Supervised Learning with Python: Concepts and

Practical Implementation Using Python Vaibhav

Verdhan download

https://textbookfull.com/product/supervised-learning-with-python-
concepts-and-practical-implementation-using-python-vaibhav-
verdhan/

Download full version ebook from https://textbookfull.com

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

Supervised Learning with Python Concepts and Practical

Implementation Using Python 1st Edition Vaibhav Verdhan

https://textbookfull.com/product/supervised-learning-with-python-
concepts-and-practical-implementation-using-python-1st-edition-
vaibhav-verdhan/

Computer Vision Using Deep Learning Neural Network

Architectures with Python and Keras 1st Edition Vaibhav
Verdhan

https://textbookfull.com/product/computer-vision-using-deep-
learning-neural-network-architectures-with-python-and-keras-1st-
edition-vaibhav-verdhan/

Mastering Machine Learning with Python in Six Steps: A

Practical Implementation Guide to Predictive Data
Analytics Using Python 1st Edition Manohar Swamynathan
(Auth.)
https://textbookfull.com/product/mastering-machine-learning-with-
python-in-six-steps-a-practical-implementation-guide-to-
predictive-data-analytics-using-python-1st-edition-manohar-
swamynathan-auth/

Machine Learning Concepts with Python and the Jupyter

Notebook Environment: Using Tensorflow 2.0 Nikita
Silaparasetty

https://textbookfull.com/product/machine-learning-concepts-with-
python-and-the-jupyter-notebook-environment-using-
tensorflow-2-0-nikita-silaparasetty/
Practical Machine Learning for Data Analysis Using
Python 1st Edition Abdulhamit Subasi

https://textbookfull.com/product/practical-machine-learning-for-
data-analysis-using-python-1st-edition-abdulhamit-subasi/

Advanced Data Analytics Using Python: With Machine

Learning, Deep Learning and NLP Examples Mukhopadhyay

https://textbookfull.com/product/advanced-data-analytics-using-
python-with-machine-learning-deep-learning-and-nlp-examples-
mukhopadhyay/

Practical Python Data Visualization: A Fast Track

Approach To Learning Data Visualization With Python
Ashwin Pajankar

https://textbookfull.com/product/practical-python-data-
visualization-a-fast-track-approach-to-learning-data-
visualization-with-python-ashwin-pajankar/

Deep Learning with Python Develop Deep Learning Models

on Theano and TensorFLow Using Keras Jason Brownlee

https://textbookfull.com/product/deep-learning-with-python-
develop-deep-learning-models-on-theano-and-tensorflow-using-
keras-jason-brownlee/

Learning Data Mining with Python Layton

https://textbookfull.com/product/learning-data-mining-with-
python-layton/
Supervised
Learning with
Python
Concepts and Practical
Implementation Using Python
—
Vaibhav Verdhan
Foreword by Dr. Eli Yechezkiel Kling (PhD)
 Supervised Learning
with Python
Concepts and Practical
Implementation Using Python

Vaibhav Verdhan
Foreword by Dr. Eli Yechezkiel Kling (PhD)
Supervised Learning with Python: Concepts and Practical
Implementation Using Python

Vaibhav Verdhan
Limerick, Ireland

ISBN-13 (pbk): 978-1-4842-6155-2 ISBN-13 (electronic): 978-1-4842-6156-9

https://doi.org/10.1007/978-1-4842-6156-9

Copyright © 2020 by Vaibhav Verdhan

This work is subject to copyright. All rights are reserved 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.
Trademarked names, logos, and images may appear in this book. Rather than use a
trademark symbol with every occurrence of a trademarked name, logo, or image we use the
names, logos, and images only in an editorial fashion and to the benefit of the trademark
owner, with no intention of infringement of the trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms,
even if they are not identified as such, is not to be taken as an expression of opinion as to
whether or not they are subject to proprietary rights.
While the advice and information in this book are believed to be true and accurate at the
date of publication, neither the authors nor the editors nor the publisher can accept any
legal responsibility for any errors or omissions that may be made. The publisher makes no
warranty, express or implied, with respect to the material contained herein.
Managing Director, Apress Media LLC: Welmoed Spahr
Acquisitions Editor: Celestin Suresh John
Development Editor: James Markham
Coordinating Editor: Shrikant Vishwakarma
Cover designed by eStudioCalamar
Cover image designed by Pexels
Distributed to the book trade worldwide by Springer Science+Business Media New York,
233 Spring Street, 6th Floor, New York, NY 10013. Phone 1-800-SPRINGER, fax (201)
348-4505, e-mail [email protected], or visit www.springeronline.com. Apress
Media, LLC is a California LLC and the sole member (owner) is Springer Science + Business
Media Finance Inc (SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation.
For information on translations, please e-mail [email protected]; for
reprint, paperback, or audio rights, please e-mail [email protected].
Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook
versions and licenses are also available for most titles. For more information, reference our
Print and eBook Bulk Sales web page at http://www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the author in this book is
available to readers on GitHub via the book’s product page, located at www.apress.com/
978-1-4842-6155-2. For more detailed information, please visit http://www.apress.com/
source-code.
Printed on acid-free paper
To Yashi, Pakhi and Rudra.
Table of Contents
About the Author���������������������������������������������������������������������������������xi
About the Technical Reviewer�����������������������������������������������������������xiii
Foreword��������������������������������������������������������������������������������������������xv
Acknowledgments����������������������������������������������������������������������������xvii
Introduction���������������������������������������������������������������������������������������xix

Chapter 1: Introduction to Supervised Learning�����������������������������������1

What Is ML?����������������������������������������������������������������������������������������������������������2
Relationship Between Data Analysis, Data Mining, ML, and AI������������������������3
Data, Data Types, and Data Sources����������������������������������������������������������������5
How ML Differs from Software Engineering��������������������������������������������������������10
ML Projects����������������������������������������������������������������������������������������������������12
Statistical and Mathematical Concepts for ML���������������������������������������������������15
Supervised Learning Algorithms�������������������������������������������������������������������������25
Regression vs. Classification Problems���������������������������������������������������������28
Steps in a Supervised Learning Algorithm����������������������������������������������������30
Unsupervised Learning Algorithms���������������������������������������������������������������������34
Cluster Analysis���������������������������������������������������������������������������������������������35
PCA����������������������������������������������������������������������������������������������������������������36
Semi-supervised Learning Algorithms����������������������������������������������������������������37
Technical Stack���������������������������������������������������������������������������������������������������37

v
Table of Contents

ML’s Popularity����������������������������������������������������������������������������������������������������39
Use Cases of ML�������������������������������������������������������������������������������������������������41
Summary������������������������������������������������������������������������������������������������������������44

Chapter 2: Supervised Learning for Regression Analysis������������������47

Technical Toolkit Required����������������������������������������������������������������������������������48
Regression analysis and Use Cases��������������������������������������������������������������������49
What Is Linear Regression����������������������������������������������������������������������������������51
Assumptions of Linear Regression����������������������������������������������������������������56
Measuring the Efficacy of Regression Problem��������������������������������������������������59
Example 1: Creating a Simple Linear Regression������������������������������������������68
Example 2: Simple Linear Regression for Housing Dataset���������������������������71
Example 3: Multiple Linear Regression for Housing Dataset�������������������������78
Nonlinear Regression Analysis����������������������������������������������������������������������������84
Identifying a Nonlinear Relationship�������������������������������������������������������������������88
Assumptions for a Nonlinear Regression������������������������������������������������������89
Challenges with a Regression Model������������������������������������������������������������������91
Tree-Based Methods for Regression�������������������������������������������������������������������94
Case study: Petrol consumption using Decision tree������������������������������������������98
Ensemble Methods for Regression�������������������������������������������������������������������103
Case study: Petrol consumption using Random Forest�������������������������������������106
Feature Selection Using Tree-Based Methods��������������������������������������������������110
Summary����������������������������������������������������������������������������������������������������������113

Chapter 3: Supervised Learning for Classification Problems�����������117

Technical Toolkit Required��������������������������������������������������������������������������������118
Hypothesis Testing and p-Value������������������������������������������������������������������������118
Classification Algorithms����������������������������������������������������������������������������������121
Logistic Regression for Classification���������������������������������������������������������124

vi
 Table of Contents

Assessing the Accuracy of the Solution������������������������������������������������������������129

Case Study: Credit Risk�������������������������������������������������������������������������������������136
Additional Notes������������������������������������������������������������������������������������������149
Naïve Bayes for Classification���������������������������������������������������������������������������150
Case Study: Income Prediction on Census Data�����������������������������������������������154
k-Nearest Neighbors for Classification�������������������������������������������������������������163
Case Study: k-Nearest Neighbor�����������������������������������������������������������������������169
The Dataset�������������������������������������������������������������������������������������������������170
Business Objective��������������������������������������������������������������������������������������170
Tree-Based Algorithms for Classification����������������������������������������������������������178
Types of Decision Tree Algorithms��������������������������������������������������������������������182
Summary����������������������������������������������������������������������������������������������������������188

Chapter 4: Advanced Algorithms for Supervised Learning���������������191

Technical Toolkit Required��������������������������������������������������������������������������������192
Boosting Algorithms������������������������������������������������������������������������������������������193
Using Gradient Boosting Algorithm��������������������������������������������������������������198
SVM�������������������������������������������������������������������������������������������������������������������208
SVM in 2-D Space����������������������������������������������������������������������������������������210
KSVM�����������������������������������������������������������������������������������������������������������213
Case Study Using SVM��������������������������������������������������������������������������������215
Supervised Algorithms for Unstructured Data��������������������������������������������������221
Text Data�����������������������������������������������������������������������������������������������������������222
Use Cases of Text Data��������������������������������������������������������������������������������223
Challenges with Text Data���������������������������������������������������������������������������226
Text Analytics Modeling Process�����������������������������������������������������������������228
Text Data Extraction and Management��������������������������������������������������������230

vii
Table of Contents

Preprocessing of Text Data��������������������������������������������������������������������������233

Extracting Features from Text Data�������������������������������������������������������������236
Case study: Customer complaints analysis using NLP��������������������������������������243
Word Embeddings���������������������������������������������������������������������������������������246
Case study: Customer complaints analysis using word embeddings���������������248
Image Data��������������������������������������������������������������������������������������������������������252
Use Cases of Image Data�����������������������������������������������������������������������������253
Challenges with Image Data������������������������������������������������������������������������256
Image Data Management Process���������������������������������������������������������������258
Image Data Modeling Process���������������������������������������������������������������������260
Fundamentals of Deep Learning�����������������������������������������������������������������������261
Artificial Neural Networks���������������������������������������������������������������������������261
Activation Functions������������������������������������������������������������������������������������265
Loss Function in a Neural Network�������������������������������������������������������������268
Optimization in a Neural Network����������������������������������������������������������������268
Neural Network Training Process����������������������������������������������������������������272
Case Study 1: Create a Classification Model on Structured Data����������������������276
Case Study 2: Image Classification Model��������������������������������������������������������281
Summary����������������������������������������������������������������������������������������������������������287

Chapter 5: End-to-End Model Development��������������������������������������291

Technical Toolkit Required��������������������������������������������������������������������������������292
ML Model Development������������������������������������������������������������������������������������292
Step 1: Define the Business Problem����������������������������������������������������������������294
Step 2: Data Discovery Phase���������������������������������������������������������������������������296
Step 3: Data Cleaning and Preparation�������������������������������������������������������������301
Duplicates in the Dataset����������������������������������������������������������������������������302
Categorical Variable Treatment in Dataset���������������������������������������������������304
Missing Values Present in the Dataset��������������������������������������������������������307

viii
 Table of Contents

Imbalance in the Dataset����������������������������������������������������������������������������������316

Outliers in the Dataset��������������������������������������������������������������������������������������321
Other Common Problems in the Dataset�����������������������������������������������������������325
Step 4: EDA�������������������������������������������������������������������������������������������������������328
Step 5: ML Model Building��������������������������������������������������������������������������������335
Train/Test Split of Data��������������������������������������������������������������������������������336
Finding the Best Threshold for Classification Algorithms����������������������������342
Overfitting vs. Underfitting Problem������������������������������������������������������������343
Key Stakeholder Discussion and Iterations�������������������������������������������������350
Presenting the Final Model��������������������������������������������������������������������������350
Step 6: Deployment of the Model����������������������������������������������������������������������351
Step 7: Documentation��������������������������������������������������������������������������������������363
Step 8: Model Refresh and Maintenance����������������������������������������������������������363
Summary����������������������������������������������������������������������������������������������������������364

Index�������������������������������������������������������������������������������������������������367

ix
About the Author
Vaibhav Verdhan has 12+ years of experience
in data science, machine learning, and
artificial intelligence. An MBA with
engineering background, he is a hands-on
technical expert with acumen to assimilate
and analyze data. He has led multiple
engagements in ML and AI across geographies
and across retail, telecom, manufacturing,
energy, and utilities domains. Currently
he resides in Ireland with his family and is
working as a Principal Data Scientist.

xi
About the Technical Reviewer
Irfan Elahi is a full stack customer-focused
cloud analytics specialist bearing the unique
and proven combination of diverse consulting
and technical competencies (cloud, big
data, and machine learning) with a growing
portfolio of successful projects delivering
substantial impact and value in multiple
capacities across telecom, retail, energy,
and health-care sectors. Additionally, he is
an analytics evangelist as is evident from
the published book, Udemy courses, blogposts, trainings, lectures, and
presentations with global reach.

xiii
Foreword
How safe is home birthing? That is a good question. Pause a moment and
let yourself contemplate it.
I am sure you can see how the answer to this question can affect
personal decisions and policy choices. The answer could be given as a
probability, a level classification, or an alternative cost. Another natural
reaction is “it depends.” There are many factors that could affect the safety
of home birthing.
I took you through this thought exercise to show you that you naturally
think like a data scientist. You understood the importance of stipulating
clearly the focus of the analysis and what could explain different outcomes.
The reason you are embarking on a journey through this book is that you
are not sure how to express these instinctive notions mathematically and
instruct a computer to “find” the relationship between the “Features” and
the “Target.”
When I started my career 30-odd years ago, this was the domain
of statisticians who crafted a mathematical language to describe
relationships and noise. The purpose of predictive modeling was in its
essence to be a tool for separating a signal or a pattern out of seemingly
chaotic information and reporting how well the partition was done.
Today, machine learning algorithms harnessing computing brute force
add a new paradigm. This has created a new profession: the data scientist.
The data scientist is a practitioner who can think in terms of statistical
methodology, instruct a computer to carry out the required processing,
and interpret the results and reports.

xv
Foreword

Becoming a good data scientist is a journey that starts with learning the
basics and mechanics. Once you are done exploring this book you might
also be able to better see where you will want to deepen your theoretical
knowledge. I would like to suggest you might find it interesting to look into
the theory of statistical modeling in general and the Bayesian paradigm
specifically. Machine learning is computational statistics after all.
Dr. Eli. Y. Kling (BSc. Eng. MSc. PHD) London, UK. June 2020.

xvi
Acknowledgments
I would like to thank Apress publications, Celestin John, Shrikant
Vishwarkarma, and Irfan Elahi for the confidence shown and the support
extended. Many thanks to Dr. Eli Kling for the fantastic forward to the
book. Special words for my family—Yashi, Pakhi, and Rudra—without their
support it would have been impossible to complete this work.

xvii
Introduction
“It is tough to make predictions, especially about the future.”
—Yogi Berra

In 2019, MIT’s Katie Bouman processed five petabytes of data to develop

the first-ever image of a black hole. Data science, machine learning, and
artificial intelligence played a central role in this extraordinary discovery.
Data is the new electricity, and as per HBR, data scientist is the
“sexiest” job of the 21st century. Data is fueling business decisions and
making its impact felt across all sectors and walks of life. It is allowing us
to create intelligent products, improvise marketing strategies, innovate
business strategies, enhance safety mechanisms, arrest fraud, reduce
environmental pollution, and create path-breaking medicines. Our
everyday life is enriched and our social media interactions are more
organized. It is allowing us to reduce costs, increase profits, and optimize
operations. It offers a fantastic growth and career path ahead, but there is a
dearth of talent in the field.
This book attempts to educate the reader in a branch of machine
learning called supervised learning. This book covers a spectrum of
supervised learning algorithms and respective Python implementations.
Throughout the book, we are discussing building blocks of algorithms,
their nuts and bolts, mathematical foundations, and background process.
The learning is complemented by developing actual Python code from
scratch with step-by-step explanation of the code.

xix
Introduction

The book starts with an introduction to machine learning where

machine learning concepts, the difference between supervised, ­
semi-­supervised, and unsupervised learning approaches, and practical
use cases are discussed. In the next chapter, we examine regression
algorithms like linear regression, multinomial regression, decision tree,
random forest, and so on. It is then followed by a chapter on classification
algorithms using logistic regression, naïve Bayes, knn, decision tree, and
random forest. In the next chapter, advanced concepts of GBM, SVM, and
neural network are studied. We are working on structured data as well
as text and image data in the book. Pragmatic Python implementation
complements the understanding. It is then followed by the final chapter on
end-to-end model development. The reader gets Python code, datasets,
best practices, resolution of common issues and pitfalls, and pragmatic
first-hand knowledge on implementing algorithms. The reader will be able
to run the codes and extend them in an innovative manner, as well as will
understand how to approach a supervised learning problem. Your prowess
as a data science enthusiast is going to get a big boost, so get ready for
these fruitful lessons!
The book is suitable for researchers and students who want to
explore supervised learning concepts with Python implementation. It
is recommended for working professionals who yearn to stay on the
edge of technology, clarify advanced concepts, and get best practices
and solutions to common challenges. It is intended for business leaders
who wish to gain first-hand knowledge and develop confidence while
they communicate with their teams and clientele. Above all, it is meant
for a curious person who is trying to explore how supervised learning
algorithms work and who would like to try Python.
Stay blessed, stay healthy!
—Vaibhav Verdhan
Limerick,
Ireland. June 2020

xx
CHAPTER 1

Introduction to
Supervised Learning
“The future belongs to those who prepare for it today.”
— Malcom X

The future is something which always interests us. We want to know

what lies ahead and then we can plan for it. We can mold our business
strategies, minimize our losses, and increase our profits if we can predict
the future. Predicting is traditionally intriguing for us. And you have just
taken the first step to learning about predicting the future. Congratulations
and welcome to this exciting journey!
You may have heard that data is the new oil. Data science and machine
learning (ML) are harnessing this power of data to generate predictions for
us. These capabilities allow us to examine trends and anomalies, gather
actionable insights, and provide direction to our business decisions. This
book assists in developing these capabilities. We are going to study the
concepts of ML and develop pragmatic code using Python. You are going
to use multiple datasets, generate insights from data, and create predictive
models using Python.
By the time you finish this book, you will be well versed in the concepts
of data science and ML with a focus on supervised learning. We will
examine concepts of supervised learning algorithms to solve regression

© Vaibhav Verdhan 2020 1

V. Verdhan, Supervised Learning with Python,
https://doi.org/10.1007/978-1-4842-6156-9_1
Chapter 1 Introduction to Supervised Learning

problems, study classification problems, and solve different real-life case

studies. We will also study advanced supervised learning algorithms and
deep learning concepts. The datasets are structured as well as text and
images. End-to-end model development and deployment process are
studied to complete the entire learning.
In this process, we will be examining supervised learning algorithms,
the nuts and bolts of them, statistical and mathematical equations and the
process, what happens in the background, and how we use data to create
the solutions. All the codes use Python and datasets are uploaded to a
GitHub repository (https://github.com/Apress/supervised-learning-­
w-python) for easy access. You are advised to replicate those codes
yourself.
Let’s start this learning journey.

What Is ML?
When we post a picture on Facebook or shop at Amazon, tweet or watch
videos on YouTube, each of these platforms is collecting data for us. At
each of these interactions, we are leaving behind our digital footprints.
These data points generated are collected and analyzed, and ML allows
these giants to make logical recommendations to us. Based on the genre
of videos we like, Netflix/YouTube can update our playlist, what links we
can click, and status we can react to; Facebook can recommend posts to us,
observing what type of product we frequently purchase; and Amazon can
suggest our next purchase as per our pocket size! Amazing, right?
The short definition for ML is as follows: “In Machine Learning, we
study statistical/mathematical algorithms to learn the patterns from the
data which are then used to make predictions for the future.”
And ML is not limited to the online mediums alone. Its power has been
extended to multiple domains, geographies, and use cases. We will be
describing those use cases in detail in the last section of this chapter.

2
 Chapter 1 Introduction to Supervised Learning

So, in ML, we analyze vast amounts of data and uncover the patterns in it.
These patterns are then applied on real-world data to make predictions
for the future. This real-world data is unseen, and the predictions will help
businesses shape their respective strategies. We do not need to explicitly
program computers to do these tasks; rather, the algorithms take the
decisions based on historical data and statistical models.
But how does ML fit into the larger data analysis landscape? Often,
we encounter terms like data analysis, data mining, ML, and artificial
intelligence (AI). Data science is also a loosely used phrase with no
exact definition available. It will be a good idea if these terms are
explored now.

 elationship Between Data Analysis, Data

R
Mining, ML, and AI
Data mining is a buzzword nowadays. It is used to describe the process of
collecting data from large datasets, databases, and data lakes, extracting
information and patterns from that data, and transforming these insights
into usable structure. It involves data management, preprocessing,
visualizations, and so on. But it is most often the very first step in any data
analysis project.
The process of examining the data is termed data analysis. Generally,
we trend the data, identify the anomalies, and generate insights using
tables, plots, histograms, crosstabs, and so on. Data analysis is one of the
most important steps and is very powerful since the intelligence generated
is easy to comprehend, relatable, and straightforward. Often, we use
Microsoft Excel, SQL for EDA. It also serves as an important step before
creating an ML model.
There is a question quite often discussed—what is the relationship
between ML, AI, and deep learning? And how does data science fit in?
Figure 1-1 depicts the intersections between these fields. AI can be

3
Chapter 1 Introduction to Supervised Learning

thought of as automated solutions which replace human-intensive tasks.

AI hence reduces the cost and time consumed as well as improving the
overall efficiency.

$XWRPDWLRQ6ROXWLRQV
$UWLILFLDO
,QWHOOLJHQFH

0DFKLQH
/HDUQLQJ

&ODVVLF 'DWD6FLHQFH
0DFKLQH/HDUQLQJ
'HHS
/HDUQLQJ

1HXUDO1HWZRUNV

Figure 1-1. Relationship between AI, ML, deep learning, and data
science shows how these fields are interrelated with each other and
empower each other

Deep learning is one of the hottest trends now. Neural networks are
the heart and soul of deep learning. Deep learning is a subset of AI and ML
and involves developing complex mathematical models to solve business
problems. Mostly we use neural networks to classify images and analyze
text audio and video data.
Data science lies at the juxtaposition of these various domains. It
involves not only ML but also statistics understanding, coding expertise
and business acumen to solve business problems. A data scientist’s job
is to solve business problems and generate actionable insights for the
business. Refer to Table 1-1 to understand the capabilities of data science
and its limitations.

4
 Chapter 1 Introduction to Supervised Learning

Table 1-1. Data Science: How Can It Help Us, Its Usages, and
Limitations
How data science can help Limitations of data science
Assist in making decisions by analyzing multi
dimensional data which is quite difficult for a Data is not an alternative to experience
human being
Use statistical tools & techniques to uncover Data science cannot replace the subject matter
patterns knowledge
Data science depends on data availability and
The algorithms further help in measuring the
data quality. Depending on the input,we will get
accuracy of the patterns & the claims
the output
Data science will not increase the revenue or
The results are reproducible and can be improved sales or output by 50% overnight. Similarly, it will
not decrease the cost by 1/3 immediately
The machine learns, which is a big difference A data science project takes time to be
-from the traditional software engineering implemented

With the preceding discussion, the role of ML and its relationship with
other data-related fields should be clear to you. You would have realized by
now that “data” plays a pivotal role in ML. Let’s explore more about data,
its types and attributes.

Data, Data Types, and Data Sources

You already have some understanding of data for sure. It will be
a good idea to refresh that knowledge and discuss different types
of datasets generated and examples of it. Figure 1-2 illustrates the
differentiation of data.

5
Chapter 1 Introduction to Supervised Learning

Figure 1-2. Data can be divided between structured and unstructured.

Structured data is easier to work upon while generally deep learning
is used for unstructured data

Data is generated in all the interactions and transactions we do.

Online or offline: we generate data every day, every minute. At a bank,
a retail outlet, on social media, making a mobile call: every interaction
generates data.
Data comes in two flavors: structured data and unstructured data.
When you make that mobile call to your friend, the telecom operator
gets the data of the call like call duration, call cost, time of day, and so on.
Similarly, when you make an online transaction using your bank portal,
data is generated around the amount of transaction, recipient, reason
of transaction, date/time, and so on. All such data points which can be
represented in a row-column structure are called structured data. Most of
the data used and analyzed is structured. That data is stored in databases
and servers using Oracle, SQL, AWS, MySQL, and so on.

6
 Chapter 1 Introduction to Supervised Learning

Unstructured data is the type which cannot be represented in a row-­

column structure, at least in its basic format. Examples of unstructured
data are text data (Facebook posts, tweets, reviews, comments, etc.),
images and photos (Instagram, product photos), audio files (jingles,
recordings, call center calls), and videos (advertisements, YouTube posts,
etc.). All of the unstructured data can be saved and analyzed though. As
you would imagine, it is more difficult to analyze unstructured data than
structured data. An important point to be noted is that unstructured
data too has to be converted into integers so that the computers can
understand it and can work on it. For example, a colored image has
pixels and each pixel has RGB (red, green, blue) values ranging from 0
to 255. This means that each image can be represented in the form of
matrices having integers. And hence that data can be fed to the computer
for further analysis.

Note We use techniques like natural language processing, image

analysis, and neural networks like convolutional neural networks,
recurrent neural networks, and so on to analyze text and image data.

A vital aspect often ignored and less discussed is data quality. Data
quality determines the quality of the analysis and insights generated.
Remember, garbage in, garbage out.
The attributes of a good dataset are represented in Figure 1-3.
While you are approaching a problem, it is imperative that you spend
a considerable amount of time ascertaining that your data is of the
highest quality.

7
Chapter 1 Introduction to Supervised Learning

Figure 1-3. Data quality plays a vital role in development of an

ML solution; a lot of time and effort are invested in improving
data quality

We should ensure that data available to us conforms to the following

standards:

• Completeness of data refers to the percentage of

available attributes. In real-world business, we find
that many attributes are missing, or have NULL or NA
values. It is advisable to ensure we source the data
properly and ensure its completeness. During the
data preparation phase, we treat these variables and
replace them or drop them as per the requirements. For
example, if you are working on retail transaction data,
we have to ensure that revenue is available for all or
almost all of the months.

8
 Chapter 1 Introduction to Supervised Learning

• Data validity is to ensure that all the key performance

indicators (KPI) are captured during the data
identification phase. The inputs from the business
subject matter experts (SMEs) play a vital role in
ensuring this. These KPIs are calculated and are
verified by the SMEs. For example, while calculating the
average call cost of a mobile subscriber, the SME might
suggest adding/deleting few costs like spectrum cost,
acquisition cost, and so on.

• Accuracy of the data is to make sure all the data points

captured are correct and no inconsistent information
is in our data. It is observed that due to human error
or software issues, sometimes wrong information is
captured. For example, while capturing the number of
customers purchasing in a retail store, weekend figures
are mostly higher than weekdays. This is to be ensured
during the exploratory phase.

• Data used has to be consistent and should not vary

between systems and interfaces. Often, different
systems are used to represent a KPI. For example, the
number of clicks on a website page might be recorded
in different ways. The consistency in this KPI will
ensure that correct analysis is done, and consistent
insights are generated.

• While you are saving the data in databases and tables,

often the relationships between various entities and
attributes are not consistent or worse may not exist.
Data integrity of the system ensures that we do not face
such issues. A robust data structure is required for an
efficient, complete, and correct data mining process.

9
Chapter 1 Introduction to Supervised Learning

• The goal of data analytics is to find trends and

patterns in the data. There are seasonal variations,
movements with respect to days/time and events,
and so on. Sometimes it is imperative that we capture
data of the last few years to measure the movement
of KPIs. The timeliness of the data captured has to be
representative enough to capture such variations.

Most common issues encountered in data are missing values,

duplicates, junk values, outliers, and so on. You will study in detail how to
resolve these issues in a logical and mathematical manner.
By now, you have understood what ML is and what the attributes
of good-quality data are to ensure good analysis. But still a question is
unanswered. When we have software engineering available to us, why do
we still need ML? You will find the answer to this question in the following
section.

How ML Differs from Software Engineering

Software engineering and ML both solve business problems. Both
interact with databases, analyze and code modules, and generate outputs
which are used by the business. The business domain understanding is
imperative for both fields and so is the usability. On these parameters,
both software engineering and ML are similar. However, the key
difference lies in the execution and the approach used to solve the
business challenge.
Software writing involves writing precise code which can be executed
by the processor, that is, the computer. On the other hand, ML collects
historical data and understands trends in the data. Based on the trends,
the ML algorithm will predict the desired output. Let us look at it with an
easy example first.

10
 Chapter 1 Introduction to Supervised Learning

Consider this: you want to automate the opening of a cola can. Using
software, you would code the exact steps with precise coordinates and
instructions. For that, you should know those precise details. However,
using ML, you would “show” the process of opening a can to the system
many times. The system will learn the process by looking at various steps
or “train” itself. Next time, the system can open the can itself. Now let’s
look at a real-life example.
Imagine you are working for a bank which offers credit cards. You
are in the fraud detection unit and it is your job to classify a transaction
as fraudulent or genuine. Of course, there are acceptance criteria like
transaction amount, time of transaction, mode of transaction, city of
transaction, and so on.
Let us implement a hypothetical solution using software; you might
implement conditions like those depicted in Figure 1-4. Like a decision
tree, a final decision can be made. Step 1: if the transaction amount is
below the threshold X, then move to step 2 or else accept it. In step 2,
the transaction time might be checked and the process will continue
from there.

Figure 1-4. Hyphothetical software engineering process for a fraud

detection system. Software engineering is different from ML.

11
Chapter 1 Introduction to Supervised Learning

However using ML, you will collect the historical data comprising past
transactions. It will contain both fraudulent and genuine transactions.
You will then expose these transactions to the statistical algorithm and
train it. The statistical algorithm will uncover the relationship between
attributes of the transaction with its genuine/fraud nature and will keep
that knowledge safe for further usage.
Next time, when a new transaction is shown to the system, it will
classify it fraudulent or genuine based on the historical knowledge it
has generated from the past transactions and the attributes of this new
unseen transaction. Hence, the set of rules generated by ML algorithms are
dependent on the trends and patterns and offer a higher level of flexibility.
Development of an ML solution is often more iterative than software
engineering. Moreover, it is not exactly accurate like software is. But ML is
a good generalized solution for sure. It is a fantastic solution for complex
business problems and often the only solution for really complicated
problems which we humans are unable to comprehend. Here ML plays a
pivotal role. Its beauty lies in the fact that if the training data changes, one
need not start the development process from scratch. The model can be
retrained and you are good to go!
So ML is undoubtedly quite useful, right! It is time for you to
understand the steps in an ML project. This will prepare you for a deeper
journey into ML.

M
 L Projects
An ML project is like any other project. It has a business objective to be
achieved, some input information, tools and teams, desired accuracy
levels, and a deadline!
However, execution of an ML project is quite different. The very first
step in the ML process is the same, which is defining a business objective
and a measurable parameter for measuring the success criteria. Figure 1-5
shows subsequent steps in an ML project.

12
 Chapter 1 Introduction to Supervised Learning

RIWKHWLPHJRHVWR'DWD'LVFRYHU\DQG'DWD3UHSDUDWLRQSKDVHDORQH

   

Figure 1-5. An ML project is like any other project, with various steps
and process. Proper planning and execution are required for an ML
project like any other project.

The subsequent steps are

1. Data discovery is done to explore the various data

sources which are available to us. Dataset might be
available in SQL server, excel files, text or .csv files,
or on a cloud server.

2. In the data mining and calibration stage, we extract

the relevant fields from all the sources. Data is
properly cleaned and processed and is made
ready for the next phase. New derived variables
are created and variables which do not have much
information are discarded.

3. Then comes the exploratory data analysis or EDA

stage. Using analytical tools, general insights are
generated from the data. Trends, patterns, and

13
Random documents with unrelated
content Scribd suggests to you:
Het voormalig Casteel of Slot.

»Dat alhier een kasteel of slot geweest is,” schrijft de heer Van Kinschot op
bladz. 24, »getuigen vele schrijvers, en is ook zeker, doch de tijd,
w a n n e e r en d o o r wien het gebouwd werd, wordt nergens gevonden.”

Ook wij nemen zulks aan, doch brengen met dit bedoelde kasteel niet in
verband, gelijk voornoemde schrijver, de regelen van den vaderlandschen
historicus Matthijs van der Houven die gewaagt, »dat in ’t kasteleinschap
van Oudewater op den IJssel het oude kasteel plag te liggen, doch, dat het
in zijn tijd niet meer in128 wezen was.”129 Deze regelen toch hebben
betrekking op het kasteel te Vliet in Roozendaal bij Oudewater dat op den
IJssel ligt, en waarvan de ruïne nog bestaat.130

Wij begrijpen te minder, hoe van Kinschot deze regelen van Van der
Houven op het Slot van Oudewater kon toepassen, daar hij reeds op de
volgende bladzijde (25) weder omtrent hare ligging—en nu teregt—schrijft:

Dit Slot heeft eertyds gestaan aan de Noort-Oostzyde van de Stad, by en

omtrent dezelfde plaats, alwaar nu de Linschoter-Poort is gelegen. De
Regeering verzogt zyne Keyzerlyke Majesteit, als Graaf van Holland, in het
jaar 1533, om dit Slot tot eene Poort te maaken, het geen zy verwierven,
onder deze verbintenisse, van dat zy ten allen tyden op de eerste aanmaning
van zyn Keyzerlyke Majesteit of zyne nakomelingen Graaven van Holland,
die Poort van Linschoten op haare kosten weder tot een Slot herstellen
zoude, waarvan de verbindenis Luidt, als volgt:

»Wy Burgemeesteren, Schepenen, ende Raiden der Steede van Oudewater,

doen te weeten, ende bekennen mits deezen onsen Brieve, Dat Alsoe die
Keys: Majt. belieft heeft tot onsen ernstigen vervolghe ende Sollicitacie te
accordeeren. Dat die Poorte van Linschoten, in voir tyden gemaict tot een
Stercte of Slot, weder toegemaect sal worden tot een Poirte van de voirsz:
Steede, gelyk die in voertyden plach te syne, mits dat wy ’t selve
becostighen souden, ende aan syn Majt. reserveerende ’t Logys van dezelve
Poorte voir syne officier off andertsins, ende mits oick, dat syne Majt. die
voirsz: Poirte weder sal mogen maken tot een stercte als ’t zyne Majt. of
zyne nakomelingen Graaven van Hollandt believen sall, ende van als: geve
onse behoirlicke brieven, wy dancken zyne Majt. van desen voirsz:
Consente ende Gracie, hebben nair voorgaande Communicatie gehouden
mitten Rycdom ende Vroetschap derzelver Steede, beloeft hebben ende
beloeven mits deesen, dat wy der voirsz: Poirte sullen doen repareeren ende
maken mit dueren, valle bruggen, ameyden ende anders ter ordonnantie van
mynen Heere, Heeren Anthonis van Lalaing, Grave van Hoochstraaten heer
van Montigm: en Stadthouder Gnrael: der voirsz. Landen van Hollandt of
zyne E: Gecommitteerde als van nooden weesen sal ome: daar duer vuyt en:
in der voirsz: Stede te ryden en passeeren: behouden den Keys: majt. ’t
Logys van den voirsz, Poirte tot zyne Majt. beliefte, ende diezelve Poirte
zyn, Keys: Majt. of Nakomelingen te laten volgen, ome: dair van een
Stercte weder gemaict te werden als wy dair toe van syne Majt. of syne
Erffgenaamen wegen vermaant sullen worden, sonder daar tegens te doen in
eenigerleie manieren.

»Des ’t oerconden, hebben Wij Burgemeesteren, scepenen en Raeden der

Voersz. steede, onser steede zegel hier aangehangen den achtsten dach van
April in ’t jaer ons Heeren duijsend vijf honderd drie en dertich na scrijven
der kerk van Utrecht ende ons voorsz. steede, ende stonde onder geteekend

R. X. Speijert.”
Men zou wanen, dat het vermaken van het kasteel tot poort, ingevolge deze
verbindtenis, spoedig zal hebben plaats gehad, wij kunnen dit echter m e t
z e k e r h e i d tegen schrijven. Immers ziet men dit ten duidelijkste, in de
resolutien van den magistraat en »uit zekere oude lijst van gedane
bekendmakingen, ter secretare van Oudewater berustende,”131 waaruit
blijkt, dat de Baljuw den 14 April des jaars 1585, eerst heeft doen bekend
maken, d a t h i j d e s a n d e r e n d a e g s t e n t h i e n u u r e n
voor de middag wilde besteden het afbreken van ’t
kasteel bij de Linschoter poort bij perseelen,
baecken om de derden steen ofte andersints, alles
a c h t e r v o l g e n d e d e C o n d i t i e n e n Vo o r w a e r d e n , d i e
m e n a l s d a n o p l e e s e n s o u d e , met bijvoeging, d a t
dengenen, die in eenig werk gading had, ten
voorsz. tijde koomen soude bij de Linschoter poort
ende bedingen goed loon.

Alzoo eerst 52 jaren na de meergemelde verbindtenis werd dit kasteel

geamoveerd132.

Zooals reeds werd beschreven, ontbreken zoowel de naam van den stichter
als de tijdsaanduiding van de stichting van dit kasteel; een geloofwaardig
persoon verzekerde ons echter, dat hij ergens had aangetroffen, dat er in
zeer oude tijden alhier woonachtig geweest waren de vrijheeren van
Oudewater dat nu zoo zijnde, zou er ten minste over den naam des stichters
eenig meerder licht verspreid worden. Hoe het echter zij, ten jare 1527
vinden wij vermeld133 dat kastelein van Oudewater was Jonkheer Jan van
Vliet, schildknape die als »Castelein van het sloth van Oudewater
aangesteld werd den 3 November 1519 by Kaerle, by der Gratiën Godts
koninck van Castilien van Leons etc. volgens Commissie geregistreerd, en
te vinden, in ’ t b l a a u w e r u i g e r e g i s t e r 134 fol. 34 en in 1555
wordt als zoodanig gewag gemaakt, van Jonkheer Pieter van Cats,
maarschalk van Montfoort. Aangezien nu beiden tevens bailluwen etc. van
Oudewater waren, en beiden in hetzelve zijn woonachtig geweest135 zoo
komt het ons voor, dat het geslacht der vrijheeren van Oudewater
uitgestorven zijnde, later het slot van Oudewater tot woning zal
aangewezen zijn, voor de Baljuwen van Oudewater die toen tevens
aangesteld werden als Castelein.136

Later toen ook de Linschoter poort in 1857 werd verbroken, die zooals wij
weten van slot tot poort werd gemaakt, ja toen viel het ook aan de zigtbaar
geworden zware muren en de groote roode steenen, waarvan die waren
opgetrokken, gemakkelijk te bepalen, dat de sloopers daar te doen hadden,
met muren van het oude slot of kasteel!
Het voormalig Arsenaal te Oudewater.

Het gast- en proveniershuis beschrijvende, zagen wij dat dit gebouw door
de Gecommitteerde Raden van Holland en West-Vriesland aangekocht
zijnde, omstreeks 1780 verbroken en in 1786 aangelegd werd, tot een
Artillerie plein waarop een zeer schoon Arsenaal of bergplaats voor
ammunitie in hetzelfde jaar 1786 getimmerd is. Niet langer dan 28 jaren
heeft dit Arsenaal in aanzijn mogen wezen, daar het ten jare 1814 verbroken
werd en men het terrein Anno 1817 tot plantage heeft aangelegd. In 1822
dit plein aan de stad gekomen zijnde, heeft men dezen grond in 1856 in
erfpacht gegeven, waarna later spoedig, daarop een aantal huizen voor min
gegoeden gebouwd zijn.
’s Lands voormalig Magazijn van Oorlog.

Dit fraai gebouw, stond eertijds aan de zuidzijde van de stad, in de straat
genaamd het klooster bij het weeshuis. Het had eene lengte van 138 bij een
breedte van 22 voeten137.

Wanneer hetzelve gebouwd werd, kunnen wij niet met zekerheid bepalen.
Omtrent zijne slooping echter verkeeren wij niet in het onzekere, deze had
in 1820 plaats.
Het voormalig Kruidhuis.

De kruidtoren was gelegen, in een »halve maan” der vestingwerken in het

noordwestelijk gedeelte der stad. De heer Van Kinschot schrijft in 1746,
»dat het binnen weinige jaren gebouwd is.”

De amovering van het kruidhuis geschiedde ten jare 1820, als wanneer het
even als het magazijn van oorlog, door de administratie van ’s lands
domeinen werd verkocht.
De Barak of Caserne.

De Caserne, gelegen aan de westzijde van den IJssel was 168 voeten lang
en 30 voeten breed, terwijl dezelve in 24 vertrekken verdeeld was. Zij werd
voor stads rekening gebouwd, en bij aanbesteding aangenomen voor eene
som van ƒ 14,200; deze gelden zijn voor het grootste gedeelte, door de
burgerij vrijwillig, tegen eene interest van 4% gefourneerd.

De eerste steenen aan dit gebouw werden gelegd, op den 29 Mei 1798 door
A. M. Montijn, Jan de Keiser Jz. en W. Putman, zoo als op een steen in den
voorgevel aangebragt, te zien is.

Sedert het jaar 1811 wordt dit gebouw, door particulieren bewoond, terwijl
het in 1856 in het openbaar werd verkocht, en het gebouw dus nu eigendom
van particulieren geworden is.
De schuttersdoele.

Reeds in het jaar 1501 vinden wij gewag gemaakt van het volgende octrooi
voor de »voetbooghschutters van St. Joris Gilde” te Oudewater. Uit dit
octrooi bekomen wij echter de verzekering, dat zij reeds lang vóór genoemd
jaar zich te dezer plaatse bevonden en hun aantal op het genoemde tijdstip
niet minder dan 80 tot 90 bedroeg. Wij laten dit octrooi nu volgen:

Philips, by der Gracie Goids, Eertshertoge van Oistenryck &c. onsen lieven en
getrouwen Raedt ende Tresor. Gnerl: van allen onsen Domeynen ende Finan:
Jeronimus Lauwerin; Saluyt ende Dilectie. Wy hebben ontfaan die oidmoedige
Supplicae. van onsen welgheminden die Burchers der stede van Oudewater over
ende in den naame van de Handboech-Schutters van den Ghilde van St. Joris der
voirsz: Stede, inhoudende, hoe deselve gelegen is op tie Frontiren van onsen
Lande van Holld. strekkende aan den Gestichte van Utrecht ende Lande van
Gelre, dewelke na den overlyden van wylen onsen lieven Heer ende Grootevader
Hertoge Karel van Bourgn. Zaliger gedagten, veel groote sware lasten en costen
gehad ende geleeden hebben van diverse Oirloogen, niet alleen van den Oorloge
van Utrecht, maar alle andre die geweest zyn in onse voirsz. Lande ende
Graaflicheyt van Holland als oick in de voirsz. Lande van Gelre, Ende hebben de
voirsz: Suppliante tot seekerheyd van der voirsz: Stede van Oudewater opgesteld
’t voirsz. Ghilde van St. Joris van den Voetboech Schutters, tot in den getale van
tagtigh of tnegentigh persoenen, om welke ghilde ende gezelschap ’t onderhouden
by Hertoge Philips ende andre onse Voorvaderen, die voorsz. Supplianten
verleend ende gegeven hebben geweest Vyff ende Twintig Cliuts ’t s’Jaars tot
XXX Gron. ’t stuk, dewelke sy den voirsz. Supplianten beweesen hebben gehad
te ontfaan by handen van den Rentmeester ’t s’Lands van Woerden, ende hebben
’t selve alsoe gebruyckt tot in den Jaar toe van LXXVIIJ. Dat die geroyeerd zyn
geweest by gebrek van nyeuwe brieven van gfirmatien van wylen onse lieve
Vrouwe ende Moeder die Eertshertoginne Saliger gedagten. Ende in den Jaar van
LXXXVIJ. soe zyn die voirsz. XXV. Cliuts s’Jaars den voirn. Schutters
weederome beweesen geweest op den Rentmeester van den Beede in Holland, als
doe wesen uyt kragte van nyeuwe brieven van Confirmacien van mynen
Genadigen Heer ende Vader myn Heer den Coninck, sedert welk tyt tot in den
Jaar toe van XCIIJ. de voirsz. Schutters niet meer betaald en syn geweest, mits
datter gheen Beede in Holland ende Vriesland daar en binnen loop gehad en heeft,
ende hoewel dat seedert den voirsz. Jaar XCIIJ. diversche Beeden in Hollandt
loop gehad hebben ende nog doen, nochtans en hebben die voirn. Schutteren van
den voirsz: XXV. schilden binnen derselver tyd niet ontfaan, overmits dat sy van
huer voirsz. ghifte tot nu toe gheen gfirmacie verkreegen en hebben. Twelke hem
compt ende keert, tot grooten hinder schade en achterdeele, ende meer sal er
werde hen by ons hier op niet voirsien van onse gracie ende behoorlick provisie
alsoo zy seggen, Ons zeer oidmoedelick daar ome biddende, SOE IS ’T dat wy
die saken voirsz. overgemerct, ende daar op gehad ’t advys, eerst van onsen lieven
ende getruwen, die Luyden van onse Reekn. in den Hage, ende daer na van u, wy
hebben den voirn. Schutters van St. Joris Gilde, in onze voirsz. Stede van
Oudewater, genegen wesende ter Beede ende begeerte van de voorn. Supplianten,
ende ten eynde dat sy te bat gehert mogen syn te verstaan tot bewaaringe ende
seekerheyt van de selver onser Stede van Oudewater daer veel belancx in leyd die
Brieven van Gifte ende Octroye van de voirsz. vyff ende Twintich Scilden
’tsjaars, henl. gegonnen ende verleend by onsen voirsz. Voirders als voirsz. is,
geconfirmeerd, gevesticht ende belieft, ende vuyt onsen rechten wetentheyt ende
zonderlinge gracie, confirmeeren, vestigen ende believen, mits desen onzen
Brieve, Ende op dat s’noot sy, hebben hen die selve XXV. scilden ’s jaars van
nieuws gegonnen ende verleend, gonnen en verleenen mits deesen onsen voirsz.
Brieve, om die van nu voortaan Jaarlicx te hebben, ontfangen ende gebruyken van
de Penn. comende van onsen Beden die in onsen voirsz. Landen van Holland en
Vriesland loop hebben sullen, ende by handen van onsen Rentmeester van
denselven Beden in den quartier van Noort-Holland jeegenswoerdich ende
toecomende soe lange als ’t ons gelieven sal, ontbieden u daar ome ende beveelen
dat by u doende die voirsz. Schutters gebruyken van onse voirsz. Gracie,
Confirmacie ende nieuwe Ghifte, ghy hen doet van nu voortaan Jaerlicx uytryken
ende betalen of ’t huren sekeren Bode voor hen de voirsz. XXV. scilden ’s jaars by
handen van onsen Rentmeester van Holland in ’t Quartier van Noortholland
voirsz. jegenswoerdich ende toecomende, ende van de Penningen van synen
ontfange comende van onser Beede aldaar, soo lange als ’t ons gelieven sal, als
 voirsz. is. Denwelken onzen Rentmeester jegewoerdich ende toecomende wy
selve beveelen mits deesen dat alsoe te doene, ende mits overbreyngende desen
onsen jegenwoerdigen Brieff Vidimus ofte Copye Auctentyk van dien, mitsgaders
van de andere Brieven van Ghiften ende Confirmatien boven geroerd, voor een
ende d’eerste ryse en soe menich werff als ’t van nooden weesen sal, deuchdelick
genieten van de voirn. Schutters van de voirsz. XXV. scilden ’tsjaars, alleenlick
wy willen dat al ’t geene des hen daar aff gegeeven ende betaald sal worden
geleeden ende gepasseerd zy in ’t uytgeven der Reekeningen van onsen voirsz.
Rentmeester van onsen Beden van Holland in den Quartier van Noortholland
voirsz. jeegenwoordich ende toekomende, die ’t betaald sal hebben, by den voirsz.
Luyden van onsen Rekeningen in den Hage, denwelken wy oock bevelen by
desen, dat alsoe te doene, sonder eenighe zwaricheid ofte wederseggen ter
contrarien, want ons alsoe geliefd, niet jegenstaande eenige Ordonnantien,
Restrinctien, geboden oft verboden ter contrarien, Gegeeven in onser Steede van
Brugge, den lesten dach van April in ’t Jaar ons Heeren Duysent vyff honderd
ende een, Aldus geteykend by mynen Heer den Eertshertoge Jeronimus Lauwerin
Tresorier Generaal van de Finan: ende andre jegenwoerdich, Hanneton. Ende op
ten rugge van deesen Brieve staat gescreven dat hier naar volcht. De Tresorier
Generaal van de Domeynen ende Finantien myns Genaden Heer des Eertshertoge
van Oistenryck, Hertoge van Bourgondien, Jeronimus Lauwerin consenteerd alsoe
verre als in hem is dat ’t inhouden in ’t Witte van desen jegewoordigen volcomen
zy naar zyne vorme ende inhouden, alsoe ende by der manieren dat deselve myne
Geduchtegen Heer wil ende beveeld gedaan ’t fyne by deselve, Geschreven onder
’t handteyken van den voirsz. Tresorier General den tweesten dach van Meye in ’t
Jaar Duysent Vyff Honderd ende Een.

Aldus geteykent,
LAUWERIN.

Vervolgens berust er op het gemeente archief een ordonnantie voor de

schutters van den »edelen Cruysboog” dd. 26 Augustus 1597, die wij echter
om hare uitgebreidheid niet mogen overnemen. Voorts wordt nog in
verscheiden keuren van deze schutters gewag gemaakt.

Op het stadhuis wordt nog een fraaije vlinder bewaard, die men denkt, als
insigne van de voetboogschutters van St. Joris Gilde gebruikt te zijn.

Omtrent de schuttersdoelen vinden wij vermeld138 in 1746.

»De Doele staande in de Kapelstraat is een oud gebouw, ’t geen groote
ruimte heeft en zeer bekwaam ter Herberging van reizende en andere lieden.
Zij komt de schutterij, die nu in twee quartieren en vaandels verdeeld is, in
eigendom toe, die ook aldaar hare vergadering houdt.”

In den voorgevel van dit gebouw, die in Anno 1787 zeer verfraaid werd, ziet
men den ridder St. Joris den draak bestrijdende in steen uitgehouwen.

Na de vernietiging der stedelijke schutterij, is de Doele ter voldoening van

der stad’s pretentien in 1798 aan de gemeente gekomen en als eigendom
getransporteerd.—De stad heeft dezelve in 1799 voor de som van ƒ 3300
aan een ingezetene dezer plaats verkocht.

De naam van het Logement de St. Jorisdoele, herinnert in onze dagen nog
aan de oude schutters van Oudewater.

En hiermede is ook de reeks gebouwen ten einde, die hun ontstaan

verschuldigd waren uit een beginsel van verdediging, bij eene mogelijke
belegering der plaats. Toen echter Oudewater uit de rei der vestingen
verdween, zijn de meeste dezer gebouwen natuurlijk van onnut geworden,
en wij zagen dan ook de vernietiging van bijna allen. Nu resten ons nog
eenige gebouwen te beschrijven, die wij noch onder de kerken, noch onder
de geestelijke of liefdadige gestichten, noch onder de gebouwen ter
verdediging van stad en land konden rangschikken, en toch tot de
monumenten der stad behoorden of nog behooren.

Wij beginnen met

de voormalige latijnsche school.

Nog tot in het laatst der 17 eeuw139 mogt Oudewater zich beroemen,
binnen zijne muren eene Latijnsche school te hebben, hetgeen voor een
plaatsje als dit, zeer pleiten kon voor de welgesteldheid der ingezetenen.—
Aangezien deze laatsten echter van tijd tot tijd verminderden, en men
dientengevolge geen genoegzaam getal leerlingen op dezelve aanbragt,
moest dezelve noodwendig vervallen.—Volgens resolutie der staten van
Holland dd. 25 Februarij Ao. 1600, bekwam Oudewater het regt, op zijne
beurt eene »beurssaal” te zenden in het Theologisch Collegie van Holland
binnen de stad Leiden. Deze beurten moesten echter verwisseld worden
tusschen deze plaats in het naburige Woerden zoodat ten allen tijde een
dezer twee steden een student in voornoemd collegie had, achtervolgens
besluit van hunne Ed. Groot. Mog. in derzelver hooge vergadering
genomen, waar omtrent wij verwijzen, naar de resolutien van Holland dd.
25 Junij 1666.

Deze resolutien en dit regt, werden echter ten jare 1797 vervallen verklaard
en de herinnering, dat Oudewater eertijds een Latijnsche school bezat, bleef
alleen in de geschiedrollen bestaan!
Lombarden.

Reeds in het jaar 1319, drie weken na St. Maarten in den Winter, vindt men
gewag gemaakt, dat het Lombardhuis te Oudewater ter bewoning gegeven
werd aan Vranke Oudekijns, tot ’s Graven wederopzeggens toe. Kort daarop
moeten echter de Lombaarden uit Oudewater getogen zijn,140 daar men
vermeld vindt, dat in het jaar 1323. Dirk Batenburg verleid werd met het
Lombaarthuis te Oudewater, mits het zelve weder opgevende by de
terugkomste van de Lombaarden, &c:

Ziet hier de inhoud van het bedoelde stuk.141

Wi Willaem Graue &c: maken cont allen luden, dat wy Dirc Batenburg van
Oudewater gegeven hebben onse huys, dat ons ane gecomen es van de Lombaerts
binnen onse Poirte van Oudewater in rechten liene van ons te houden in der
maniere, wair dat saeke dat die Lombairts weder quamen ende wise in dat huys
voirsz. weder setten mitter woone, soo souden wi Dirc voirsz. sinen cost en sinen
scade, dien hi aen den huse gedaen hadde, gelden, ende dair meede waer die
manscap quite. In oirconde &c: Gegeven tote Scoenhove op Sinte Martynsdach in
de Somer in ’t jaar ons Heeren MCCC drie en twintich.

Daarna werd ten zelfde jare het volgende bevel aan den Magistraat
gegeven, om de nagenoemde Lombaarden in deze Stad te ontvangen en
Burger-regt te laten genieten.
 Wi Willaem Gratie &c: onsen lieven en getrouwen Schout, Schepenen, ende Raed
van onser Poirte van Oudewater, saluyt ende onse goede jongste; Wi doen u te
weten, dat wi in onse beschermte en geleyde genomen hebben, en nemen dese
Lombairden, die hier na geschreven staan, dat es te wetene, Dammaes en Philips
Asinier, broeders, en de Hore Maysinden om te wonene en te blivene in onser
Poirte van Oudewater van onser Vrouwe dage in den Mairte die naestcomet,
twaalf jaer daer na volgende, ende sullen coipmanscip driven ande hoir oirbair
doen mit haren gelde, geliken onse andere Lombarden die wonen ende bliven in
onse goede Poirten van Hollant; En ombieden ju naerenstelicken, dat ghi se
ontfaet over uwe Poerters ende hem helpet, vordert en starket in alle hore rechten,
gelike juwe Poerters die jairscarende durende voirsz. ende des en laet niet.
Gegeven in die Hage op den Jairsdach in ’t Jaer ons Heeren M. CCC. en drie en
twintich.

In het jaar 1595 werd van wege de regering van Oudewater aan Jaques de
Causa Michielsz., een piemontees, octrooi verleend tot het houden van de
»tafel van leeninge” binnen Oudewater. Aan ieder die omtrent de
aanstelling van zoodanigen tafelhouder, de voorwaarden waarop de
verpanding en bij niet lossing, den verkoop der panden plaats greep, iets
meer weten wil, verwijzen wij naar de beschrijving van Oudewater door G.
R. van Kinschot bladz. 439–450.

Nog omstreeks de helft der voorgaande eeuw, vindt men vermeld, dat de
Bank van leening, met het daarbij van ouds behoorende woonhuis, onder de
accijnsen der stad, voor zekere jaren verpacht werd.

Uit een en ander zien wij, dat Oudewater nevens alle andere steden in
Holland en West Vriesland geprivilegieerd was, zoodanige bank te mogen
hebben en verpachten, met uitsluiting van alle andere plaatsen in het platte
land142 zijnde zelfs ingevolge deze volmagt, de steden niet gehouden,
eenige tafelen toe te laten, al hadden zij ook eertijds octrooijen daarvoor
verkregen143. Volgens resolutie der staten van Holland 3–12 Maart 1594
mogt door den Lombardhouder van de zes gulden, een halve stuiver in de
week geheven worden.

Het laatste Lombardhuis te Oudewater bevond zich op de Donkere Gaard

en is tegenwoordig bekend onder nummer 491. Sedert een groot aantal
jaren, werd dit huis verkocht, en wordt het door particulieren bewoond.
Alleen het stadswapen met het bijschrift:

SAUVE GARDE Ao. 1756

doen den opmerkzamen voorbijganger alligt vermoeden, dat hij zich bij het
oude Lombardhuis bevindt. Tegenwoordig bestaat er te Oudewater slechts
een hulp Lombard en wel onder opzigt en contrôle van den Lombard uit het
naburig Woerden.
De Waag, ook gezegd de Heksenwaag.

Dit stadsgebouw, bevindt zich aan de markt, op den hoek der Gasthuissteeg,
en werd waarschijnlijk in het jaar 1595 gebouwd, aangezien dit jaartal in
den voorgevel van dit gebouw wordt aangetroffen.—Reeds lang vóór
genoemd jaar, bezat Oudewater echter reeds eene Waag, immers reeds ten
jare 1547, werd door Zijne Keizerlijke Majesteit een bevel uitgevaardigd,
waarbij hij gelastte, dat het gewigt der stad Gouda in de Waag der stad
Oudewater overgebragt zoude worden, en tegen het gewigt uit
laatstgenoemde plaats in gelijke stukken, ten overstaan van zijn
gecommitteerden gewogen zoude worden.

Wij laten den inhoud van dat stuk hier volgen:

»Op Huyden den anderen dach Marcy Ao. XVc, XLVII. Stilo Trajectense
zoe zyn Adriaen Louwerisz., Jacob Gerytsz. Moen, Burgemeysters en
Schepenen desz. stede van Oudewater alsook Frederick Jansz. Muntere en
Jan Jansz. en Pieter Speyert, Secretaris derselver stede, geweest in de
voorsz. stede Waech, ende aldaar gewoogen der stede Wicht van der Goude
gebrocht by Dirck Cornz., Tollenaar ende Rentmr derzelver stede, van
wegen der K. Majt tegens de wicht derzelver stede van Oudewater in
gelijke stucken, ende is bevonden mitten zelfe te accorderen. Geschiet op
ten dach, jaer en de maent als boven, (o n d e r s t o n d ): geëxtraheert uit
het voorsz. stedeboeck en accordeert daer naede by my onderteykent.

P. Speyert.”144

Zooals iedere andere Waag, werd dezelve gebouwd, tot het wegen van
verschillende koopmanschappen, en wel voornamelijk h i e r , voor, kaas,
hennip en verschillende soorten van touw, allen producten en waren,
waarvan in en om Oudewater veel in den handel wordt omgezet.

Doch, uitgenomen deze artikelen, werd er eertijds nog een artikel

opgewogen, waardoor deze Waag zich bij alle andere Wagen
onderscheidde, een artikel, dat haar een ongekenden naam in de
geschiedrollen bezorgde, en de Waag deed worden »een weldaad voor het
menschdom.” Aldus toch, wordt onze Waag genoemd, in de »Almanach tot
Nut van ’t Algemeen,” jaargang 1792, bladz. 95. Het artikel, dat wij
bedoelen, waren …. m e n s c h e n , die van tooverij beschuldigd waren, en
heksen genoemd werden.

Wij willen de aanleiding tot het wegen van deze menschen, een weinig
breeder uiteenzetten en moeten daarvoor in dit hoofdstuk de
onderafdeeling:

BIJGELOOF VOORHEEN EN LATER

daartusschen lasschen.

Het is slecht, of eigenlijk in het geheel niet te bepalen, wàt b i j g e l o o f is,

indien wij de tegenstelling niet vermelden van g e l o o f en o n g e l o o f .

Het g e l o o f zelve wordt nog in veel soorten verdeeld.

Immers in het d a g e l i j k s c h l e v e n , verwart men g e l o o v e n

meestentijds met m e e n e n , met iets v o o r w a a r h o u d e n , waarvoor
men geene gronden kan bijbrengen.

In het s t o f f e l i j k e , gelooft men, wat men met de zintuigen bemerkt,

wanneer geen zinbedrog ons misleidt, en

In het g e e s t e l i j k e eindelijk, is het aan iedere gezindte bekend, wat

door geloof verstaan wordt.—Bij de Christenen behoort dit g e l o o f , dit
aannemen van iets, wat men n i e t ziet, tot hunne Godsdienst, en wel in die
mate, dat hunne G o d s d i e n s t veelal hun g e l o o f genoemd wordt.

Het o n g e l o o f staat natuurlijk tegenover g e l o o f ; zoowel in het

g e e s t e l i j k e als in het s t o f f e l i j k e nu, heerscht ongeloof.—Zoo is b.
v. in het stoffelijke, hij ongeloovig, wanneer hij niet aanneemt, d a t het zoo
is, en het toch wezenlijk bestaat, zonder het met zijne zintuigen te hebben
bemerkt.

B i j g e l o o f is het geloovig, het met volle overtuiging aannemen van

hetgeen wezenlijk n i e t is. Bijgeloof is meestal eene nog sterkere
overtuiging, dan een waar geloof, doch het is en blijft altijd een
w a n g e l o o f , een o n j u i s t g e l o o f , een geloof, waarbij de mensch
zich zelven bedriegt145.—Wij zullen wel niet behoeven aan te toonen, dat
men ook hier weder in het stoffelijke en in het onstoffelijke bijgeloovige
kan zijn.

Het voornaamste bijgeloof van lateren en zelfs nog van onzen tijd, is een
overblijfsel, van de mythologie onzer voorvaderen, waarover hiervoren
breedvoerig geschreven is.

Toen wij de aandacht onzer lezers op de mythologische daadzaken in het

heidendom bepaalden, maakten wij bijna ook op iedere bladzijde, de
schaduw daarvan nog in onze dagen aanwezig, bekend.

Eigenlijk gezegd, was de mythologie onzer vaderen voor hen nog geen
bijgeloof, het was eene natuurleer, een wangeloof—doch het voortbestaan
in het Christendom van de onwaarheden, die hunne mythologie bevattede,
dàt werd voor den C h r i s t e n natuurlijk bijgeloof.
Teregt vinden wij dan ook vermeld146. Onze voorouders hadden, als alle
volkeren van den Indisch-Germaanschen stam, een duister Godsdienstig
geloof aan een goed en een kwaad beginsel; doch, gelijk het in de kindsheid
der barbaarsche volken gaat, waar het geloof aan een eenig God is
verduisterd, stelde men zich die beginselen voor als krachten, als
persoonlijke krachten, als krachten van bovennatuurlijke wezens, waarvoor
de zwakke mensch moest bukken.—In hunne sagen werd gesproken, van de
helden, van het voorgeslacht; en de verbeelding verhief die voorouders tot
goden.—Hetgeen men waarnam en niet kon verklaren, werd aan de werking
dezer Azen toegeschreven.—Bij iedere aanraking, van den eenen volksstam
met den anderen, vermeerderde allengskens het bijgeloof; maar toch te
midden van dat bijgeloof, bleef er nog eenig geloof over, aan e e n
magtigsten God. Wij hebben u dien God reeds als Wodan doen kennen, en
Wodan was het, die in het laatst der dagen, alle goden aan zich zou
onderwerpen. De goden der wereld, en de aardgeesten voerden wel strijd,
tegen den God des hemels, eindelijk zouden zij echter toch het onderspit
moeten delven.

In één woord, alles hetgeen door de menschen gedaan en verkregen werd,

werd door het volksgeloof aan de inwerking der Goden, toegeschreven.

Toen het heidendom voor het Christendom moest wijken, bleven echter de
toovenaars en heksen bestaan. Toovenaars waren de menschen, die met de
booze geesten of goden in verbinding stonden en die als overblijfselen van
de heidensche priesters konden worden beschouwd, terwijl de heksen, die
vrouwen waren, doen denken aan de wigchelaarsters in de mythologie.
Deze heksen nu hadden het vermogen, de menschen op velerlei manieren te
kwellen en nadeel toe te brengen, geen wonder dus, dat de jonge
Christenen, door oppervlakkigen Godsdienstijver gedreven, met groote
woede en toorn, somtijds tegen die gewaande toovenaars en heksen vervuld
werden, wanneer er aardsche rampen voorvielen, die zij aan de toovenaars
en heksen, en hunne verbinding met de booze geesten toeschreven.

Toen de Noord-Duitschers en Denen pas tot het Christendom bekeerd

waren, hadden booze wraakoefeningen tegen zoogenaamde heksen
meermalen plaats, weshalve paus Gregorius VII (die regeerde van Ao.
1073–1085) zeer ernstig aan zijne geestelijken in Denemarken schreef, dat
zij dat volksbijgeloof toch zouden tegenwerken, enz.

In de middeneeuwen, nam zelfs het geloof aan hekserij ontzaggelijk toe, en

geen wonder! de steeds toenemende beschaving en de meer en meer
aangroeijende ondereenmenging van verschillende volken bragt te weeg,
dat er onderscheidene kunsten en uitvindingen werden ontdekt; de drukpers
nu was er nog niet, om de volken het geheim dier uitvindingen kenbaar te
maken, en wat het volk niet begreep, was een wonder of tooverij en de
uitvinder eener nuttige zaak, werd niet zelden vervolgd als heks en
toovenaar.

Het zou ons verbazend wijdloopig doen worden, de duizendtallen

voorbeelden aan te halen, van de slagtoffers om tooverij en hekserij.—De
vervolging was weldra tot eene ongekende hoogte gestegen.—Meest alle
rampen en plagen werden aan tooverij toegeschreven, en de beschuldiging
van tooverij ging zelfs zóó ver, dat vorsten en geestelijken, de
beschuldigingen van hekserij niet konden ontgaan!

Ontelbaar zijn dan ook de menschen geweest, die hunne beschuldiging met
het leven moesten boeten. Een paar voorbeelden, slechts. In het kleine
bisdom Bamberg werden in vijf jaren tijds 600 menschen om tooverij ter
dood veroordeeld, meest verbrand, en in hetzelfde tijdsverloop telde het niet
veel grootere bisdom Würzburg 900 offers147.

Maar, vraagt mij welligt iemand, werd dan iedereen, die van tooverij
beschuldigd was, zonder vorm van proces veroordeeld, werden er geene
pogingen aangewend, de ongelukkige beschuldigden van den dood te
redden?

Ja mijne lezers er werden pogingen daarvoor in het werk gesteld, doch

hoedanig waren zij? Ach zij bragten zoo zelden redding voor de beklaagden
aan! Ja de p i j n b a n k was er, en die dan van tooverij en hekserij
beschuldigd of verdacht waren, werden op die pijnbank gebragt. Onder de
smartelijkste folteringen werden zij ondervraagd. De pijniging hield meestal
aan, totdat zij tot de bekentenis waren gebragt, en daar eene bekentenis
genoegzaam werd geacht, wanneer zij op de vragen slechts een
toestemmend antwoord hadden gegeven, is het daaruit gemakkelijk te
begrijpen, hoevele duizenden onder de felste folteringen het »Ja” hebben
uitgeroepen, om eenigen tijd verligting te erlangen, op de vragen, of zij op
bezemstokken door de lucht hadden gereden, of zij katten waren geweest,
enz. enz.148.”

Ja er waren nog andere proeven, zooals het o r d a l , de v u u r -, de w a t e r -

en n a a l d e n -proef, doch het behoorde bij al deze tot de hooge
zeldzaamheden, indien zij ten gunste der beklaagden uitvielen. Geen
wonder! men vergde in deze, bijna altijd wonderen van de Godheid, en na
de wreedste pijnen reeds in de »proef” doorstaan te hebben, werden zij
meestentijds naar den houtstapel geleid en verbrand! O de proeven ter
bevrijding der ongelukkigen, zij waren zoo slecht gekozen!

Van tijd tot tijd echter stonden er groote mannen op, die het durfden wagen
openlijk hunne stem te verheffen, ter bestrijding van het venijnig serpent,
dat men tooverij en hekserij noemde. D u r f d e n wagen? Ja voorzeker er
behoorde moed toe, tegen dit bijgeloof met open vizier te velde te trekken,
in d i e n tijd, toen bijna ieder onder de magt van het ellendig gedrocht zich
bewoog.

De eerst bekende groote man, die het bijgeloof heeft bestreden, was voor
zoover wij weten, paus Gregorius de VII in de elfde eeuw.—Ofschoon het
wel degelijk te vooronderstellen is, dat in de drie volgende eeuwen dit niet
zonder tegenspraak van velen heeft geheerscht, zoo vinden wij echter eerst
kort na de uitvinding der boekdrukkunst, en de daardoor veroorzaakte
meerdere bekendheid van gevoelens, onderscheidene personen, die het
geloof aan hekserij en tooverij bestreden.

De beroemde regtsgeleerde Alciatus, leerde reeds, »dat het beter was, de

heksen nieskruid te geven, dan haar ten vure te doemen” daarmede zoo het
schijnt doelende, op zijne overtuiging, dat zij, die zich verbeelden onder de
magt van booze kwellingen te staan, meestal krank naar ligchaam en ziel
waren.

Onze groote Rotterdammer Desiderius Erasmus, stelde de geheele zaak der

tooverij in een bespottelijk daglicht149.

In 1512 verscheen er te Gent een boekje in het licht, bevattende 2

kluchtspelen nl. de k l u c h t v a n H o m u l u s en H a n s k e v a n d e r
S c h i l d e . Dit boekje had een morele strekking, het bestrijden der tooverij;
een ander boekje heeft tot titel: t o o v e r e n , w a t d a t v o o r e e n
w e r k i s , beschreven door Jacob Vallick, pastoor te Grossen 1559. Het
bijgeloof, wordt daarin bestreden, op gronden van Godsdienst en
Zedekunde. Johannes Wier, in 1515 te Grave geboren, later lijfmedicus van
den Hertog van Cleef en Berg, was echter de eerste, die volledig de
vooroordeelen in deze bestreed. Hij had op zijne reizen onderscheidene
executien van zoogenaamde heksen gezien. De edele man had het
voornemen opgevat, de vooroordeelen van zijnen tijd grondig te
wederleggen. Hij schreef eene verhandeling over de giftmengers en de
toovenaars, waarin hij bewees, dat die twee zaken wel degelijk vaneen
gescheiden moesten worden, en toonde aan, dat de regters van zijnen tijd,
dit niet deden.

Vele regters erkenden hunne dwaling, en betuigden hem hunne

dankbaarheid, voor zijn uitmuntend betoog. Hierdoor aangemoedigd,
schreef hij nog tot aan het laatst van zijn leven, ter verdediging der
zoogenaamde heksen.

Cornelis Loos van Gouda werd aangezocht een zeker boek van Wier te
wederleggen, doch door het lezen van zijn geschrift overtuigd wordende,
werd zijn geschrijf een eere schrift op zijn boek. Men weigerde te Keulen
het manuscript te drukken, en Loos werd gedwongen onderscheidene
stellingen te herroepen en niet zonder vele pogingen ontkwam hij eene
vervolging150.

Bij al deze gunstige geschriften ter bestrijding van het bijgeloof, schreef
zekere Martinus del Rio het groote boek: O n d e r z o e k n a a r d e
t o o v e r i j , dat in 1599 uitkwam, en waarin het bestaan van toovenaars
verdedigd werd. Del Rio ging zelfs zoo ver, dat hij beweerde, dat de
verlichte Wier zelf een toovenaar was, en hij hen daarom in zijn geschrijf
verdedigd had.

In Reijnald Scott een verlicht engelschman, vond del Rio echter een
geduchten bestrijder, doch het bijgeloof woedde echter nog steeds met
hevigheid voort. In Engeland vatte een Jacobus I de pen op, om de
voorstanders der verlichting Wier en Scott te wederleggen en in
Duitschland werd de heksengeschiedenis, door het gezag van den
regtsgeleerden Carpzovius in wezen gehouden.

Op het laatst der 17de eeuw, begonnen de regeringen de vervolgingen

wegens tooverij, wel meer na te laten, doch het volk bleef niet minder
bijgeloovig dan vroeger, ofschoon het weder krachtige en bekwame
strijders vond in Adam Tanner en Frederik Spee. De laatste had als Jezuit,
menige veroordeelde heks, in hare laatste levensuren moeten bijstaan.
Getroffen door hetgeen hij gezien en gehoord had, schreef hij zijn boekje:
W a e r b o r g o m g e e n q u a a t h a l s g e r e g t t e d o e n , een lief
boekje, dat door onzen bekenden Amsterdamschen predikant Balthazar
Bekker hoog geroemd en geprezen werd. Het geschrift van den Jezuit Spee,
werd in onze taal overgebragt, door N. B. A., zijnde N. Borremans,
Remonstrantsch predikant te Oudewater.

Doch, wat werden die edele menschenvrienden, in hunne pogingen om de

waarheid te verkondigen, gedaan? Frederick Spee zond zijn boekje om zich
voor vervolging te behoeden, naamloos in het licht. Borremans, vertaalde
het onder de letters N. B. A. en Balthazar Bekker, die in zijne
b e t o o v e r d e w e r e l d , het bijgeloof aanrandde, werd in 1692 van zijn
predikantsplaats ontzet, als onregtzinnig151.

Ik verzoek den lezer nog eens kortelijk met mij eenigen tijd terug te gaan,
tot naar het midden der 16e eeuw en daar nog eens het bijgeloof en hare
gevolgen kortelijk herhalen. Het ligt echter niet in ons plan, dat bijgeloof
stap voor stap te volgen, immers dit onderwerp zou een ruimte beslaan, als
voor deze geheele plaatsbeschrijving bestemd is.

Wij voeren u dus in gedachten terug tot in het regeringstijdvak van Karel de
Vijfden, waarin wij de ter doodbrenging van eene heks zullen schilderen.

Allerwege ontwaart men brandstapels, die de ongelukkige toeven, die van

tooverij beschuldigd zijn. Zie daar nadert men met zoodanig een slagtoffer
den houtmijt! Ach het is eene vrouw en zij is echtgenoot en moeder, want
hij, die zich onder den stoet bevindt, hij met dien zonderling wreede trek op
het gelaat, met van woede glinsterende oogen, die dreigend staren op de
leiders van de zoogenaamde h e k s , hij prevelt verwenschingen, voor de
beschuldigers zijner »l i e f d e v o l l e g a d e .” Is zij ook moeder? Ja, ja,
zie naast de veroordeelde draagt een andere vrouw een schreijende
zuigeling, en geleidt een achtjarige knaap, en terwijl de vlottende menigte
nu langzaam voortgolft naar de plaats waar het doodvonnis zal voltrokken
worden, ontwaakt de ongelukkige »heks” met aan razernij grenzende
wanhoop uit den stillen waanzin, waarin zij gedompeld was! want zij ziet
de houtmijt vóór zich, die weldra met hare assche een vormloos
zaamgestorte massa zal uitmaken! M i j n e k i n d e r e n gilt zij, groote
God, mijne kinderen! de zuigeling en de knaap omvattende, o uwe moeder
omklemt u nu voor het laatst, zij drukt u na dezen immermeer de vurige
kussen op uwe wangen. Zij zal haren lieven zoon niet meer ter schole
leiden, hare zuigeling niet meer voeden met het moederlijk voedsel! en gij
echtgenoot, kermt zij, ach, zie niet zoo dreigend in deze bange ure, wij zien
ons weder, dáár, waar wij niet meer aldus gescheiden zullen worden, zorg
voor onze kleinen, voor de telgen van onzen gelukkigen echt, omhels mij
zoo als ik hen omhels.—God! God! ik moet van u en hen scheiden ……

Hier zonk de ongelukkige bewusteloos ineen, door smartgevoel overstelpt.

In dezen toestand wordt zij op den brandstapel geplaatst, aan den paal
gebonden, men brengt het vuur met de drooge twijgen in aanraking, en
weldra kronkelen zich de woeste vlammen, om de in onmagt zijnde vrouw!
Het vuur wekt echter spoedig de ongelukkige uit hare bezwijming, en
wanhopend wringt zij zich op den brandstapel, door ligchaamspijn en
boezemwee overstelpt—toch zoekt zij nog naar de plaats vanwaar zij hoort
kermen, gade dierbare gade, vaarwel tot wederzien bij God in den hemel!
vanwaar zij hoort smeken, moeder, lieve moeder, o kom bij mij!

O deze smartvolle ontboezemingen wat verschilden zij van de uitroepingen

der volksmenigte. Voort, voort met de heks, want zij heeft met
bezemstokken door de lucht gereden, wij hebben haar in de gedaante eener
kat gezien, zij heeft onweders en ziekten verwekt, en de kinderen
betooverd, zóó zóó, verbrand haar, verbrand haar!

Weldra waren de laatste levensvonken van de ongelukkige echtgenoot en

moeder uitgebluscht, en …. het bijgeloof had een offer meer geëischt en
genomen!!

Zulke treurige executien, hadden in de tijden waarvan wij schrijven

menigmaal plaats, op honderde manieren gevarieerd, zonder onderscheid
van kunne of ouderdom. Geen wonder ook, wij hebben het reeds
aangetoond, de proeven aangewend tot bevrijding eener aangeklaagde
»heks,” zij gelukten bijna nooit in het voordeel der laatsten.

Maar eindelijk daagde er toch lichte aan den horizont: er werd eene proef
ontdekt, die a l t i j d de vrijspraak voor de beschuldigden van tooverij
moest ten gevolge hebben, eene proef, die ook geen pijn veroorzaakte, eene
proef even onschuldig als zeker, de heksen moesten zich namelijk l a t e n
w e g e n op de stadswaag te Oudewater.

Waarom vraagt ons welligt iemand moesten de heksen gewogen worden,

waarom moesten zij te Oudewater gewogen worden en wie is de uitvinder,
de bedenker van deze proef, die zooveel invloed op het bestrijden van het
bijgeloof ten gevolge moet hebben gehad? Wij zullen een en ander zoo
beknopt en duidelijk mogelijk ter neder schrijven.

De heksen, die in het volksbijgeloof door de lucht konden rijden, hadden

volgens gevoelen van hare beschuldigers en vervolgers geene
ligchaamszwaarte, somtijds meende men zelfs, »dat zij nog minder dan
niets wogen.” Werden zij dus ter schale geleid, en bevond men, dat zij zoo
zwaar wogen, dat het met de natuurlijke proportie haars ligchaams overeen
kwam, en dat kon nimmer missen, dan werd aan dezulken te Oudewater een
certificaat gegeven, dat haar bij de minste beschuldiging van tooverij
vrijwaarde, tegen alle mogelijke vervolging.

Waarom zij nu te Oudewater moesten gewogen worden en wie de bedenker

dezer weegproef was, hiervan kunnen wij het volgende berigten:

Van oudsher had de waag te Oudewater een bijzonder goeden naam om

hare juistheid in het wegen; maar bovenal ook om het juiste en eerlijke
gewigt in deze waag aanwezig zijnde en gebruikt wordende. Immers, ten
bewijze strekke hiervoor, de ordonnantie van keizer Karel de V, waarbij hij
ten jare 1547 aan die van Gouda gelastte, hun gewigt met dat van
Oudewater te laten »ijken” zouden wij in onze dagen zeggen.152 Hieruit
blijkt dus, dat die vorst voor deze waag reeds eenige voorliefde had, en men
houdt dan ook algemeen den keizer, voor den bedenker van deze weegkuur,
ofschoon het echter niet met zekerheid te bepalen is, ten minste onder de
oude geschriften ter gemeente secretarie berustende, vinde ik
dienaangaande geen licht verspreid. Het is echter bijna zeker, dat Karel de
V wel de bedoelde persoon zal zijn, die dat gebruik ingevoerd heeft, en het
ontbreekt dan ook niet aan schrijvers, die dat zonder eenige bedenking
aannemen.

Laat ons nu overgaan, meerdere bijzonderheden omtrent de aloude

weegkuur te Oudewater zooveel mogelijk uit oude stukken aan te voeren.

Wij hebben hiervoren reeds gemeld, dat er in het tijdvak dezer

heksenbeschuldigingen, door den pater jesuit Spee, een werkje ter
bestrijding van het bijgeloof geschreven was, ten titel voerende:
W a e r b o r g o m g e e n q u a a t h a l s r e c h t t e d o e n , en dat dit
boekje in onze taal werd overgebragt door N. B. A., zijnde N. Borremans,
eertijds Remonstrantsch predikant te Oudewater.
In de voorrede van deze vertaling, vermeldt de heer Borremans eenige
gissingen, omtrent den oorsprong van dit weegregt alhier, en deelt daarin
tevens de volgende bijzonderheden mede, door een der burgemeesteren van
Oudewater dier eeuw, aan Borremans zelf geschreven, die zijn verzoek aan
dezen magistraats-persoon omtrent eenige bijzonderheden van de waag en
de gewogen wordende, in zekere vragen had doen geworden.

Na vermeld te hebben, dat er vele zoogenaamde heksen van de stiften

Keulen, Munster en Padeborn sedert keizer Karels tijd, reeds gewogen
waren en nog werden, vinden wij daarop t. a. p. aangeteekend:

»Dat daar noit ymand uit een van die plaatsen gekomen was, of zy hebben
alle eenstemmig verklaart, dat zy in hun land t’ onregten van Tovery
beschuldigt wierden: en zoo zy geen bewys bekomen konden, van dat ze in
de Stads Waege t’ Oudewater gewogen waren, en hun gewigte met de
gelegentheid hunnes Lichaems overeen quam, dat zy gevaer liepen van in
hun Land om lyf en goed te raaken: ’T zeggen van die luyden was
doorgaans, dat die in hun Land voor Tovenaers gehouden wierden, welken
minder woegen. De overleden Secretaris de Hoy hadde hem verhaalt, dat in
zynen tyd zeker persoon, uit de bovendeelen in ’t Land daar hy woonde,
door eenen, daar hy mede in geschil geraakt was, in ’t geruchte was gebragt,
van een Tovenaar te zyn, en dat hy geraden wiert, om zich van de gezeyde
laster te suyveren, naer Oudewater in Holland te reysen, en hem aldaar in
de Stads Schale te laeten wegen, en dat hy daar gekomen, het zy door
bottigheyd, het zy door vreeze, of door quade onderrigtinge, wederom
gekeert was na zyn Landt, zonder gewoogen te zyn, maar dat hy in zyn
Vaderland komende, en niet konnende toonen, dat hy gewogen was (zulx
vermoedelyk voor bewys van schuldigheid genomen zynde, als of hy te
licht bevonden waare) zoo is ’t gerugt voort geslagen tot den Regter van de
plaats, die gezogt had deze Persoon in hegtenis te nemen, maar hy
gewaerschouwt was ’t ontvlugt. Daer na in ’t Land, daar hy gevlucht was,
geraakt zynde by een persoon, die te vooren hier ook met eenen anderen in
zodanige gelegentheid geweest was, heeft den selven bevoolen met hem
herwaarts aan te reysen, gelyk hy ook t’ Oudewater gekomen, en in de
Stads wage, op die reyze en wyze als verhaelt is, gewogen zynde, weder
was na huys gekeert, en in zyn Vaderland, daar hy van daan gevlugt was,
het bescheyt van aldaer gewogen te zyn vertoont hebbende, was hy weder
in zyn geheel en in de volle bezittinge zyner goederen, die by den Regter al
waren aengeslagen, hersteld geworden.

»Op de 2de Vrage seit de Burgemeester, dat geen seker gewichte gestelt is,
wat iemand wegen moet, maar dat het daarop aan kwam, dat het gewicht
met de natuurlyke geschapentheid des lichaams overeenkomt.

»Op de 3de Vrage, van waar dit zyn oorsprong heeft, seyt hy, dat hem zulks
onbekent zy, maer dat egter blykt, dat hunne Stads wage in die buiten
landen zulken aanzien hadde, also ’t verscheide malen gebeurt was, dat die
geenen, welken verzochten gewogen te worden, met bysondere
Voorschryvens hunner Stad of plaats gekomen zyn.

»Echter word daarby gezegt, dat Keyzer Karel zulk Voorregt aan de Stad
Oudewater, uit oorzaak van hunne beproefde Oprechtigheid in desen, en
van seker bedrog, in een nabuurig dorp ontdekt, geschonken heeft, immers
dat zulks het algemeen zeggen is.”

Teregt merkt Ds. Kits van Heyningen, dan ook dien ten gevolge op:153
»Men ziet uit bovenstaand berigt, dat de waag te Oudewater niet alleen veel
bekendheid had, en voor officieel getuigenis diende, maar, dat ook de proef
zeer onschuldig was. Had men een bepaald gewigt gesteld, dat iemand op
zekeren leeftijd wegen moest, terwijl een ligter zijn, dan zoodanig gesteld
gewigt voor bewijs van schuld gold, de proef ware wel niet pijnlijk, maar
toch gevaarlijk geweest. Nu daarentegen, was ’t genoeg, wanneer het
gewigt, met de gewone gesteldheid des ligchaams in overeenstemming was.
Men grondde die bepaling zeker op het volksgeloof, dat onder andere
meeningen ook deze koesterde, dat een heks of toovenaar geen gewigt had.”

»Intusschen was het voorregt aan de waag gegeven, den waagmeester

zelven niet geheel onverschillig. Wie gewogen werd, betaalde natuurlijk het
waaggeld en schoon de som zoo groot niet was, bij de meerdere waarde, die
het geld in dien tijd had, was zij toch een emolument geweest, dat bij zijn
post gerekend werd, indien zij niet, omdat een ieder er iets van hebben
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

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

Let us accompany you on the journey of exploring knowledge and

personal growth!

textbookfull.com