minería de datos inteligente - iii-lidiweblidi.info.unlp.edu.ar/catedras/md_si/01_extraccion...
Post on 20-May-2018
213 Views
Preview:
TRANSCRIPT
MINERÍA DE DATOS
weblidi.info.unlp.edu.ar/catedras/MD_SI/
Prof. Laura Lanzarini
Extracción de conocimiento en BBDD 2
A fines de los ‘80 apareció un nuevo campo de investigación llamado KDD (Knowledge Discovery in Databases)
KDD es el proceso no trivial de identificar patrones
a partir de los datos con las siguientes características:
Válidos
Novedosos
Potencialmente útiles
Comprensibles
Cómo obtener conocimiento?
PATRONES
y MODELOS
Aplicaciones 4
Análisis de bases de datos y soporte de decisiones
Análisis y gestión de mercado
Detección de Fraudes
Análisis de riesgo crediticio
Otras Aplicaciones
Minería de Texto
Minería de Datos en educación
Data Stream Mining
Minería de Datos vs otras disciplinas
Los sistemas tradicionales de explotación de datos están basados en la existencia de hipótesis o modelos previos.
Problemas
Quien formula la hipótesis debe saber cuál es la información que necesita.
La complejidad de los datos almacenados y sus interrelaciones dificulta la verificación del modelo.
La Minería de Datos busca el descubrimiento del conocimiento sin una hipótesis preconcebida.
Tipo de conocimiento a extraer 6
Descriptivo
Muestran nuevas relaciones entre las variables.
Pueden ser utilizadas para mejorar el modelo.
Ej: Reglas de asociación, correlaciones, etc.
Predictivo
En base al modelo que gobierna el sistema es posible predecir hechos futuros.
Soluciones basadas en Redes Neuronales y Algoritmos Genéticos ofrecen mejores resultados que los enfoques estadísticos.
Ej: Clasificación, Agrupamiento (clustering), etc.
Ej.1 : Análisis de créditos bancarios
Reglas obtenidas
Si cuentas-Morosas > 0 entonces Devuelve-credito = no
Si Cuentas-Morosas=0 Y
[(Salario>2500) O (D-credito>10)] entonces
Devuelve-credito= si
IDC D-créditos
(años)
C-créditos
(pesos)
Salario
(pesos)
Casa
propia
Cuentas
Morosas
… Devuelve
crédito
101 15 60000 2200 Si 2 … no
102 2 30000 3500 Si 0 … Si
103 9 9000 1700 Si 1 … No
104 15 18000 1900 No 0 … Si
105 10 24000 2100 no 0 … No
… … … … … … … …
7
Ejemplo 2
Se busca predecir si el tipo de fármaco que se
debe administrar a un paciente afectado de rinitis
alérgica es el habitual o no.
8
DrugY DrugC DrugX DrugA DrugB
Ejemplo 2
Para ello se hará uso de la información disponible en los historiales
clínicos de pacientes atendidos previamente. Las variables que se
recogen son:
Age: Edad
Sex: Sexo
BP (Blood Pressure): Tensión sanguínea.
Cholesterol: nivel de colesterol.
Na: Nivel de sodio en la sangre.
K: Nivel de potasio en la sangre.
Cada paciente ha sido medicado con un único fármaco de entre
cinco posibles: DrugA, DrugB, DrugC, DrugX, DrugY.
9
Ejemplo 2
Nro. Age Sex BP Colesterol Na K Drug
1 23 F HIGH HIGH 0,792535 0,031258 drugY
2 47 M LOW HIGH 0,739309 0,056468 drugC
3 47 M LOW HIGH 0,697269 0,068944 drugC
4 28 F NORMAL HIGH 0,563682 0,072289 drugX
5 61 F LOW HIGH 0,559294 0,030998 drugY
… … … … … … … …
… … … … … … … …
… … … … … … … …
197 16 M LOW HIGH 0,743021 0,061886 drugC
198 52 M NORMAL HIGH 0,549945 0,055581 drugX
199 23 M NORMAL NORMAL 0,78452 0,055959 drugX
200 40 F LOW NORMAL 0,683503 0,060226 drugX
10
El archivo contiene 200 muestras de pacientes atendidos previamente.
Ej.2. Arbol de Clasificación
Ej.2. Arbol simplificado
Ejemplo: Seguridad en redes
Ataque Cantidad back. 300 guess_passwd. 8 imap. 1 ipsweep. 80 land. 1 loadmodule. 1 neptune. 2793 nmap. 21 normal. 4058 phf. 1 pod. 10 portsweep. 15 smurf. 2689 teardrop. 20
0
500
1000
1500
2000
2500
3000
3500
4000
4500
Fases del proceso de KDD 14
Fases del proceso de KDD
Depende del objetivo fijado
Fases del proceso de KDD
Por qué es necesaria?
Fase de Preparación de los Datos
La información almacenada siempre tiene
Datos faltantes
Valores extremos
Inconsistencias
Ruido
Tareas a realizar
Limpieza (ej: resolver outliers e inconsistencias)
Transformación (ej:discretización)
Limpieza de los datos
En primer lugar, debe tenerse en cuenta que hay
distintos tipos de variables o atributos.
Para cada tipo se deberá realizar un análisis de
sus valores.
Luego, se procederá a limpiarlos
Eliminando los valores con ruido
Determinando que hacer con los valores nulos.
Eliminando inconsistencias
Tipos de variables
Cuantitativas o numéricas
DISCRETAS (cant. de empleados, cant. de alumnos, etc)
CONTINUAS (sueldo, metros cuadrados, beneficios, etc)
Cualitativas o categóricas
NOMINALES: nombran al objeto al que se refieren sin poder establecer un orden (estado civil, raza, idioma, etc.)
ORDINALES: se puede establecer un orden entre sus valores (alto, medio, bajo, etc)
Analizando los datos disponibles
Se busca determinar una primera medida de
calidad de los datos
Variables Categóricas
Análisis de frecuencia mediante histogramas o gráficos de
sectores permitirán detectar valores nulos o fuera de rango.
Variables Cuantitativas
Utilizar medidas tales como: mínimo, máximo, media,
varianza, moda, mediana, etc.
También pueden usarse gráficos como los diagramas de
cajas o los histogramas.
Ejercicio Whisky.xls
Se ha relevado la siguiente información de 35
marcas de whisky
PRECIO: es el precio de una botella de whisky en
francos.
MALTA : es la graduación de malta en porcentaje
CATEGORIA : categoría comercial del whisky
AÑEJAMIENTO : Tiempo de añejamiento en meses
APRECIACION: Calificación de cada whisky por un
jurado de expertos catadores.
weblidi.info.unlp.edu.ar/catedras/MD_SI/
Ejercicio Whisky.xls
¿Cuáles son las variables a analizar y cómo
clasificaría a c/u?
Indique al menos dos formas de graficar la
información de cada variable.
weblidi.info.unlp.edu.ar/catedras/MD_SI/
Histograma Whisky.xls
Atributo PRECIO
Centro del Intervalo
Frecuencia
63,75 7
81,25 19
98,75 5
116,25 2
133,75 1
151,25 1
Diagrama de Barras Whisky.xls
Atributo CALIDAD
Diagrama de Caja Whisky.xls
Atributo PRECIO
Hay valores fuera
de rango?
RIC 18,5
min 45,25
max 119,25
Minimo 55
1er.Cuartil 73
2do.Cuartil 83
3er.Cuartil 91,5
Maximo 160
¿Qué es un diagrama de cajas?
Es un gráfico que permite visualizar un conjunto
de valores.
Brinda información sobre los valores mínimo y
máximo y los cuartiles.
Permite determinar la existencia de valores
atípicos y la simetría de la distribución.
¿Cómo se obtiene el diagrama de cajas?
Paso 1: Calcular la mediana
La mediana de una muestra es un valor numérico que
divide la muestra en dos partes con la misma cantidad
de elementos.
Cómo se calcula?
Primero hay que ordenar los valores de la muestra.
Luego, si la cantidad de elementos es impar, la mediana es
el elemento central de la muestra.
Si la cantidad de elementos es par, la mediana es el
promedio de los dos valores centrales.
Ejemplo
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 14, 18, 2, 20, 12
Calcular la mediana
Ejemplo 1
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 14, 18, 2, 20, 12
Calcular la mediana
Ordenar la lista de valores
2 7 12 14 14 15 18 20 40
La cantidad de elementos es 9 (impar) por lo tanto el
valor que se encuentra en el centro de la muestra
ordenada es la mediana
Ejemplo 2
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 18, 2, 20, 12
Calcular la mediana
Ordenar la lista de valores
2 7 12 14 15 18 20 40
La cantidad de elementos es 8 (par) por lo tanto la
mediana es el promedio de los dos valores centrales
es decir que su valor es (14+15)/2=14.5
¿Cómo se obtiene el diagrama de cajas?
Paso 2: Calcular el 1er. y el 3er. cuartil
Los cuartiles son valores que dividen a la muestra en 4
partes con la misma cantidad de elementos.
Cómo se calcula el primer cuartil?
Tomar el primer segmento incluyendo la mediana si la
cantidad de elementos de la muestra original es impar, es
decir, si la mediana coincide con un valor de la muestra.
Repetir el mismo proceso utilizado para la calcular la
mediana.
Para el 3er.cuartil repetir el proceso con el 2do.
segmento
Ejemplo 1
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 14, 18, 2, 20, 12
Antes calculamos la mediana
Lista de valores ordenados
2 7 12 14 14 15 18 20 40
MEDIANA
Como la mediana es uno de los valores de la
muestra se incluye este valor en el segmento a
dividir.
Ejemplo 1
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 14, 18, 2, 20, 12
Antes calculamos la mediana
Lista de valores ordenados
2 7 12 14 14 15 18 20 40
MEDIANA
Como la mediana es uno de los valores de la
muestra se incluye este valor en el segmento a
dividir.
Ejemplo 1
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 14, 18, 2, 20, 12
Calcular el primer cuartil
2 7 12 14 14 15 18 20 40
1er.cuartil
Ejemplo 1
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 14, 18, 2, 20, 12
Calcular el primer cuartil
2 7 12 14 14 15 18 20 40
3er.cuartil
Ejemplo 2
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 18, 2, 20, 12
Antes calculamos la mediana
Lista de valores ordenados
2 7 12 14 15 18 20 40
MEDIANA = 14.5
Como la mediana NO es uno de los valores de la
muestra cada segmento tiene sólo 4 elementos.
Ejemplo 2
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 18, 2, 20, 12
Calcular el primer cuartil
2 7 12 14 15 18 20 40
1er.cuartil = (7+12)/2 = 9,5
Ejemplo 2
Se dispone de los siguientes valores de cierto
atributo 15, 14, 40, 7, 18, 2, 20, 12
Calcular el primer cuartil
2 7 12 14 15 18 20 40
3er.cuartil = (18+20)/2 = 19
Diagrama de Caja
Calcular el diagrama de caja correspondientes a
los siguientes valores de cierto atributo
15, 14, 40, 7, 14, 18, 2, 20, 12
3er.cuartil 1er.cuartil
Mediana = 2do.cuartil
3er cuartil 18.00
Mediana 14.00
1er. cuartil 12.00
Cómo se calculan los bigotes?
Calcular el Rango Intercuartil (RI)
RI = 3er.cuartil – 1er.cuartil
Los bigotes indican el rango de los valores de la
muestra comprendidos en el intervalo
[1er.cuartil – 1.5 * RI ; 3er.cuartil + 1.5 * RI]
Diagrama de Caja
Dada la muestra 15, 14, 40, 7, 14, 18, 2, 20, 12
Luego RI = 18-12 = 6. Los bigotes cubren los
valores de la muestra entre 12-1.5*6=3 y
18+1.5*6=27.
El primer valor mayor que 3 es 7.
El primer valor inferior a 27 es 20.
3er cuartil 18.00
Mediana 14.00
1er. cuartil 12.00
Diagrama de Caja
Calcular el diagrama de caja correspondientes a
los siguientes valores de cierto atributo
15, 14, 40, 7, 14, 18, 2, 20, 12
3er.cuartil 1er.cuartil
Mediana = 2do.cuartil
3er cuartil 18.00
Mediana 14.00
1er. cuartil 12.00
7 20
Diagrama de Caja
Calcular el diagrama de caja correspondientes a
los siguientes valores de cierto atributo
15, 14, 40, 7, 14, 18, 2, 20, 12
3er.cuartil 1er.cuartil
Mediana = 2do.cuartil
3er cuartil 18.00
Mediana 14.00
1er. cuartil 12.00
7 20
Fuera de
rango
Fuera de
rango
Ejemplo 2
Calcule el diagrama de caja de la muestra
15, 14, 40, 7, 18, 2, 20, 12
Antes vimos que
3er cuartil 19.00
Mediana 14.50
1er. cuartil 9.50
http://boxplot.tyerslab.com/
BoxPlotR
http://boxplot.tyerslab.com/
BoxPlotR
http://boxplot.tyerslab.com/
BoxPlotR
http://boxplot.tyerslab.com/
Limpieza - Variables con ruido
Las variables con ruido tendrán valores que caen
fuera del rango de sus valores esperados llamados
outliers.
Por qué se originan?
Error humano en la carga de datos (ej: una persona
puede aparecer con una altura de 5 metros).
Determinados cambios operacionales no han sido
registrados en el proceso.
Es preciso analizar los metadatos
http://rapid-i.com
RAPID MINER HERRAMIENTA DE MINERÍA DE DATOS
RAPID MINER
• Es un entorno para experimentación de análisis de
datos que posee implementadas distintas
estrategias de Minería de Datos.
• Es de distribución libre.
• Opera a través de la conexión de componentes
visuales.
EJEMPLO : WHISKY.XLS
• Utilicemos Rapid Miner para analizar la información disponible.
• Antes de comenzar, asegúrese de que dispone del archivo WhiskyConFaltantes.xls.
• De no ser así, puede descargarlo de siguiente URL
weblidi.info.unlp.edu.ar/catedras/MD_SI/
Read Excel
Arrastrar y soltar
sobre el área Main
Process
whiskyConFaltantes.xls
El paso 2 permite elegir la hoja con
los datos cargar dentro del archivo
Excel.
Como es la correcta, no es
necesario indiciar nada aquí
Seleccione Name
Cada variable tiene
su tipo identificado.
Verifique que aquí
aparecen los nombres de
los atributos
Para armar algunos
modelos es preciso
indicar cual es el
atributo que identifica
la clase
Quite el tilde Cambiar a
Polynominal
Conectar y ejecutar
Permiten alternar entre los
datos y el proceso
Limpieza - Valores faltantes
Qué hacer con los valores nulos?
Ignorar la tupla.
Rellenar la tupla manualmente.
Usar una constante global para rellenar el valor nulo.
Utilizar el valor de la media u otra medida de centralidad para rellenar el valor.
Utilizar el valor de la media u otra medida de centralidad de los objetos que pertenecen la misma clase.
Utilizar alguna herramienta de Minería de Datos para calcular el valor más probable.
Reemplazando los valores faltantes
Reemplazando los valores faltantes
Falta configurarlo
Reemplazando los valores faltantes
Operación a realizar
Reemplazando los valores faltantes
Verifique que no hay datos faltantes
Diagrama de Cajas (Quartile Color)
¿Puede afirmarse
que la Calidad 3
tiene más
ejemplos que la
Calidad 2?
Atributo CATEGORIA
Utilice el operador
MAP
Atributo CATEGORIA
Falta configurar
Atributo CATEGORIA
Atributo CATEGORIA
Verifique los resultados
Transformación de atributos
Es una de las etapas más importantes porque de
ella depende el éxito del proceso.
Los atributos serán transformados según las
necesidades del algoritmo a aplicar.
Es probable que deban derivarse variables nuevas.
También es posible que se reduzcan variables
convirtiéndolas en información más significativa.
Transformación de atributos
Reducción de dimensionalidad
Cambia el espacio de entrada por otro que tiene
menor dimensión.
Se busca mejorar la relación entre la cantidad de
ejemplos y la cantidad de atributos.
Ejemplos
Análisis de componentes principales (PCA)
Red SOM (self-organizing maps)
Transformación de atributos
Aumento de la dimensionalidad a través de la
creación de características
Atributos numéricos : se utiliza suma, resta, producto,
división, máximo, mínimo, media, cuadrado, raíz cuadrada,
seno, coseno, etc.
Fechas: brindan poca información si se las usa directamente.
«Fecha»
03/09/2012
«Mes» : 9
«DiaSem» : lunes
«DiaHabil» : TRUE
Transformación de atributos
Aumento de la dimensionalidad a través de la
creación de características
Atributos nominales:
Se utilizan las operaciones lógicas, igualdad o
desigualdad, condiciones M-de-N (TRUE si al menos M
de las N condiciones son verdaderas).
Se puede generar un valor numérico a partir de
valores nominales, por ejemplo, las variables X-de-N
(retorna el entero X de las N condiciones que son
ciertas)
Ejemplo de creación de atributos
Atributo derivado Fórmula
Indice de obesidad Altura2 / peso
Hombre familiar Casado, varón e (hijos > 0)
Síntomas SARS 3-de-5 (fiebre alta, vómitos, tos, diarrea, dolor de
cabeza)
Riesgo de póliza X-de-N (edad<25, varón, años que conduce<2, vehículo
deportivo)
Beneficios Brutos Ingresos – Gastos
Beneficios netos Ingresos – Gastos – Impuestos
Desplazamiento Pasajeros * kilómetro
Duración media Segundos de llamada / número de llamadas
Densidad Población / Area
Retardo compra Fecha compra – Fecha campaña
Generando un nuevo atributo
Generemos un nuevo atributo
utilizando el componente
Generate Attributes
Operador Generate Attributes
Antes de
ejecutarlo haga
click aquí para
configurarlo
Generando un nuevo atributo
Generación de un nuevo atributo
Nombre del
nuevo atributo
definición
Generación de un nuevo atributo
if (Precio<=100,"NO","SI")
Histograma del atributo generado
Ejercicio
El atributo Precio presenta valores fuera de rango
extremos.
Genere un nuevo atributo VALOR que contenga los
mismos valores que el atributo Precio salvo que en
caso de ser un valor extremo cambiará su valor por
el más cercano dentro de la muestra que no se
encuentre fuera de rango.
Transformación de atributos
Discretización
Convierte un valor numérico en un nominal ordenado
(que representa un intervalo o "bin")
Ejemplo: Podemos transformar
la edad de la persona en categorías: [0,12] niño,
(12-21) joven, [21,65] adulto y >65 anciano.
La calificación de un alumno en: [4,10] aprobado o
[0,4) desaprobado
Transformación de atributos
Discretización
Puede discretizarse en un número fijo de intervalos. El
ancho del intervalo se calcula
Dividiendo el rango en partes iguales
Dividiendo la cantidad de ejemplos en partes iguales
(igual frecuencia)
También puede definirse la cantidad de elementos por
intervalo
Discretización en Rapid Miner
Discretización por
intervalos (bins)
iguales
Discretización en 4 intervalos
Discretize by binning (number of bins = 4)
Discretización en 4 intervalos
Discretize by binning (number of bins = 4)
Discretización en Rapid Miner
Discretización por
frecuencia
Discretización en 4 intervalos
Discretize by frequency (number of bins = 4)
Discretización en 4 intervalos
Discretize by frequency (number of bins = 4)
Discretización en Rapid Miner
Discretización
indicada por el
usuario
Discretize by User Specification
Discretize by User Specification
Discretización en 3 intervalos
Discretize by User Specification
Discretización en 3 intervalos
Transformación de atributos
Numerización
En ocasiones los atributos nominales u ordinales deben
convertirse en números.
Para los nominales suele utilizarse una representación
binaria y para los ordinales suele utilizarse una
representación entera.
Es importante considerar que si se numeran en forma
correlativa los valores de un atributo nominal se
agrega un orden que originalmente no está presente
en la información disponible.
Conversión de tipos con RM
Nominal de Numérico
Indica el tipo de
codificación a utilizar
Transformación de atributos
Normalización
Se aplica según el modelo que se va a construir.
La más común es la normalización lineal uniforme
Es muy sensible a valores fuera de rango (outliers).
Si se recortan los extremos se obtiene valor negativos
y/o mayores a 1.
Transformación de atributos
Normalización
Existen otras transformaciones. Por ejemplo, si los datos
tienen distribución normal se pueden tipificar
De esta forma los datos se distribuyen normalmente
alrededor de 0 con desviación 1.
Normalización
Normalización usando RM
Indica el método a
aplicar
Relación de Atributos
Puede utilizarse el operador Correlation Matrix
para calcular la matriz de correlación.
Matriz de Correlación
Antes de utilizarlo numerizamos el atributo
CATEGORIA utilizando una representación de
entero único.
Matriz de correlación
Qué significa?
Para obtener esta matriz todos los atributos deben ser
numéricos y ninguno debe estar seleccionado como label
Correlación con el atributo label
Una forma alternativa de obtener el coeficiente de
correlación con el atributo que indica la clase
Correlación con el atributo label
Whisky.xls
Correlación con el atributo label
El atributo CALIDAD fue el seleccionado como label
Coeficiente de correlación lineal
Covarianza y desvío estandar
Coeficiente Chi cuadrado
Permite comparar dos variables cualitativas
Caso Whisky – Coef. Chi2
Valores OBSERVADOS
Categ \ Calidad 0 1 2 3 4 CATEG
Estandard 0 2 7 5 3 17
Lujo 4 0 5 2 0 11
Pura_Malta 1 0 1 3 2 7
CALIDAD 5 2 13 10 5 35
Caso Whisky – Coef. Chi2
Valores ESPERADOS
Categ \ Calidad 0 1 2 3 4 CATEG
Estandard 2.43 0.97 6.31 4.86 2.43 17
Lujo 1.57 0.63 4.09 3.14 1.57 11
Pura_Malta 1 0.40 2.60 2 1 7
CALIDAD 5 2 13 10 5 35
Caso Whisky – Coef. Chi2
Valores ESPERADOS
Categ \ Calidad 0 1 2 3 4 CATEG
Estandard 2.43 0.97 6.31 4.86 2.43 17
Lujo 1.57 0.63 4.09 3.14 1.57 11
Pura_Malta 1 0.40 2.60 2 1 7
CALIDAD 5 2 13 10 5 35
13*17/35 = 6.31
10*11/35 = 3.14 2*7/35 = 0.40
Caso Whisky – Coef. Chi2
Coeficiente Chi2 en RP
Caso Whisky – Coef. Chi2 con RP
Verifique que la
etiqueta (label)
CALIDAD sea
cualitativa
Caso Whisky – Coef. Chi2 con RP
Ejecute y verifique
Caso Whisky – Coef. Chi2 con RP
Ejecute y verifique
Fases del proceso de KDD
Pasemos a la fase de modelado
Fase de Modelado
Es la fase central del descubrimiento del
conocimiento.
Se usan los datos procesados previamente y se les
aplican los algoritmos de búsqueda del
conocimiento.
Hay distintos tipos de algoritmos según el modelo
que se desee obtener.
La elección del algoritmo a aplicar depende del
tipo de problema de resolver.
Ej.de problemas de Data Mining
Predecir el nivel de morosidad de un cliente.
Saber quienes son mis clientes.
Encontrar el perfil del comprador del producto A.
Encontrar los síntomas de enfermedades que suelen aparecen juntos.
Encontrar las características de la población fumadora.
Detectar alumnos en escuelas con alto riesgo de fracaso escolar.
Clasificación de problemas
Problemas descriptivos: Aquellos cuya meta es
encontrar una descripción de los datos en estudio
Ejemplos: cuales son los clientes de una organización,
qué productos habitualmente se compran juntos.
Problemas Predictivos : Aquellos que buscan
obtener un modelo que en un futuro pueda ser
aplicado para predecir comportamiento
Ejemplo: poder predecir si un cliente nuevo que llega al
banco pidiendo un préstamo va a devolverlo o no.
Tipos de problemas descriptivos
Problemas de Clustering
Buscan agrupar los datos de manera de formar grupos
lo más homogéneos que sea posible.
Ejemplo: Hallar el perfil de los clientes del producto A.
Problemas de asociación
Buscan obtener relaciones entre los valores de los
atributos de una base de datos.
Ejemplo: Qué productos se compran juntos?
Tipos de problemas predictivos
Problemas de clasificación
Aquellos en los que la variable a predecir tiene un número finito de valores (variable categórica).
Ejemplo: se busca obtener un modelo que dado un nuevo cliente pueda clasificarlo como “bueno”, “regular” o “malo”.
Problemas de predicción de valores
Aquellos en los que la variable a predecir es numérica.
Ejemplo: Obtener un modelo que dado un paciente nuevo determine la probabilidad de que tenga cierta enfermedad.
Técnicas para problemas descriptivos
Problemas de Clustering
K – Medias
Redes Neuronales SOM (self-organizing maps)
Problemas de asociación
Reglas de Asociación
Arboles de decisión
Técnicas para problemas predictivos
Problemas de clasificación
Arboles de clasificación
Reglas de clasificación
Redes Neuronales
Problemas de predicción de valores
Redes Neuronales con entrenamiento por
gradiente.
134
Técnicas de Minería de Datos
Analizaremos
Arboles de decisión
Reglas de clasificación y asociación
Redes Neuronales
Técnicas de clustering
Fases del proceso de KDD
Es un proceso iterativo que puede
llevar a repetir las fases anteriores
top related