A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

1/18/2014MD - Prof. Paulemir Campos1 UPE – Caruaru – Sistemas de Informação Disciplina: Mineração de Dados Prof.: Paulemir G. Campos Modelos de Mineração.

Apresentações semelhantes


Apresentação em tema: "1/18/2014MD - Prof. Paulemir Campos1 UPE – Caruaru – Sistemas de Informação Disciplina: Mineração de Dados Prof.: Paulemir G. Campos Modelos de Mineração."— Transcrição da apresentação:

1 1/18/2014MD - Prof. Paulemir Campos1 UPE – Caruaru – Sistemas de Informação Disciplina: Mineração de Dados Prof.: Paulemir G. Campos Modelos de Mineração de Dados

2 1/18/2014MD - Prof. Paulemir Campos2 Roteiro da Aula Introdução; Técnicas de Mineração de Dados; Aplicações; Referências.

3 1/18/2014MD - Prof. Paulemir Campos3 Introdução Basicamente compreende os diversos algoritmos de aprendizado de máquina, tais como: Classificação: Regressão Linear; Redes MLP e RBF; Árvores de Decisão ID3 e C4.5; Regras de Classificação.

4 1/18/2014MD - Prof. Paulemir Campos4 Introdução Basicamente compreende os diversos algoritmos de aprendizado de máquina, tais como (Cont.): Cluster ou Agrupamento: K-Means; Regras de Associação: APRIORI A seguir serão descritos alguns destes.

5 1/18/2014MD - Prof. Paulemir Campos5 Regressão Linear Utiliza uma representação matemática linear para detectar algum padrão presente nos dados observados. Modelo clássico de regressão linear: Y = X. + onde: Y é o vetor n x 1; X é uma matriz n x (p+1) do modelo; é uma matriz (p+1)x1 de parâmetros desconhecidos e é um vetor de erros aleatórios nx1.

6 1/18/2014MD - Prof. Paulemir Campos6 Regressão Linear - Exemplo

7 1/18/2014MD - Prof. Paulemir Campos7 Árvores de Decisão Um método "divide e conquista" para o problema de aprendizado de um conjunto de instâncias independentes, onde a classificação é dada pelo nó folha, partindo-se da raiz da árvore. Principais algoritmos: ID3 e C4.5.

8 1/18/2014MD - Prof. Paulemir Campos8 Árvores de Decisão Algoritmo Básico: A árvore é construída recursivamente de cima para baixo no modo dividir para conquistar; No início todos os exemplos se encontram na raiz; Os atributos são discretos (os atributos contínuos são discretizados previamente); Os exemplos são particionados recursivamente com base em atributos selecionados; Os atributos são selecionados heuristicamente ou através de uma critério estatístico (ex., ganho de informação).

9 1/18/2014MD - Prof. Paulemir Campos9 Árvores de Decisão Condições de parada: Todas as amostras de um dado nó pertencem a mesma classe; Não há mais atributo disponível para futuras partições – usa-se voto da maioria para classificar a folha; Não há mais exemplos disponíveis.

10 1/18/2014MD - Prof. Paulemir Campos10 Árvores de Decisão - Exemplo

11 1/18/2014MD - Prof. Paulemir Campos11 Regras de Classificação É uma alternativa popular para árvores de decisão. Os antecedentes de uma regra equivalem aos nós que vão sendo testados até se atingir o nó folha, que é o conseqüente dessa regra.

12 1/18/2014MD - Prof. Paulemir Campos12 Regras de Classificação Exemplos: Se Aumento_de_Salario_1_ano > 2.5 e Estututo_de_Feriados > 10 Então Candidato_a_Promocao = Bom Se Aumento_de_Salario_1_ano =< 2.5 Então Candidato_a_Promocao = Ruim

13 1/18/2014MD - Prof. Paulemir Campos13 K-Means Dado k, o algoritmo k-means é implementado em 4 passos: Partição dos objetos em k grupos não vazios; Defina as sementes como os centróides dos grupos da partição atual; Associe cada objeto ao grupo cuja semente é a mais próxima ao mesmo; Volte para o passo 2 até que não haja novas associações de objetos a algum grupo.

14 1/18/2014MD - Prof. Paulemir Campos14 K-Means - Exemplo

15 1/18/2014MD - Prof. Paulemir Campos15 K-Means Pontos Fortes É relativamente eficiente; Geralmente encontra um ótimo local. Pontos Fracos Aplicável apenas quando a média é definida; É necessário especificar a priori k, o número de grupos; É sensível a ruídos e valores aberrantes; Não é apropriado para a descoberta de grupos não esféricos.

16 1/18/2014MD - Prof. Paulemir Campos16 Regras de Associação Diferem das regras de classificação devido a poderem predizer qualquer atributo, não somente a classe. Assim, dão a liberdade de predizer também combinações de atributos.

17 1/18/2014MD - Prof. Paulemir Campos17 Regras de Associação Conceitos Básicos: Dados: (1) conjunto de transações, (2) cada transação é uma lista de itens (comprados por um cliente em uma visita); Achar: todas as regras que correlacionam a presença de um conjunto de itens com a presença de outro conjunto de itens em uma mesma transação.

18 1/18/2014MD - Prof. Paulemir Campos18 Regras de Associação Exemplo: Dado: 98% das pessoas que compram pneus e auto-acessórios, também fazem algum serviço automotivo. Achar: todas as regras X & Y Z com um mínimo de suporte e confiança Suporte (support), s, probabilidade que uma transação contenha {X Y Z}; Confiança (confidence), c, probabilidade condicional que uma transação que contenha {X Y} também contém Z.

19 1/18/2014MD - Prof. Paulemir Campos19 Regras de Associação Assim, a idéia é: Achar os conjuntos de itens freqüentes (itemsets freqüentes): o conjunto de itens que tem um mínimo de suporte; Um subconjunto de um itemset freqüente, também deve ser um itemset freqüente; Achar iterativamente itemsets freqüentes com cardinalidade de 1 à k (k-itemset); Usar os itemsets freqüentes para gerar as regras de associação.

20 1/18/2014MD - Prof. Paulemir Campos20 Regras de Associação O Algoritmo APRIORI: Passo de união (join): C k é gerado, unindo L k-1 com ele mesmo; Passo de poda (prune): Qualquer (k-1)- itemset que não seja freqüente, não pode ser um subconjunto de um k-itemset freqüente.

21 1/18/2014MD - Prof. Paulemir Campos21 O Algoritmo APRIORI Exemplo Database D Scan D C1C1 L1L1 L2L2 C2C2 C2C2 C3C3 L3L3

22 1/18/2014MD - Prof. Paulemir Campos22 Análise de bases de dados e suporte à decisão Análise de Mercado alvo de campanhas, análise de compras, segmentação do mercado, gerencia de relações com clientes, vendas cruzadas; Análise de Risco fidelização de clientes, controle de qualidade, análise de competitividade; Detecção de Fraude Aplicações Potenciais

23 1/18/2014MD - Prof. Paulemir Campos23 Referências Witten, I. H. e Frank, E. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann, Han, J. e Kamber, M. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2001.

24 1/18/2014MD - Prof. Paulemir Campos24 Referências Notas de aulas dos profs. Francisco A. T. de Carvalho, Paulo Adeodato e Jacques Robin de Mineração de Dados do Cin/UFPE.


Carregar ppt "1/18/2014MD - Prof. Paulemir Campos1 UPE – Caruaru – Sistemas de Informação Disciplina: Mineração de Dados Prof.: Paulemir G. Campos Modelos de Mineração."

Apresentações semelhantes


Anúncios Google