut mitään katsojia melko pitkän matkan päässä
pienestä sillasta, jonka käsipuuta vasten he kumpikin nojasivat. "Mitä
tarkoitat, Elma?" kysyi Piers katsahtaen kätöseen omituisin oudoin
tuntein, jollaisia hän ei koskaan ennen ollut tuntenut. "Mikä sai sinut
niin tekemään?"

"Tahdoin vain kiittää sinua", virkkoi Elma, vilkaisten häneen

lempein, itsetiedottomin silmin. "Sinä olet aina hyvin ystävällinen,
mutta…" ja hän veti kätensä pois.

"Mutta mitä?"

"Minusta tuntui, että ystävyyttäsi tänään tarvitsin", ja hänen

huulensa värähti hiukan vastoin hänen tahtoansakin.

"Jotakin mennyt vinoon?"

Elma epäröi. Sitten hän äkkiä puhkesi puhumaan: "Et saa luulla,
että se oli Selina-tädin syy; tätihän ei tiennyt, ei voinut otaksuakaan,
ei voinut vähääkään aavistaa, miltä se neiti Exeteristä tuntuisi. Neiti
Exeter pitää Selina-tätiä ja… ja teitä kaikkia niin suuressa arvossa; ja
tavatessaan tädin täällä minun kanssani neiti Exeter odotti, tarkoitan,
piti luultavana, että… että häntä edes puhuteltaisiin… ja… ja…"

"Ja äitini vältti häntä?"

"Niin, Piers, ja minun täytyi jättää heidät myöskin; enkä voinut

edes kertoa heille, kuinka asian laita oli. Olimme moneen kertaan
puhuneet tässä kukkasnäyttelyssä käynnistä ja sopineet
kohtauksestamme ja… ja kaikesta muusta. Sitten tapasimme
toisemme aivan ison teltan ulkopuolella, ja minä juttelin heille
Mabelin seisoessa vieressä, ja täti ja herttuatar kävelivät suoraan
meidän keskellemme, mutta… astuivat sitten edelleen", ja Elma
käänsi päänsä pois, ikäänkuin muisto siitä olisi hänelle vielä liian
kauhea.

"No?"

"Sitten halusin viipyä heidän kanssaan hetkisen; mitäpä muuta

voin, Piers? Mutta pyytäessäni lupaa Selina-täti sanoi, ettei se käynyt
päinsä, eikä… eikä sallinut minun edes siitä heille ilmoittaa."

"Miksi ihmeessä hän sen kielsi?"

"Hän ei halunnut, että minut nähtäisiin heidän seurassaan."

"Hänen armonsa näkyy olleen melkoisen tyly. Kukapa tietää, miten

ne naiset toisiansa nolailevat!"

"Oi, Piers! Täti Selina ei tarkoittanut…"

"No niin, rakas Elma, kuuntelehan minua. Suohan minulle kaikki

tarkkaavaisuutesi muutamiksi minuuteiksi, kuten opettajasi
sanoisivat. Aion pitää pienen luennon, ja ole niin ystävällinen, ettet
keskeytä minua; otatko siitä oppia vai et, on oma asiasi. No siis,
ensiksikin äitini oli tahallaan tyly; kukaan, jolla on äitini maine
hienossa käyttäytymisessä, ei koskaan ole epäkohtelias sitä
tarkoittamatta. Hän tahtoi saada arvoisan opettajattaresi
ymmärtämään, että vaikka he ovatkin pari kertaa yksityisesti
tavanneet toisensa, ei tämän tule vaatia minkäänlaista julkista
tunnustusta. Jos on maailmassa jokin asia, mistä äiti kaikesta
sielustaan pitää huolta, niin se on hänen yhteiskunnallinen arvonsa,
ja hänen mielestään se joutuisi vaaraan, jos hän tuntisi jonkun neiti
Exeterin kaltaisen, ja siksi hän aivan yksinkertaisesti ei tahdo häntä
tuntea. Käsitätkö tämän, Elma?"

"Luulen käsittäväni, Piers."

"Eikö se ole jokseenkin vaikeatajuista?"

"On kyllä, Piers."

"Nyt tulemme toiseen kohtaan. Puolet tuntemistani miehistä ja

naisista ajattelevat samoin: Jos heillä on alhaisia tuttavia tai ystäviä,
jos on henkilöitä, jotka ovat köyhiä, käyvät nukkavierussa puvussa
eivätkä seuraa muotia, mutta joiden kanssa heidän täytyy seurustella
kaikessa hiljaisuudessa, niin he vaikenevat siitä visusti maailman
edessä. Maailman silmissä kaikki tahdomme esiintyä vain
parhaimpamme mukaan. Meidän on näet ajateltava mainettamme,
pidettävä huolta yhteiskunnallisesta asemastamme. Juliet ajattelee
aika paljon tyttöjä, joiden kanssa ratsastaa, sekä tanssitovereitansa.
Äiti miettii vakavasti, kenen hän kutsuu perheeseen. Isä on hyvin
tarkka siitä, että tuttava, jonka kanssa hän syö päivällistä klubissaan,
on oikeata lajia. Minä…" Hän pysähtyi.

"Sinäkin?" virkkoi Elma hiljaa, sillä nuoren miehen hymy oli

jäähdyttänyt hänen sydämensä. "Sinäkin?"

"Minäkin? Niin. Miksikä en minä? Minä en ole naapureitani

parempi. Olen yhtä tunnoton, sydämetön, itsekäs ja törkeä kuin
hekin. Törkeä! Se on oikea sana. Juuri niin tulisi nimittää ihmisiä,
jotka siten ajattelevat ja tekevät. Mitäpä se muuta on kuin törkeätä
halpamaisuutta, joka saa meidät pelkäämään sinun neiti Exeterisi ja
muiden hänen kaltaistensa tartuntaa? Panisinpa vetoa, että neiti
Exeter on parempi ihminen kuin kolme neljännestä niistä naisista,