1 Introdução à Descoberta de Conhecimento e Mineração de Dados Professor Celso A A Kaestner, Dr. Eng

1

Introdução à Descoberta de Conhecimento e Mineração de

Dados

Professor Celso A A Kaestner, Dr. Eng.

2

Site:http://www.dainf.ct.utfpr.edu.br/~kaestner/ls-dm.htm

3

Introdução

4

Introdução: por que Data Mining ?

• O problema da explosão da quantidade de dados

(data explosion):

– Ferramentas de armazenamento automático e a

maturidade da tecnologia de banco de dados,

bem como o advento da Internet, levaram à

criação de imensas massas de dados em data

bases, data warehouses e em outros repositórios.


5

• 1 byte = 8 bits;• 1 Kbyte = 1.024 bytes;• 1 Mbyte ~= 1.000.000 bytes;• 1 Gbyte ~= 1.000.000.000 bytes;• 1 Terabyte ~= 1.000.000.000.000= 1012 bytes• 1 EB = 1 exabyte ~= 1.000.000 Tbytes

• Qual o tamanho das bases de dados ?

• Qual o tamanho da internet ?


6

Fonte: Curso de Piatetsky-Shapiro


7

• Tamanho da Internet (2003, em Terabytes):

Surface Web 167

Deep Web 91.850

Email (originals) 440.606

Instant messaging 274

TOTAL 532.897

Fonte: How Much Information 2003


8

• Tamanho da Internet indexada (2005): 11,5 bilhões de páginas;

• Ver:

1. http://www.cs.uiowa.edu/~asignori/web-size/size-indexable-web.pdf

2.http://www.worldwidewebsize.com/

9


– Estamos nos

afogando em

dados, mas

sedentos por

informação!

10


• A solução: data warehousing e data mining:

– Data warehousing e on-line analytical processing

(OLAP);

– Extração de conhecimentos interessantes (regras,

regularidades, padrões, restrições) a partir das

grandes bases de dados.

11

Introdução: evolução da tecnologia dos BD

• 1960s: Coleta de dados, criação de bancos de dados, IMS e DBMS em rede;

• 1970s: Modelo de dados relacional, implementação de DBMS relacionais;

• 1980s: RDBMS, modelos de dados avançados (relacional estendido, OO, dedutivo, etc.) e DBMS orientados à aplicação (espaciais, científicos, para engenharia, etc.)

• 1990s—2000s: Data mining and data warehousing, DBMS multimídia e Web DB.

12

Introdução: o que é data mining ?

• Data mining (descoberta de conhecimento em BD):

– Extração de padrões de informação de interesse:

1. não-trivial, 2. implícita, 3. previamente desconhecida e 4. potencialmente útil,

de grandes DBs.

13


Dilbert explica ...

14


• Conceitos relacionados: – Descoberta de conhecimento em BD (KDD),

extração de conhecimento, análise de padrões em dados, information harvesting, business intelligence, etc.

• O que não é data mining?– Processamento dedutivo de consultas; – Sistemas especialistas e pequenos programas

estatísticos e de aprendizagem de máquina.

15


Gartner Group:• “Data mining is the process of discovering

meaningful new correlations, patterns and trends by sifting through large amounts of data stored in repositories, using pattern recognition technologies as well as statistical and mathematical techniques.”

16

Introdução: potenciais aplicações

• Análise de DB e suporte à decisão:

– Análise e gerenciamento de mercado:

• Marketing dirigido, gerenciamento de relações

com consumidores, análise de mercado, vendas

cruzadas, segmentação de mercado;

– Análise e gerenciamento de risco:

• Previsões, retenção de clientes, controle de

qualidade, análise de competitividade;

– Análise e gerenciamento de fraudes.

17

Introdução: potenciais aplicações

• Outras aplicações:

– Mineração de textos (documentos, emails, news)

e Web mining.

– Resposta inteligente a consultas.

18

Análise e gerenciamento de mercado

• Onde estão as fontes de dados para análise ?

– Transações com cartões de crédito, cartões de fidelidade, cupons de desconto, requisições de clientes e estudos sobre o estilo de vida dos clientes.

• Marketing dirigido:

– Encontra grupos de clientes “modelo” que compartilham as mesma características: interesses, salário, hábitos de consumo, etc.

19


• Determinação de padrões de compra ao longo do tempo:

– Conversão de conta simples para conjunta, casamento, etc.

• Análise de vendas cruzadas:

– Associações e correlações entre vendas de produtos;

– Predição baseada na informação de associações.

20


• Perfil do consumidor:

– data mining pode informar que tipos de consumidores

compram quais produtos (agrupamento ou

classificação);

• Identificação dos requisitos dos clientes:

– Identificação dos melhores produtos para os diferentes

clientes;

– Uso de predição para encontrar quais fatores atrairão

os consumidores;

21


• Fornecimento de informação sumarizada:

– Relatórios multidimensionais sumarizados;

– Informações estatísticas sumarizadas (tendência

central e variação dos dados)

22

Análise corporativa e gerenciamento de risco

• Planejamento financeiro e avaliação de crédito:– Análise e previsão de fluxo de caixa; – Análise contingente para avaliação de crédito;– Análise seccional e temporal (razão financeira, análise de

tendência, etc.)• Planejamento de recursos:

– Sumarização e comparação de recursos e gastos;• Competição:

– Monitoramento de competidores e mercado;– Agrupamento de clientes em classes e procedimentos de

preços baseados em classes;– Estratégias para fixação de preços em mercado competitivo.

23

Detecção e gerenciamento de fraudes

• Aplicações:– Amplamente utilizado em serviços de cartões de

crédito, telefonia celular, convênios de saúde, etc.

• Abordagem:– Uso de dados históricos para construir modelos

do comportamento fraudulento e uso de data mining para identificar instâncias similares;

24


• Exemplos:– Seguros de automóveis: detectar um grupo de

pessoas que forjam acidentes para ganhar o seguro;

– Lavagem de dinheiro: detecção de transações suspeitas de dinheiro (US Treasury's Financial Crimes Enforcement Network)

– Seguros médicos: detecção de pacientes”profissionais” e grupos de doutores coniventes.

25


• Detecção de tratamento médico inapropriado:– A Australian Health Insurance Commission identificou

que em muitos casos exames desnecessários eram solicitados (economia de AD$1milhão /ano).

• Detecção de fraudes telefônicas:– Modelo de chamadas telefônicas: destino da

chamada, duração, horário e dia da semana; análise de padrões para detectar desvios;

– A British Telecom identificou grupos de clientes com chamadas freqüentes dentro do grupo, especialmente em telefones celulares, e detectou uma fraude milionária.

26


• Venda a varejo:– Analistas estimam que 38% das perdas no varejo

são devidas a empregados desonestos.

27

Outras aplicações

• Esportes:

– IBM Advanced Scout analisou as estatísticas dos jogos da NBA (cestas, bloqueios, assistências, faltas, etc) para auxiliar os times do New York Knicks e do Miami Heat;

• Astronomia:

– JPL e o Observatório do Monte Palomar descobriram 22 quasars com o auxílio de data mining;

28

Outras aplicações

• Ajuda ao uso da Internet, comércio eletrônico:

– IBM Surf-Aid aplica algoritmos de data mining a logs de acessos Web à páginas de vendas, de forma a descobrir preferências e comportamentos dos clientes e efetuar análise da efetividade do Web marketing, melhorar a organização do site Web, etc.

– (ex-) Blue Martini Company...

– Amazon, Google...

29

A Web como fonte de aplicações

• Num site de comércio eletrônico, serve canal de negócios e laboratório;

• Limitado como canal de compra (valor do bem, segurança, privacidade ...);

• Como laboratório serve para testar campanhas, novos produtos, avaliar clientes, etc.

30

A Web como fonte de aplicações

• A amostra de clientes de tendenciosa;

• O comportamento na internet não é o mesmo do presencial;

• O custo de um site é elevado;

• Muitos robôs de busca ...

(fonte: palestra de Ron Kohavi)

31

Análise da Web

(fonte: palestra de Ron Kohavi)• Tráfego na Web (10/46) por dia do mês;

• Por dia da semana (11/46);

• Exemplo por ponto de venda (POS) (12/46);

• Por hora (13/46);

• Um exemplo espúreo (14/46);

• Campanhas por emails (20/46);

• Estudos demográficos (25/46);

• Robôs de busca (28/46);

32

Análise da Web

(fonte: palestra de Ron Kohavi)• Estatística por visita (29/46);

• Privacidade (32/46);

• Exemplos de melhorias (41/46).

33

KDD e DM

34

Data Mining e Business Intelligence

Increasing potentialto supportbusiness decisions End User

Business Analyst

DataAnalyst

DBA

MakingDecisions

Data Presentation

Visualization Techniques

Data MiningInformation Discovery

Data Exploration

OLAP, MDA

Statistical Analysis, Querying and Reporting

Data Warehouses / Data Marts

Data SourcesPaper, Files, Information Providers, Database Systems, OLTP

35

KDD e Data Mining

Data mining é o coração do processo KDD

Data Cleaning

Data Integration

Databases

Data Warehouse

Task-relevant Data

Selection

Data Mining

Pattern Evaluation

36

KDD e Data Mining

Data Mining

Data Pre-Processing

Post-Processing

Integração de DadosNormalização

Seleção de atributos Redução de

dimensionalidade

Descoberta de padrõesAssociação & correlação

ClassificaçãoAgrupamento

Análise de desvios

Avaliação,Seleção,

Interpretação eVisualização de padrões

Visão simplificada do processo de KDD

37

Passos do processo de KDD

• Estudo sobre o domínio de aplicação:– Conhecimento relevante a priori e metas da

aplicação;• Criação de um dataset alvo:

– Seleção de dados;• Limpeza e pré-processamento dos dados:

– Pode corresponder a 60 % do esforço;• Redução e transformação dos dados:

– Encontrar atributos relevantes, redução de dimensionalidade, representação de invariantes;

38

Passos do processo de KDD

• Escolha da função de data mining:– Sumarização, classificação, regressão,

associação, regressão, agrupamento...• Escolha do algoritmo de mineração:

– Busca aos padrões de interesse;• Avaliação dos padrões e apresentação do

conhecimento:– Visualização, transformação, remoção de

redundâncias, etc.• Uso do conhecimento descoberto.

39

Arquitetura de um sistema de DM típico

Data Warehouse

Data cleaning & data integration Filtering

Databases

Database or data warehouse server

Data mining engine

Pattern evaluation

Graphical user interface

Knowledge-base

40

Alguns conceitos fundamentais

• Instância (item ou registro):– Um exemplo, descrito por certo número de

atributos: um dia descrito por temperatura, umidade e situação das nuvens;

• Atributo (característica ou campo):– Medida de aspectos de uma instância,

como o valor da temperatura;• Classe (Rótulo):

– Agrupamento de instâncias, e.g. dias bons para jogar tênis

41


• Base de treinamento:– Conjunto de exemplos utilizado para a

geração do procedimento / estrutura que servirá para a aplicação em outros casos;

• Base de testes:– Conjunto de exemplos que será utilizado

para verificar a “eficiência” do procedimento de DM gerado.

42


• Desafio principal:

Encontrar padrões verdadeiros nos dados

e evitar o “overfitting”

(padrões que parecem significantes mas são aleatórios ou que só funcionam para o conjunto de treinamento dado)

43

DM: em que dados?

• DB relacionais:• Data warehouses;• DB tradicionais;• DB de transações;• DB avançados e repositórios de informação;• DB Orientados a Objeto e DB Objeto-Relacionais;• DB espaciais;• Séries temporais e dados temporais;• DB legados e heterogêneos;• A Web ...

44

DM: funcionalidades

• Associação (correlação e causalidade)– Associação multi-dimensional x uni-

dimensional;

– idade(X,“20..29”)^

ganhos(X,“20..29K”) =>

compra (X, “PC”)

[suporte = 2%, confiança = 60%]

45

DM: regras de associação

TID Produce

1 MILK, BREAD, EGGS

2 BREAD, SUGAR

3 BREAD, CEREAL

4 MILK, BREAD, SUGAR

5 MILK, CEREAL

6 BREAD, CEREAL

7 MILK, CEREAL

8 MILK, BREAD, CEREAL, EGGS

9 MILK, BREAD, CEREAL

TransaçõesConjuntos de itens

frequentesMilk, Bread (4)

Bread, Cereal (3)Milk, Bread, Cereal (2)

…

Regras:Milk => Bread (66%)

46

DM: funcionalidades

• Descrição de conceitos: caracterização e discriminação:– Dados podem ser associados em classes;

– A caracterização de uma classe ou sua discriminação em relação a outras classes é potencialmente útil;

– Generalização, sumarização, contraste das características dos dados são os objetivos.

47

DM: funcionalidades

• Classificação e predição:– Encontrar modelos (funções) que descrevem e

distinguem classes ou conceitos para futura predição;

– Ex: classificar países conforme o clima ou carros conforme o consumo;

– Apresentação: árvore de decisão, regra de classificação, rede neural;

– Predição: de valor numérico desconhecido ou perdido;

48

DM: classificação

• Principais abordagens: Estatísticas, Árvores de decisão, redes neurais…

49

DM: funcionalidades

• Agrupamento (clustering):– O rótulo (nome) da classe é desconhecido: deve-

se agrupar os dados para formar classes;

– Ex: agrupamento de casas para encontrar padrões de distribuição;

– O agrupamento é baseado na maximização da similaridade intra-classe e minimização da similaridade inter-classes.

50

DM: agrupamento

Encontrar agrupamentos“naturais” das instâncias em dados não-rotulados

51

DM: funcionalidades

• Análise de desvios (outlier analysis):– Desvio (outlier): objeto que não está em

conformidade com o comportamento geral dos dados;

– Pode ser considerado como ruído ou exceção mas é útil no caso da detecção de fraudes, análise de eventos raros, etc.

52

DM: detecção de “outliers”

Encontrar instâncias “inesperadas”

53

DM: funcionalidades

• Sumarização;

• Visualização;

• Análise de tendências e evolução:– Tendência e desvio: análise de regressão

– DM seqüencial, análise de periodicidade;

– Análise baseada em similaridade;

• Outras análises estatísticas e de reconhecimento de padrões.

54

DM: sumarização

Descrição de características de um grupo;

Usa de linguagem natural e gráfica;

Usualmente em combinação com a deteção de desvios ou outros métodos.

55

DM: visualização

Visualizar adequadamente conjuntos de dados, facilitando a análise

56

Todos os padrões descobertos são interessantes ?

• Um sistema de DM pode gerar milhares de padrões, nem todos interessantes;– Abordagem sugerida: centrada no usuário, baseada em

consultas, dirigindo a mineração;

• Medidas do grau de interesse:– Um padrão é interessante se for facilmente compreendido,

válido no conjunto de dados novo / de teste com certo grau de certeza, potencialmente útil e anteriormente desconhecido, ou validando alguma hipótese que se deseja confirmar;

57

Todos os padrões descobertos são interessantes ?

• Medidas de interesse objetivas e subjetivas:– Objetivas: baseadas em estatísticas e na

estrutura doa padrões, e.g., suporte, confiança;

– Subjetivas: baseadas na crença do usuário nos dados, e.g., novidade, não-expectativa, etc.

58

Todos os padrões interessantes são encontrados ?

• Completude: encontrar todos os padrões interessantes:– O sistema pode encontrar todos os padrões interessantes ?

– Associação x classificação x agrupamento.

• Otimização: busca apenas dos padrões

interessantes:– O sistema pode encontrar somente padrões interessantes ?

– Abordagens:

• Encontrar todos os padrões e descartar (filtrar) os não interessantes;

• Gerar apenas padrões interessantes: otimização de consultas de mineração.

59

DM: um campo multidisciplinar

Data Mining

Database Technology

Statistics

OtherDisciplines

InformationScience

MachineLearning Visualization

60

DM: esquemas de classificação

• Funcionalidade geral:– DM descritivo;

– DM preditivo.

• Visões diferentes, classificações diferentes:– Tipos de DB a serem minerados;

– Tipos de conhecimentos a serem descobertos;

– Técnicas a serem utilizadas;

– Tipos de aplicações alvo.

61

Uma visão multidimensional da classificação de DM

• DB a serem minerados:

– DB relacional, transacional, OO, OR, ativo, espacial, série-temporal, textual, multimídia, herdado, heterogêneo, Web...

• Conhecimento a ser minerado:

– Caracterização, agrupamento, associação, classificação, discriminação, tendência, desvios...

– Funções integradas e mineração em níveis múltiplos;

• Técnicas utilizadas:

– Orientada à DB, data warehouse (OLAP), aprendizagem de máquina (ML), estatística, visualização...

• Aplicações alvo:

– Varejo, telecomunicações, fraudes, DNA mining, Web mining...

62

OLAP mining: uma integração de data warehousing e DM

• Acoplamento dos sistemas de DM, DBMS e data warehouse;

– Sem acoplamento, fracamente acoplados, semi-acoplados, acoplados;

• On-line analytical mining (OLAM):

– Integração das tecnologias de OLAP e DM;

• Mineração interativa e conhecimento multi-níveis:

– Necessidade de minerar conhecimento e padrões em diferentes níveis de abstração utilizando drilling / rolling , etc.

• Integração de múltiplas funções de mineração:

– Classificação caracterizada, primeiro agrupamento e depois associação.

63

Uma arquitetura OLAM

Data Warehouse

Meta Data

MDDB

OLAMEngine

OLAPEngine

User GUI API

Data Cube API

Database API

Data cleaning

Data integration

Layer3

OLAP/OLAM

Layer2

MDDB

Layer1

Data Repository

Layer4

User Interface

Filtering&Integration Filtering

Databases

Mining query Mining result

64

Pontos centrais em DM

• Metodologia de mineração e interação com o usuário:

– Mineração de diferentes tipos de conhecimento nas DB;

– Mineração interativa em vários níveis de abstração;

– Incorporação de conhecimento de fundo (background knowledge);

– Linguagens de consulta para DM e DM ad-hoc;

– Visualização e apresentação dos resultados de DM;

– Manuseio de dados incompletos e de ruídos;

– Avaliação dos padrões: o problema do interesse.

• Performance e escalabilidade:

– Eficiência e escalabilidade dos algoritmos de DM;

– Métodos de DM paralelo, distribuído e incremental.

65

Pontos centrais em DM

• Pontos relacionados à diversidade de tipos de dados:

– Manuseio de dados relacionais e complexos;

– Mineração de fluxos de informação de DB heterogêneas e de sistemas de informação globais (Web).

• Pontos relacionados às aplicações e impactos sociais:

– Aplicações de descoberta de conhecimento:• Ferramentas de DM para domínios específicos;

• Resposta inteligente a consultas;

• Controle de processos e processo decisório.

– Integração do conhecimento descoberto ao conhecimento existente: o problema da fusão de conhecimentos;

– Proteção de dados, segurança, integração e privacidade.

66

Sumário

• Data mining: descoberta de padrões interessantes em grandes quantidades de dados;

• DM é uma evolução natural da tecnologia de DB, com grande número de possíveis aplicações;

• O processo de KDD inclui a limpeza, integração, seleção e transformação dos dados, data mining, avaliação dos padrões e apresentação do conhecimento;

• A mineração pode ser executada em vários repositórios de informação;

• Funcionalidades do DM: caracterização, discriminação, associação, classificação, agrupamento, desvios, análise de tendências, etc.

• Classificação dos sistemas de DM;

• Pontos centrais em DM.

67

Referências

• J. Han, M. Kamber. Data Mining: Concepts and Techniques. Morgan

Kaufmann, 2000.

• R. Goldschmidt; E. Passos. Data Mining: um Guia Prático. Editora

Campus, 2005.

• I.H.Witten, E. Frank. Data Mining: Practical Machine Learning Tools

and Techniques with JAVA Implementations. Morgan Kaufmann, 2000.

• P. Adriaans, D. Zantinge. Data Mining. Addison-Wesley, 1996.

• U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy.

Adv.in Knowledge Discovery and Data Mining. AAAI/MIT Press, 1996.

• A. Berson, S.J. Schimdt. Data Warehousing, Data Mining & OLAP.

McGraw-Hill, 1997.

• G. Piatetsky-Shapiro and W. J. Frawley. Knowledge Discovery in

Databases. AAAI/MIT Press, 1991.

Documents

1 Introdução à Descoberta de Conhecimento e Mineração de Dados Professor Celso A A Kaestner, Dr. Eng