Aula Data Mining

Tarefas, Técnicas e Ferramentas

Contexto e Motivação Data Mining – Definições KDD – Definição e Etapas Áreas de Aplicação Cases de Sucesso Abordagens e Metodologias Tarefas de Data Mining Técnicas de Data Mining Visualização de Dados em Data Mining

09/11/2010 ©2010 | Mauricio Cesar Santos da Purificação | Grupo DW-UFBA 2

Quantidades gigantescas de dados são coletados e armazenados em empresas, corporações, etc... Dados de comércio eletrônico;

Dados de navegação na internet;

Dados de compras de clientes em grandes lojas de departamentos, supermercados;

Dados de transações bancárias, ou de cartão de crédito;


Computadores mais baratos e mais potentes;

Pressão da competição;


Dados coletados e armazenados a velocidades enormes (GB/hora)

Sensores remotos em satélites;

Telescópios;

Microarrays gerando dados de expressões de genes;

Simulações científicas gerando terabytes de dados;


Técnicas tradicionais não apropriadas para analisar tais dados

Ruídos e grande dimensionalidade;


Lei de Moore: Capacidade de processamento dobra a cada 18 meses (CPU, memória, cache)

Capacidade de armazenamento dobra a cada 10 meses

O que estas duas “leis” combinadas produzem? Um gap crescente entre nossa habilidade de gerar

dados e nossa habilidade de fazer uso dele


Frequentemente existe informação “escondida” nos dados que não é evidente de ser encontrada utilizando linguagens de consultas tradicionais.

Analistas humanos podem levar semanas para correlacionar e descobrir alguma informação útil dentro de uma grande massa de dados.

Boa parte dos dados nunca é analisado: “cemitério” de dados.


Técnicas de Mineração podem ajudar analistas: Entender e prever as necessidades dos clientes

Descobrir fraudes

Descobrir perfis de comportamento de clientes

Técnicas de Mineração podem ajudar cientistas: Classificar e segmentar dados

Formular hipóteses


Mineração de dados é a busca de informações valiosas em grandes bancos de dados. É um esforço de cooperação entre homens e computadores. Os homens projetam bancos de dados, descrevem problemas e definem seus objetivos. Os computadores verificam dados e procuram padrões que casem com as metas estabelecidas pelos homens [WI99].

Mineração de dados é o processo de proposição de várias consultas e extração de informações úteis, padrões e tendências, frequentemente desconhecidos, a partir de grande quantidade de dados armazenada em bancos de dados [BT99].

Mineração de dados, de forma simples, é o processo de extração ou mineração de conhecimento em grandes quantidades de dados [HK01].



Limpeza dos dados: etapa onde são eliminados ruídos e dados inconsistentes.

Integração dos dados: etapa onde diferentes fontes de dados podem ser combinadas produzindo um único repositório de dados.

Seleção: etapa onde são selecionados os atributos que interessam ao usuário. Por exemplo, o usuário pode decidir que informações como endereço e telefone não são de relevantes para decidir se um cliente é um bom comprador ou não.


Transformação dos dados: etapa onde os dados são transformados num formato apropriado para aplicação de algoritmos de mineração (por exemplo, através de operações de agregação).

Mineração: etapa essencial do processo consistindo na aplicação de técnicas inteligentes a fim de se extrair os padrões de interesse.


Avaliação ou Pós-processamento: etapa onde são identificados os padrões interessantes de acordo com algum critério do usuário.

Visualização dos Resultados: etapa onde são utilizadas técnicas de representação de conhecimento a m de apresentar ao usuário o conhecimento minerado.



Atributos com representação inadequada para tarefa e algoritmo.

Atributos cujos valores não tenham informações adequadas.

Excesso de atributos (podem ser redundantes ou desnecessários).

Atributos insuficientes.

Excesso de instancias (afetam tempo de processamento).

Instâncias insuficientes.

Instâncias incompletas (sem valores para alguns atributos).

Assim como a mineração de dados em si, requer conhecimento sobre os dados e algoritmo que será usado!


Problemas: Redes Neurais Back-propagation só operam com valores

numéricos. Alguns algoritmos de busca de associações só operam

com valores simbólicos/discretos.

Soluções: Conversão de tipos de atributos (quando aplicável!) Remoção dos atributos inadequados. Separação em subtarefas usando os valores discretos dos

atributos.


Problemas: Atributos com baixíssima variabilidade nos valores. Atributos redundantes ou altamente correlacionados

com outros.

Soluções: Remoção dos atributos inadequados. Unificação de atributos ou derivação de novos

atributos.


Problemas: Muitos atributos → complexidade de processamento.

Correlações irrelevantes podem complicar o processo de mineração (a não ser que seja necessário descobri-las!)

Soluções:

Remoção dos atributos irrelevantes (possivelmente depois

de alguma analise).

Mudança de representação ou projeção (usando, por exemplo, PCA ou Mapas de Kohonen).


Problemas: Poucos atributos podem não possibilitar mineração

adequada (para identificar classes, por exemplo).

Soluções: Enriquecimento com dados complementares (se puderem

ser obtidos!) Enriquecimento com combinações não lineares. Data Farming. (Criação de grandes volumes de dados

através de simulação com alta performance usando modelos generativos de dados.)


Problemas: Muitas instâncias podem tornar o processamento inviável:

alguns algoritmos requerem varias iterações com os dados.

Problema relacionado: desbalanceamento de instâncias para classificação.

Soluções:

Redução por amostragem. Redução por prototipagem. Particionamento do conjunto de dados.


Problemas: Poucas instâncias podem comprometer o resultado

(que será pouco genérico ou confiável).

Casos raros podem não ser representados.

Soluções: Coleta de mais instâncias.

Data Farming.


Problemas: Dados coletados podem ter valores de atributos faltando. Por que estão faltando? Rever modelagem do processo e coleta!

Soluções: Eliminação de dados/atributos com muitos valores faltando. Completar através de proximidade/similaridade com dados

completos. Separar em conjuntos para processamento independente ou

associado.


Mineração de dados é o passo do processo de KDD que produz um conjunto de padrões sob um custo computacional aceitável;

KDD utiliza algoritmos de data mining para extrair padrões classificados como “conhecimento”. Incorpora também tarefas como escolha do algoritmo adequado, processamento e amostragem de dados e interpretação de resultados;



Vendas e Marketing

Identificar padrões de comportamento de consumidores

Associar comportamentos à características demográficas de consumidores

Campanhas de marketing direto (mailing campaigns)

Identificar consumidores “leais”


Bancos

Identificar padrões de fraudes (cartões de crédito)

Identificar características de correntistas

Mercado Financeiro ($$$)


28

Médica

Comportamento de pacientes

Identificar terapias de sucessos para diferentes tratamentos

Fraudes em planos de saúdes

Comportamento de usuários de planos de saúde

09/11/2010 ©2010 | Mauricio Cesar Santos da Purificação | Grupo DW-UFBA

Exemplo (1) - Fraldas e cervejas

O que as cervejas tem a ver com as fraldas ?

homens casados, entre 25 e 30 anos;

compravam fraldas e/ou cervejas às sextas-feiras

à tarde no caminho do trabalho para casa;

Wal-Mart otimizou às gôndolas nos pontos de

vendas, colocando as fraldas ao lado das cervejas;

Resultado: o consumo cresceu 30% .


Exemplo (2) - Lojas Brasileiras (Info 03/98)

Aplicou 1 milhão de dólares em técnicas de data mining

Reduziu de 51000 produtos para 14000 produtos oferecidos em suas lojas.

Exemplo de anomalias detectadas: – Roupas de inverno e guarda chuvas encalhadas no nordeste

– Batedeiras 110v a venda em SC onde a corrente é 220v


Exemplo (3) - Bank of America (Info 03/98)

Selecionou entre seus 36 milhões de clientes

▪ Aqueles com menor risco de dar calotes

▪ Tinham filhos com idades entre 18 e 21 anos

▪ Resultado em três anos o banco lucrou 30 milhões de dólares com a carteira de empréstimos.


Quanto ao tipo de bancos de dados: relacional, transacional, orientado-objeto, relacional-estendido, data warehouse;

Quanto ao tipo de conhecimento minerado: regras de associação, classificação, clustering, outliers, análise de sequências;


Quanto ao tipo de técnicas utilizadas: técnicas de aprendizado de máquina (Machine Learning), estatística, redes neurais, algoritmos genéticos, etc; tipos de interação com o usuário;

Quanto ao tipo de aplicações a que são dirigidos: telecomunicações, análise financeira, bioinformática, mercado de ações, comércio eletrônico;

Diferentes aplicações requerem a integração de métodos específicos.


Na busca de conhecimento direta ou supervisionada sua meta é orientada.

Existe um valor para ser prognosticado, uma classe a ser atribuída aos registros ou um determinado relacionamento para ser explorado.

Existe apenas uma vaga idéia do que se estar procurando.


Identificar as fontes dos dados selecionados para mineração;

Prepara os dados para análise; Construir e trinar o modelo computacional; Avaliar o modelo computacional.


Na busca de conhecimento indireta ou não-supervisionada não existe uma meta bem definida.

As ferramentas são mais livres na sua aplicação sobre os dados e espera-se que será descoberto alguma estrutura significante nos dados.


Identificar as fontes dos dados; Prepara os dados para análise; Construir e trinar o modelo computacional; Avaliar o modelo computacional; Aplicar o modelo computacional no novo

conjunto de dados; Identificar potenciais objetivos para busca de

conhecimento direta; Gerar novas hipóteses para teste.


Na abordagem top-down, também chamada de teste de hipótese, o usuário parte do princípio que existe uma hipótese, uma idéia pré-concebida e que mesmo deseja confirmá-la ou refutá-la.

Na abordagem bottom-up, também chamada de busca de conhecimento, o usuário inicia o processo de exploração dos dados na tentativa de descobrir alguma coisa que ainda não é de conhecimento



Tarefas: Consistem na especificação do que estamos querendo buscar nos dados, que tipo de regularidades ou categoria de padrões temos interesse em encontrar, ou que tipo de padrões poderiam nos surpreender (por exemplo, um gasto exagerado de um cliente de cartão de crédito, fora dos padrões usuais de seus gastos).


Técnicas: Consiste na especificação de métodos que nos garantam como descobrir os padrões que nos interessam.

Dentre as principais técnicas utilizadas em mineração de dados, temos técnicas estatísticas, técnicas de aprendizado de máquina e técnicas baseadas em crescimento-poda-validação.



Uma regra de associação é um padrão da forma X -> Y , onde X e Y são conjuntos de valores (artigos comprados por um cliente, sintomas apresentados por um paciente, etc).


Exemplo: “Clientes que compram pão também compram leite”

representa uma regra de associação que reflete um padrão de comportamento dos clientes do supermercado.

Descobrir regras de associação entre produtos comprados por clientes numa mesma compra pode ser útil para melhorar a organização das prateleiras, facilitar (ou dificultar) as compras do usuário ou induzi-lo a comprar mais.


Um padrão sequencial é uma expressão da forma < I1,..., In >, onde cada Ii é um conjunto de itens. A ordem em que estão alinhados estes conjuntos reflete a ordem cronológica em que aconteceram os fatos representados por estes conjuntos.


Exemplo: A sequência < {carro}, {pneu, toca-fitas} >

representa o padrão Clientes que compram carro, tempos depois compram pneu e toca-fitas de carro.

Descobrir tais padrões sequenciais em dados temporais pode ser útil em campanhas de marketing, por exemplo.


Classificação é o processo de encontrar um conjunto de modelos (funções) que descrevem e distinguem classes ou conceitos, com o propósito de utilizar o modelo para predizer a classe de objetos que ainda não foram classificados.


O modelo construído baseia-se na análise prévia de um conjunto de dados de amostragem ou dados de treinamento, contendo objetos corretamente classificados.


Exemplo: Suponha que o gerente do supermercado está

interessado em descobrir que tipo de características de seus clientes os classificam em bom comprador ou mau comprador.

Um modelo de classificação poderia incluir a seguinte regra: Clientes da faixa econômica B, com idade entre 50 e 60 são maus compradores.


Em algumas aplicações, o usuário está mais interessado em predizer alguns valores ausentes em seus dados, em vez de descobrir classes de objetos. Isto ocorre sobretudo quando os valores que faltam são numéricos.

Neste caso, a tarefa de mineração é denominada Predição.


Diferentemente da classificação e predição onde os dados de treinamento estão devidamente classificados e as etiquetas das classes são conhecidas, a análise de clusters trabalha sobre dados onde as etiquetas das classes não estão definidas.

A tarefa consiste em identificar agrupamentos de objetos, agrupamentos estes que identificam uma classe.


Exemplo: Poderíamos aplicar análise de clusters sobre o banco

de dados de um supermercado a fim de identificar grupos homogêneos de clientes;

Por exemplo, clientes aglutinados em determinados pontos da cidade costumam vir ao supermercado aos domingos, enquanto clientes aglutinados em outros pontos da cidade costumam fazer suas compras às segundas-feira;


Um banco de dados pode conter dados que não apresentam o comportamento geral da maioria. Estes dados são denominados outliers(exceções).

Muitos métodos de mineração descartam estes outliers como sendo ruído indesejado.

Entretanto, em algumas aplicações, tais como detecção de fraudes, estes eventos raros podem ser mais interessantes do que eventos que ocorrem regularmente.


Exemplo:

Podemos detectar o uso fraudulento de cartões de crédito ao descobrir que certos clientes efetuaram compras de valor extremamente alto, fora de seu padrão habitual de gastos.


O que significa um padrão ser interessante ? Fácil de ser entendido

Inesperado

Potencialmente util

Confirma uma hipotese feita pelo usuario

Tipos de medidas:

Objetivas : suporte, confiança

Subjetivas : esperadas, inesperadas


Associação


Métricas: Significância em uma associação: ela pode existir mas ser

muito rara em uma base de dados (ex. cerveja → fraldas). ▪ Suporte X → Y: numero de casos que contem X e Y dividido pelo

número total de registros.

Confiança em uma associação: o antecedente pode ocorrer

varias vezes na base de dados mas nem sempre com o mesmo consequente associado. ▪ Confiança X → Y: numero de registros que contem X e Y dividido

pelo numero de registros que contem X.


Algoritmo Apriori


Sequências


Algoritmos AprioriALL Algoritmo Apriori-Some Algoritmo GSP Algoritmo SPADE Algoritmo PrefixSpan

Sequências com Restrições

Algoritmo SPIRIT


Classificação



Métodos de classificação supervisionada: Baseados em distancias e diferenças, usando protótipos ou assinaturas: mínima distancia euclidiana e variantes. Baseados em separabilidade (entropia): hiperparalelepípedo

regular, arvores de decisão e variantes. Baseados em particionamento: redes neurais (back-

propagation), SVM (support vector machines). Baseados diretamente nos dados: vizinhos mais próximos e

similares.

Existe superposição nesta taxonomia...


Árvores de decisão: (ID3) - 1o Exemplo

Representações simples do conhecimento

Utilização de regras condicionais

A partir de um conjunto de valores decide SIM ou NÃO

Mais rápida e mais compreensível que redes neurais

Exemplo: Sair ou não de acordo com o tempo

Sair Umidade

Chuvoso Nublado Ensolarado

Tempo

Ñ Sair

Alta

Sair

Normal

Muito vento

Ñ Sair

Sim

Sair

Não

Predicado objetivo: Sair ou Não Sair


Árvores de decisão: (ID3) - 2o Exemplo

Renda > R$ 4.000,00

Dívida < 10% da renda ? Dívida = 0%

Risco de ter crédito Risco de não ter crédito Risco de ter crédito

SIM

SIM SIM NÃO NÃO

NÃO

Nesta árvore de decisões, regras são induzidas nos padrões dos dados e cria-se uma hierarquia de indicações “se-então”.

Classificação de um indivíduo com risco de ter ou não crédito

Predicado objetivo: Crédito ou Não


Redes Neurais: ▪ Para construir um modelo neural, nós primeiramente

"adestramos" a rede em um dataset de treinamento e então usamos a rede já treinada para fazer predições.

▪ Problemas:

▪ Não retorna informação a priori

▪ Não pode ser treinada em uma grande base de dados

▪ Entrada não pode ser dados alfanuméricos (mapear para numérico)

▪ Nenhuma explanação dos dados é fornecida (caixa preta)


Redes Neurais:

Exemplo prático: risco de câncer

Data mining - Clementine User Guide 09/11/2010 ©2010 | Mauricio Cesar Santos da Purificação | Grupo DW-UFBA 67

Redes Neurais: - 2o Exemplo

RENDA

REG. DE

PAGAMENTO IDADE

DÉBITO

Risco de ter

crédito

Risco de não ter crédito

As redes neurais usam seus dados de entrada. Atribui pesos nas conecções entre os atributos (neurônios).

E obtém um resultado (risco de ter ou não crédito) no nível de saída.

Nível

de entrada

Nível oculto

Nível

de saída


Agrupamento (Clusterização)


Algoritmos para criação de grupos de instâncias Similares entre si, Diferentes de instancias em outros grupos. Não-supervisionado (?)

Também conhecidos como algoritmos de

aprendizado auto organizado.

Diferença entre instancias e (protótipos de) grupos e dada por um valor: medidas de distancia ou similaridade/dissimilaridade.


Duas abordagens gerais: Particionais:

▪ Criam grupos de forma iterativa. ▪ Reparticiona/reorganiza ate atingir um limiar (tempo, erro quadrático, etc). ▪ Ao terminar fornece pertinência final de instancias a grupos.

Hierárquicos:

▪ Bottom-up: cria pequenos grupos juntando as instancias, repetindo ate atingir um critério. ▪ Top-down: considera todas as instancias como pertencentes a um grande grupo,

subdivide recursivamente este grupo.

Podem criar dendogramas: agrupamentos hierárquicos com números

alternativos de grupos.


K-Médias (Particional) Isodata Lógica Nebulosa (Fuzzy Logic) Fuzzy C-Médias Self-Organizing Maps (SOMs) Hierárquicos Aglomerativos

(BIRCH, CURE, CHAMELEON, ROCK...) Hierárquicos Divisórios

(DIANA) Baseados em Densidade

(DBSCAN,OPTICS, DENCLUE)


Outliers


Outras Técnicas


Muitas outras técnicas podem ser usadas: Pesquisa Operacional, Inteligência Artificial e

outras.

Outros modelos de redes neurais, Rough Sets, Support Vector Machines, etc.

Técnicas de algoritmos genéticos, Particle Swarm Optimization, etc.

Técnicas baseadas em sistemas imunes artificiais, biologia/vida artificial, etc.



Pode ser usada no inicio do processo de mineração... Para ter uma ideia da distribuição dos dados ou de relações entre os

dados para formulação de hipóteses; Para selecionar atributos ou regiões de dados; Para ter uma ideia de que tipos de algoritmos podem trazer resultados

para estes dados;

Pode ser usada no final do processo de mineração... Para ver as informações/regras/grupos/etc. obtidos: sumarização do

conhecimento; Para ver distribuições contextualizadas (isto e, com conhecimento

adicional adquirido integrado); Analise Explorativa/ Analise Confirmativa/Apresentação;


Desafios: Métodos e técnicas específicos. Limitações de hardware (humano e maquina!) Numero de dimensões (atributos) dos dados. Numero de instancias para visualização. “Empilhamento” e ordenação.

Vantagens: Inerentemente exploratório. Padrões detectados mesmo que não sejam explicáveis!


Ideia básica: transformações e projeções usando arranjos em um numero menor de dimensões. Scatterplot Matrices: K atributos em grade KxK.

Prosection Views: Scatterplot Matrices com mecanismos de seleção (drill-down).

Parallel Coordinates: muito bom para dados mistos, requer exploração e rearranjos.

Visualização com Mapas de Kohonen (SOMs).



Exemplo de R. Spence.





Origem do vinho a partir de conteúdo físico-químico (13 atributos) http://archive.ics.uci.edu/ml/datasets/Wine (nomes de atributos originais)





Ideia básica: usamos duas dimensões para mostrar ícones que representam outras dimensões adicionais. Interpretação deve ser feita com legendas!

Chernoff faces: atributos das faces (geometria, olhos, excentricidade, curvaturas, etc.) representam outras dimensões.

Stick figures: dimensões adicionais mapeadas para ângulos e comprimentos de segmentos de retas.




Uso de duas dimensões mais textura



Idéia básica: particionamento das dimensões em subdimensiones. Dimensional Stacking: Particionamento de N dimensões

em conjuntos de 2 dimensões.

Worlds-within-Worlds: Particionamento de N dimensões em conjuntos de 3 dimensões.

Treemap: Preenche área de visualização alternando eixos X e Y.

Cone Trees: Visualizacao interativa de dados hierárquicos.

InfoCube: Visualização hierárquica com 3D e transparência.






Technology

Aula Data Mining