introdução à descoberta de conhecimento e mineração de dados
Post on 03-Jan-2016
34 Views
Preview:
DESCRIPTION
TRANSCRIPT
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.
Introdução: por que Data Mining ?
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 ?
Introdução: por que Data Mining ?
6
Fonte: Curso de Piatetsky-Shapiro
Introdução: por que Data Mining ?
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
Introdução: por que Data Mining ?
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
Introdução: por que Data Mining ?
– Estamos nos
afogando em
dados, mas
sedentos por
informação!
10
Introdução: por que Data Mining ?
• 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
Introdução: o que é data mining ?
Dilbert explica ...
14
Introdução: o que é data mining ?
• 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
Introdução: o que é data mining ?
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
Análise e gerenciamento de mercado
• 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
Análise e gerenciamento de mercado
• 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
Análise e gerenciamento de mercado
• 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
Detecção e gerenciamento de fraudes
• 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 e gerenciamento de fraudes
• 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
Detecção e gerenciamento de fraudes
• 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
Alguns conceitos fundamentais
• 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
Alguns conceitos fundamentais
• 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.
top related