descoberta de conhecimento em bases de dados - dcbd (mineração de dados, data mining) luis otavio...
TRANSCRIPT
Descoberta de Conhecimento em Bases de Dados - DCBD(mineração de dados, data mining)
Luis Otavio Alvares – II/UFRGS
Sumário
• Introdução
• Conceito de DCBD
• Tipos de descobertas
• Processo de DCBD
• Bibliografia
Introdução
• Grande quantidade de informações armazenadas em muitas áreas: comércio,indústria, governo, etc.
• Exemplos:– cada compra em um supermercado fica registrada
em um arquivo (código de barra)– todas as chamadas telefônicas (origem, destino,
horário, duração, ...)– o SUS mantém registro magnético de todos os
atendimentos realizados (hospital, data, médico, diagnóstico, procedimentos realizados, ...)
Exemplo de uso de conhecimento
Michael Dell: venda de assinaturas de jornais
BDs atuais
• BDs atuais são feitos para armazenar e recuperar rápida e eficientemente dados operacionais
• BDs atuais são úteis para recuperar dados específicos, mas não são capazes de extrair conhecimento genérico
• Exemplo: um sistema bancário recupera rapidamente as últimas movimentações ou o saldo de uma conta, mas teria dificuldade em descrever o perfil do cliente em relação a outros clientes ou determinar se ele seria um bom pagador em caso de fazer um empréstimo
• Introdução
Conceito de DCBD
• Tipos de descobertas
• Processo de DCBD
• Bibliografia
Descoberta de conhecimento em bases de dados
Objetivo: estudar e desenvolver um processo capaz de extrair conhecimento novo, útil e interessante implícito em coleções de dados (BD) e representá-lo de forma acessível para o usuário.
Descoberta de conhecimento em bases de dados
Objetivo: – descoberta de “conhecimento” a partir de
dados existentes– identificar relacionamentos entre os dados e
gerar regras para aplicar em casos futuros
Relações da DCBD com outras áreas
• O processo de DCBD utiliza conhecimento de várias áreas:– BD– IA: aprendizagem de máquina, redes neurais,
representação de conhecimento, ...– estatística
DCBD: Exemplo
Predição de consumo de água:
• Dados: – consumo diário de água– aspectos do tempo (temperatura, umidade do
ar, …)– dia da semana e do mês, feriado, férias, ...
• Objetivo: minimizar o consumo de energia elétrica no bombeamento
• Introdução
• Conceito de DCBD
Tipos de descobertas
• Processo de DCBD
• Bibliografia
Tipos de descobertas
Os dois principais objetivos de alto nível da DCBD são a descrição e a previsão
• a descrição se concentra em encontrar padrões que descrevem os dados de forma compreensível para o usuário
• a previsão envolve usar valores conhecidos de campos ou variáveis para prever o valor desconhecido ou futuro de variáveis de interesse
para isso, utiliza-se vários tipos de descoberta ou tarefas de DCBD
“Tipos” de descobertas
• Dependência (associação) entre atributos (o valor de um influencia o outro)
• Exemplos: – determinados procedimentos médicos aparecem
sempre juntos– determinados procedimento médicos aparecem
sempre associados a homens e outros a mulheres– compradores de leite geralmente compram pão na
mesma transação– em 80% das transações em que é comprada
cerveja, também é comprada batata frita
Exemplo: vendas casadas
PRODUTO APRODUTO A
PRODUTO APRODUTO A
PRODUTO BPRODUTO B
Oferta deproduto relacionado
Compra deproduto
“Tipos” de descobertas (cont.)
• Formação de agrupamentos: é uma tarefa descritiva onde se procura identificar um conjunto finito de categorias ou agrupamentos que descrevem os dados
+
+
+++
+
++
+
+ +
+
+
+
+
+
+
++
+
+++
Renda
Dívida
Agrupamento 3
Agrupamento 1
Agrupamento 2
“Tipos” de descobertas (cont.)
• Detecção de seqüências: detecção de dependências em relação ao tempo, em uma ordem determinada.
• Exemplo: – determinado procedimento médico sempre precede
outro– determinado procedimento só pode ser repetido após
um intervalo mínimo de tempo
“Tipos” de descobertas (cont.)
• Detecção de desvios: utilizada para detectar anomalias em bases de dados. Pode evidenciar problemas na qualidade dos dados, fraudes ou descobrir eventos raros
• Exemplos:– um paciente foi submetido a três cirurgias para
extração de rim– um homem submetido à cesariana– a incidência da doença “x” é bem maior no município
“y” do que nos municípios vizinhos
Exemplos de aplicações
• Cartões de crédito
• Empresas de energia elétrica e água
• SUS
exemplo: sistema de mortalidade
• Doenças “P” – Algumas afecções originadas no período perinatal:– Uruguaiana apresenta um desvio significativo em
relação a esta doença, pois foram registrados muito mais casos de morte do que o esperado.
– Porto Alegre registrou menos mortes do que a quantidade esperada, para esta doença.
• Caxias do Sul apresenta um desvio em relação às doenças “Q- malformação congênita, deformidades e anomalias cromossômicas”. Foi registrado um número de mortes significantemente maior do que o esperado para a cidade.
“Tipos” de descobertas (cont.)
• Classificação ou descrição de conceitos (aprendizado supervisionado): dado um atributo que indique a classe, o algoritmo monta uma descrição para cada classe, identificando características comuns entre os membros da classe
• exemplo: – se tem salário alto, é casado, tem conta no banco e o
valor da prestação é baixo então é bom pagador– se tem salário baixo e a prestação é alta então é mau
pagador
Exemplos de uso
• Upgrade de pacotes de TV por assinatura
• Cancelamento de assinaturas
• Análise para concessão de empréstimos bancários
• Introdução
• Conceito de DCBD
• Tipos de descobertas
Processo de DCBD
• Bibliografia
O processo de DCBD
• Pouco explorado na bibliografia
• Longo
• Trabalhoso
• Muito dependente do usuário
Metodologia CRISP-DM
• CRISP-DM = CRoss – Industry Standard Process for Data Mining
(projeto ESPRIT com vários parceiros industriais)
• Geral - não se restringe a ferramenta ou tecnologia específica
Fases do CRISP-DM
Entendimento do Negócio(ou do domínio do problema)
Identificação dos objetivos do usuário sob o ponto de vista de DCBD e preparação de um plano inicial
• Determinar os objetivos• Avaliar a situação: disponibilidade de recursos, limitações,
etc.• Determinar os objetivos da DC: objetivo, tipo de problema
(classificação, clustering,...), critérios para avaliação do modelo.
• Produzir plano do projeto
Entendimento dos Dados A partir da coleta inicial, explorar os dados,
verificando suas propriedades e qualidade
• Coletar dados iniciais• Descrever os dados
– Número de atributos e instâncias em cada arquivo– Tipos e faixas de valores dos atributos– Significado de cada atributo e sua importância para o objetivo– Estatísticas básicas para alguns atributos(média, DP, máximo,
mínimo, etc.)– Relações entre os atributos-chave
• Explorar os dados• Verificar qualidade dos dados
Preparação de Dados
Produção de um conjunto de dados adequado aos algoritmos de mineração
• Selecionar os dados• Limpar os dados• Construir dados• Integrar dados: combinar múltiplas tabelas ou outras fontes • Formatar dados: modificações sintáticas nos dados, sem alterar o
seu significado. Ex:– Primeiro atributo tem que ser uma chave única– O arquivo tem que estar em uma ordem determinada– Retirar vírgulas dos campos para gerar um arquivo com atributos
separados por vírgulas
Preparação de dados – seleção de dados
Seleção de atributos• motivos:
– Requisitos de tempo e espaço– Simplicidade do modelo gerado– Relevância dos atributos– Redundância entre atributos– Acurácia pode ser aumentada
• forma:– Manual– Por algoritmos: mais de 30 algoritmos
Preparação de dados – seleção de dados
• Seleção de instâncias (exemplos, registros)– Manual– Por algoritmos
Preparação de dados – Limpeza dos dados
Visa garantir a qualidade dos dados
• Eliminação de dados errôneos –• Padronização de dados: formato de datas, abreviaturas, valores de
atributos (ex. sexo: M ou F, 0 ou 1, Mas e Fem, ...)• Eliminação de duplicatas• Tratamento de valores ausentes
– Excluir instâncias
– Completar valores ausentes• Complemento manual• Complemento com valor constante global: ex: “desconhecido”• Complementar com o valor mais provável• Complementar com o valor médio do atributo
Preparação de dados – Construir dados
• Transformação de dados– Normalização – Transformação de valores simbólicos para numéricos– Discretização de atributos
• Criação de novos atributos. Ex: área = comprimento x largura
Cabeça Corpo Sorri Segura Classe
Triangular Triangular Sim Balão Amigo
Quadrada Quadrado Sim Balão Amigo
Redonda Redondo Sim Bandeira Amigo
Quadrada Triangular Não Espada Inimigo
Triangular Redondo Sim Espada Inimigo
Redonda Quadrado Não Bandeira Inimigo
inimigo
sorri
segura
amigo inimigo
sim não
balão espada
inimigo
bandeira ou
Cabeça Corpo Sorri Segura Mesma forma Classe
Triangular Triangular Sim Balão Sim Amigo
Quadrada Quadrado Sim Balão Sim Amigo
Redonda Redondo Sim Bandeira Sim Amigo
Quadrada Triangular Não Espada Não Inimigo
Triangular Redondo Não Espada Não Inimigo
Redonda Quadrado Não Bandeira Não Inimigo
mesma-forma
amigo inimigo
sim não
mesma-forma
amigo inimigo
sim não
Modelagem
Corresponde a fase de Mineração de Dados utilizada por outros autores
• Selecionar a técnica de modelagem• Gerar projeto de teste• Construir modelo: mineração propriamente dita (aplicação do
algoritmo)• Avaliar modelo
Avaliação
• Interpretar e avaliar os resultados em relação aos objetivos do usuário
• Avaliar resultados• Revisar o processo• Determinar próximos passos: ir para a fase final de
disponibilização ou voltar para alguma etapa anterior
Disponibilização
• Planejar disponibilização: decidir a estratégia para a integração dos resultados obtidos no ambiente da organização
• Planejar monitoramento e manutenção: • Produzir relatório final• Revisar o projeto: avaliar pontos positivos e negativos do
projeto, problemas e sugestões
DESAFIOS:
Descoberta de Conhecimento em Bases de Dados
0
10
20
30
40
50
60
70
80
Identificaçãodo domínio
Preparaçãodo dados
Mineraçãode dados
Análise dosresultados
Esforço (%)
Etapa
Fonte: Adriaans
• Introdução
• Conceito de DCBD
• Tipos de descobertas
• Processo de DCBD
Bibliografia
Bibliografia
• ADRIAANS, Pieter, ZANTINGE, Dolf. Data Mining. Harlow :
Addison-Wesley, 1997. 158p.
• FAYYAD, Usama M. et al. Advances in Knowledge Discovery
and Data Mining. Califórnia : American Association for Artificial
Intelligence, 1996. 611p.
• BERRY, Michael J. A.; LINOFF, Gordon. Data Mining techniques
for marketing, sales and custumer support. New York: John
Wiley, 1997. 454p.
• PYLE, Dorian. Data preparation for data mining. San Diego: Academic Press, 1999. 540p.