introdução ao data mining -...

14
1 Introdução ao Data Mining Instituto Nacional de Estatística 20-24 de Abril de 2009 André Falcão ([email protected]) Graça Gaspar ([email protected]) Módulo 1 - Data Warehousing e Data Mining - (c) DI/FCUL 2 Sumário Data-mining e sistemas de apoio à decisão Integração de sistemas de Informação – Data-warehousing especificidades face aos sistemas de bases de dados normais Interrogações analíticas Conceitos de data-mining Perspectiva histórica – Conceitos – Objectivos – Tarefas – Problemas – Plataformas

Upload: tranphuc

Post on 02-Dec-2018

225 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

1

Introdução ao Data MiningInstituto Nacional de Estatística

20-24 de Abril de 2009

André Falcão ([email protected])Graça Gaspar ([email protected])

Módulo 1 - Data Warehousing e Data Mining -

(c) DI/FCUL2

Sumário• Data-mining e sistemas de apoio à decisão

– Integração de sistemas de Informação– Data-warehousing

• especificidades face aos sistemas de bases de dados normais– Interrogações analíticas

• Conceitos de data-mining– Perspectiva histórica– Conceitos– Objectivos– Tarefas– Problemas– Plataformas

Page 2: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

2

(c) DI/FCUL3

Data mining FAQ

• O que é data mining?– “A extração não trivial de informação implícita, previamente

desconhecida e potencialmente útil” (Frawley and Piatetsky-Shapiro1992)

– “A ciencia de extrair informação útil de grandes bancos de daos”• O que podemos conseguir com data mining?

– Os métodos de Data mining procuram detectar padrões e extrair modelos dos dados. Qualquer padrão ou modelo é uma simplificaçãoda realidade e assim tem um erro associado. Assim, para a grandemaioria dos casos não há sucesso absoluto

• Será que posso usr data mining para resolver os meus problemas?– Depende! Existem dados suficientes para serem analisados? São os

dados de qualidade?Existe um problema válido para investigar? (não trivial nem impossível)Uma resposta negativa a qualquer destas questões pode impedir o uso destas técnicas, caso contrário o uso de data mining pode ser a solução!

(c) DI/FCUL4

Enquadramento histórico

• Data mining ao longo do tempo...– De 1920-1980 – Estatística– 80s-90s com a vulgarização dos computadores e a

promessa da Inteligência Artificial - Machine learning– 2000s – Com a proliferação de grandes centros de

dados - Data mining– Os mesmos conceitos, terminologia ocasionalmente

diferente!

Page 3: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

3

(c) DI/FCUL5

Data warehousing e Data mining• Data Warehousing:

Consolidação de dados de muitas fontes num únicorepositório.– Carregamento, sincronização

periódica de réplicas.– Integração Semântica.

• Modelo analítico:Interrogações complexas, baseadas em operaçõestípicas de folhas de cálculocom vistas multidimensionaissobre os dados.

• Data Mining: Análiseexploratória; “pescar” tendências interessantes e anomalias.

(c) DI/FCUL6

Data Warehouses• Dados integrados, referentes a longos períodos, muitas

vezes aumentados com informação de sumarização. • Frequentemente com vários terabytes.• Tempos de resposta interactivos para interrogações

muito complexas; actualizações ad-hoc muito pouco comuns.

Page 4: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

4

(c) DI/FCUL7

DW e OLAP

Data warehouses• possibilitam análise de dados actuais e históricos com o

objectivo de encontrar padrões que suportem a estratégia seguida.

• Análise complexa, interactiva, exploratória de grandes conjuntos de dados obtidos por integração das várias fontes da organização (por vezes externas).

OLAP(On-Line Analytic Processing):– Dados são fundamentalmente estáticos.– Interrogações Longas só de leitura.– Define-se por contraposição a OLTP (On-Line Transaction

Processing)

(c) DI/FCUL8

OLAP vs OLTP

Cada interrogação pode envolver muitos recursos

O maior problema é geralmente o uso concorrente

Actualizações pouco frequentesActualizações frequentes

Interrogações usam enormes quantidades de informação

Interrogações agem sobre pequenas quantidades de dados de cada vez

Exemplos:•Total de vendas para cada departamento por mês•Identificar quais os CDs mais vendidos•Quais as acções com menos de 10formandos?

Exemplos:•Update do saldo•Inscrição numa acção de formação•Acrescentar CD ao carrinho de compras

Transações longas, interrogações complexas

Muitas e pequenas Transações(interrogações e updates)

OLAP – On-Line Analyticalprocessing

OLTP - On line transactionprocessing

Page 5: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

5

(c) DI/FCUL9

Esquema de DW• Sistemas típicos OLTP têm esquemas descentralizados

• A marca típica de um DW é o Esquema em Estrela (StarSchema)– As dimensões aparecem à volta das tabelas de factos

centrais

(c) DI/FCUL10

Não misturar OLAP com OLTP (I)

• Diferentes requisitos de desempenho– Processamento de transações (OLTP)

• Tempo de resposta importante • Os dados devem estar sempre actuais e serem consistentes

– Análise de dados (OLAP)• Interrogações consumem muitos recursos (CPU, memória e

largura de banda)• Operam geralmente numa imagem estática dos dados

– Interrogações OLAP podem dificultar e atrasar interrogações OLTP. Exemplo:

• Pedido com a soma das vendas pode fazer um ‘lock’ à tabela de vendas => Novas transações ficam bloqueadas!

Page 6: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

6

(c) DI/FCUL11

Não misturar OLAP com OLTP (II)

• Diferentes requisitos na modelação dos dados– Para processamento de transações (OLTP)

• Esquema normalizado para consistência• Modelos de dados complexos; muitas tabelas• Número limitado de interrogações habituais e updates

– Análise de dados (OLAP)• A simplicidade dos dados é fundamental

– Permite a utilizadores não técnicos fazer interrogações à vontade

• Esquemas desnormalizados são comuns– Poucas junções: Melhoria no desempenho das interrogações– Poucas tabelas: O esquema relacional é mais fácil de ser

compreendido

(c) DI/FCUL12

Não misturar OLAP com OLTP (III)• Análise requer dados de muitas fontes

– Um sistema OLTP está orientado para poucos processos

• E.g., actualização de contas num banco– Um sistema OLAP integra informação de muitos

processos:• Combinar vendas, compras e inventário• Analisar volumes de negócio de várias sucursais

– É frequente o aparecimento do histórico em OLAP• Identificação de padrões a longo prazo• Mudanças de padrões com o tempo

– Terminologia e os esquemas variam entre fontes de dados

• Integração de dados de várias fontes é um desafio importante e parte constituinte de qualquer sistema de DW

Page 7: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

7

(c) DI/FCUL13

Modelo de dados multidimensional

– Produto (chave: pid), – Localização (locid),– Tempo (timeid).

(c) DI/FCUL14

Modelação dimensional• Os eixos do cubo

correspondem aos atributos dos dados– Discretos ou categóricos– Dimensões

• Células contêm medidas agregadas– E.g., total de vendas, número de

unidades– Factos

• É frequente aparecerem muito mais que 3 dimensões

Abr Mai JunLis

PorCoi

Café

Chá

Cacau

Vendas

Page 8: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

8

(c) DI/FCUL15

Interrogações OLAP• Uma operação comum é agregar uma medida

segundo uma ou mais dimensões.– Obter o total das vendas.– Obter totais de vendas para cada cidade e cada

região.– Obter os 5 principais produtos em volume de

vendas.• Pivoting: Agregação selectiva

em múltiplas dimensões.– Pivoting em Localização e Tempo

resulta em: Total

63 81 144

38 107 145

75 35 110

Nte Sul Total

1995

1996

1997

176 223 339

(c) DI/FCUL16

Interrogações OLAP (II)• Roll-up: Agregação em níveis diferentes de

uma dimensão da hierarquia– Dado o total das vendas por cidade, obter por Roll-

up as vendas por região.• Drill-down: a inversa de roll-up.

– Dado o total de vendas por região, drill-down para obter o total de vendas por cidade.

– Por drill-down noutra dimensão, obter o total das vendas por produto para cada estado.

• Slicing and Dicing: operações que designam restrições por igualdade e intervalo numa ou mais dimensões.

Page 9: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

9

(c) DI/FCUL17

Exemplo OLAP (I)• Pivotagem de género/rendimento

• Drill-down com a raça

(dados AdultUCI)

(c) DI/FCUL18

Exemplo OLAP (II)• Slice and dice

Page 10: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

10

(c) DI/FCUL19

Data Mining• Data mining – descoberta de informação e padrões em

dados (Knowledge Discovery from Data – KDD)– Métodos Analíticos– Métodos Inferênciais (preditivos)

• Processo de Descoberta de Conhecimento– Selecção – obtenção de dados de várias fontes– Pré-processamento e limpeza– Transformação para um formato comum– Data mining

• Ajustamento de Modelos• Interpretação e avaliação

ETLSelection and browsing

Data Mining

OLTP SystemsData warehouse

(c) DI/FCUL20

Data Mining• Termo genérico que se aplica a vários tipos de análise

exploratória.– Regras de Associação, Árvores de decisão, Classificação,

Agrupamento, Redes de Bayes para inferência de causalidade, Visualização.

• Relacionado com aprendizagem e estatística, mas com o ênfase nas metodologias de análise e algoritmos para processamento de grandes conjuntos de dados.

• Problema “clássico”: Market Basket Analysis:– Que factores condicionam o aparecimento de outros,

descobertos por análise de quantidades colossais de dados. E.g. {fraldas} => {cerveja}

Page 11: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

11

(c) DI/FCUL21

Objectivos

• Objectivos no uso de data mining– Detecção de dependências

• Saber que atributos dependem de outros

– Modelação de comportamentos ou eventos– Análise de séries temporais e previsão– Classificação– Detecção de outliers (registos atípicos)– Inferência de valores em falta

(c) DI/FCUL22

Tarefas básicas• Interpretação e análise

– OLAP– Estatísticas e métodos gráficos (visualização)

• Classificação – mapeia os dados em grupos ou classes pre-definidas– Classificação supervisionada– Reconhecimento de padrões– Predição

• Regressão – usada para mapear uma determinada instância num valor real

• Clustering – agrupa dados semelhantes em grupos– Método não supervisionado– Segmentação– Partição

Page 12: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

12

(c) DI/FCUL23

Técnicas comuns

• Árvores de decisão• Regras de associação• Clustering• Instance based learning• Redes neuronais• Máquinas de vectores de suporte

(c) DI/FCUL24

Plataformas• Plataformas de DW tem módulos de data mining:

E.g.– Microsoft SQL Server– Oracle, – IBM, – SAP-(Business Objects)

• Plataformas estatísticas – A referência que garante o maior nível de controle, confiança e precisão dos resultados. E.g.– SAS– SPSS– S (S-plus) e R (implementação open source do S)

Page 13: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

13

(c) DI/FCUL25

Problemas em data mining (I)– Problemas nos dados

• Outliers (Ruído, Más medições)• Dados irrelevantes• Dados alterados• Dados que faltam• Dados não estruturados (multimedia, texto,...)

– Problemas nos modelos• Selecção de modelos é um procedimento complexo• Sobre-ajustamento (overfitting) – há modelos que se

adaptam bem a a uma população mas não são extrapoláveis a outras

• Bases de dados muito grandes (certos algoritmos não escalam bem)

(c) DI/FCUL26

Problemas em data mining (II)– Visualizações não apropriadas

• Gráficos incompletos ou inapropriados• Problemas de escala

– Interpretações abusivas• Correlação NÃO É Causalidade! • Decobertas de padrões inexistentes. E.g. Em 10 000 testes

para adivinhar 5 cartas (3 diferentes), 25 pessoas acertaram em todas. Logo 0.25% da população tem Percepção Extra Sensorial

– Desempenho• Certos algoritmos simples não são execuíveis por haver

muitos dados (muitas linhas e/ou muitas variáveis)• Outros algoritmos de complexidade > O(n2) colapsam

mesmo com pouca informação– A paralelização de processamento não é opção para muitos

algoritmos

Page 14: Introdução ao Data Mining - homepages.di.fc.ul.pthomepages.di.fc.ul.pt/~gg/DataMining/Slides/DataMining_INE_01.pdf · – As dimensões aparecem à volta das tabelas de factos centrais

14

(c) DI/FCUL27

Preparação de dados• Caracterização dos dados• Análise de consistência- verificar se a vriabilidade

estatística é independente do domínio• Análise do domínio - as variáveis devem ter sentido

dentro do campo de estudo• Enriquecimento dos dados - dados poderão ser

originários de várias fontes• Análise de distribuições - pesar od dados de acordo

com a sua frequência• Transformação dos dados - A informação pode ser

transformada para uma outra representação (e.g., escalamento, normalização, ACP)

• Tratamento de valores em falta - Decidir o que fazercom a informação em falta