Tipologia dos dados de entrada da mineração de dados

Apresentação em tema: "Tipologia dos dados de entrada da mineração de dados"— Transcrição da apresentação:

1 Tipologia dos dados de entrada da mineração de dados
Jacques Robin CIn-UFPE

2 Tipologia da fontes de dados para mineração
Fontes convencionais preparadas para mineração: Arquivo texto chato padronizado (flat file) Data warehouse ou data mart relacional Data warehouse ou data mart multidimensional Fontes convencionais não preparadas para mineração Arquivos de log BD relacional Fontes não convencionais BD objeto-relacional BD orientado a objetos BD dedutivo BD probabilista BD indutivo BD espacial BD temporal BD de restrições BD multimídia BD semi-estruturado Páginas web

3 Arquivo texto chato padronizado (flat file)
Meta-dados do cabeçote: 1a linha = nome do conceito ou relação a minerar, depois cada linha = tipo e/ou conjunto de valores possíveis de um atributo Dados no resto do arquivo: cada linha = um exemplo ou instância do conceito a aprender  um registro de uma tabela de BD relacional separadas em campos por separadores convencionais cada campo = um atributo ou propriedade da instância  campo de uma tabela de BD relacional

4 Exemplo de flat file: formato de entrada do Weka
% Arff file for the weather data with some % numeric features @relation weather @attribute outlook { sunny, overcast, rainy } @attribute temperature numeric @attribute humidity numeric @attribute windy { true, false } @attribute play? { yes, no } @data sunny, 85, 85, false, no sunny, 80, 90, true, no overcast, 83, 86, false, yes rainy, 70, 96, false, yes rainy, 68, 80, false, yes rainy, 65, 70, true, no overcast, 64, 65, true, yes sunny, 72, 95, false, no sunny, 69, 70, false, yes rainy, 75, 80, false, yes sunny, 75, 70, true, yes overcast, 72, 90, true, yes overcast, 81, 75, false, yes rainy, 71, 91, true, no

5 Arquivo texto chato padronizado (flat file)
Única entrada de vários ferramentas de mineração Pode ser criado a partir de BD relacional via grande Join Inadequado quando se tem naturalmente: muitas relações entre as instancias, ex, famílias relações recursivas entre as instancias, ex, ancestral dependências existenciais entre atributos, ex, casado, cônjuge poucos atributos definidos para todas as instancias ex, númeroDeRodas e númeroDeMastros para veículos aninhamento ou hierarquias de valores para muitos atributos, ex, nordeste, PE, Recife ou seja quando o esquema de dados relevantes é não trivial

6 Tipologia dos atributos
Binário: Booleano, ex, Male  {True,False} Dicotômico, ex Sex  {Male,Female} Nominal ou categórico ou simbólico: partição finita de valores sem ordem nem medida são apenas = ou  ex, brasileiro, francês, americano Ordinal ou enumerado ou discreto: partição finita de valor ordenada (parcialmente ou totalmente) sem medida são apenas =, , , > ex, fraco, médio, bom, excelente Intervalar: partição finita de valor ordenada com medida m definindo distância d: X,Y, d(X,Y) = |m(X)-m(Y)| sem zero inerente ex, temperatura em grau Celsius Fracional ou proporcional: partição com distância zero inerente todos os operadores matemático aplicam-se ex, temperatura em grau Kelvin Contínuo: conjunto infinito de valores ordenadas com medida, isomorfo a R Probabilista: contínuo entre [0,1] apenas operadores probabilistas aplicam-se Complexo: estrutura interna de sub-atributos aninhados criando tipos compostos possivelmente com restrições de valores particulares entre os sub-atributos ex, data, endereço

7 Tipologia dos atributos
Booleanas Discreta Binárias Dicotômicas Qualitativas Nominal Ordinal Quantitativas Intervalar Simples Fracional R Contínua [0,1] Data Endereço Complexos Objeto

8 Minerar arquivo flat x minerar banco de dados
Para mineração como para outras aplicações, BD fornece: gerenciamento de memória segundaria consultas declarativas complexas para: selecionar dados agregar dados reagrupar dados derivar novos dados estender meta-dados segurança de acesso com usuário múltiplos tolerância a falha com tecnologia padronizada e escalável Minerando arquivos flat: aos poucos, necessidade desses serviços reaparece requerendo re-implementação: ad-hoc com tecnologia inapropriada por conta própria Conclusão: API para BD elemento chave na utilidade prática de uma ferramenta de mineração

9 Banco de dado operacional x data warehouse e data mart
BD operacional: armazena valores correntes e atômicas resultantes direitas das últimas transações a fins operacionais predefinidas ex, gerenciamento do estoque Data Mart: armazena réplicas históricas, não voláteis, agregadas ao longo de várias dimensões analíticas as vezes limpadas, completadas e normalizadas de dados de um único banco operacional a fins analíticas abertas de escopo departamental Data Warehouse: integra e padroniza dados de vários: data marts BD operacionais BD de legado empacotados BD semi-estruturados extraídos de páginas web em um único repositório coerente e limpo de dados a fins analíticas abertas de escopo organizacional

10 Processamento de transações (OLTP) x processamento analítico (OLAP)

11 Modelos de dados: relacional x multidimensional

12 Modelo de dado multi-dimensional: dimensões analíticas com hierarquias conceituais navegáveis

13 Banco de dados objeto-relacional (O-R) e orientado a objetos (OO)
Objetivo de um SGBD OO ou O-R: integrar em um único software serviços fornecidos pelos SGBD e pelas linguagens de programação orientadas a objetos com elegância conceptual e eficiência de execução Porque?: Uniformizar codificação heterogênea dos software atuais: interface e processamento com LPOO, acesso aos dados com SGBDR Orientação a objetos estende BD com: Métodos codificando no próprio BD os comportamentos ligados aos dados e propiciando completude computacional Construtores para modelagem de estruturas complexas, heterogêneas e definidas pelo usuário Hierarquia de classes com herança e encapsulamento, facilitando modularidade, reuso e interface com componentes externos

14 Banco de dados OR e OO: vantagens para mineração de dados
Hierarquias conceituais já fornecidas explicitamente Possibilidade de: definir classes de conhecimento minerado no próprio BD como novos tipos compostos implementar algoritmos de mineração no próprio BD como métodos implementar hierarquia de algoritmos de mineração re-aproveitando e especializando métodos genéricos para dados e conhecimento específicos por herança e sobre-escrita de métodos Ao contrario dos outros modelos de dados avançados, o modelo O-R já é: implementado em produtos comerciais de grande porte (porém ainda não conformes ao padrão SQL´99)

15 Banco de dados dedutivo
BD com 2 partes: fatos ou parte extensional predicados com argumentos instanciados em lógica da 1a ordem ex, trabalha(bob,di,prof). chefe(di,bob). correspondem aos registros dos BD relacionais regras de dedução ou parte intensional implicações em lógica da 1a ordem, com uma conjunção de predicados como premissa é um único predicado como conclusão ex, patrão(B,E) :- chefe(D,B), trabalha(E,D,_). Semântica lógica:  B,D,E,F chefe(D,B)  trabalha(E,D,F)  patrão(B,E) correspondem a visões dos BD relacionais

16 Banco de dados dedutivo (cont.)
Um BD dedutivo é: uma base de conhecimento persistente um programa lógico persistente uma especificação formal executável O modelo de dados dedutivo: generaliza modelo relacional é computacionalmente completo é baseado na hipótese de mundo fechado declarar apenas o que é verdadeiro supor falso tudo que não poder ser provado autoriza negação por falha nas premissas da regras resulta da integração de técnicas de BD e de inteligência artificial é ideal para implementar sistemas inteligentes de grande porte

17 Banco de dados dedutivo: vantagens para mineração de dados
Deduzir conhecimento de granularidade adequada para geração de insights, antes ou depois da mineração Representação do conhecimento prévio Alguns métodos de mineração aproveitam de conhecimento prévio para gerar novo conhecimento a partir de menos dados Gerenciamento do conhecimento minerado durante e depois do processo de descoberta Processo de descoberta baseado no ciclo: indução dedução interpretação Pesquisa já consolidada com fundamentos formais abrangente Porém ainda não resultou nem em um padrão oficial nem SGBD comerciais

18 Banco de dados probabilista
BD para gerenciamento de dados incertos BD relacional probabilista: cada célula de tabela contém vários valores no lugar de um cada valor é anotado com sua probabilidade BD dedutivo probabilista: cada fato e cada regra anotado com sua probabilidade Dados derivados por indução a partir de dados primitivos certos, necessariamente carregam um grau de incerteza BD probabilista formalismo interessante para: gerenciamento do conhecimento induzido por mineração tanto durante o processo de descoberta como depois, durante a utilização do conhecimento na aplicação Pesquisa já consolidada porém ainda não resultou nem em um padrão oficial nem em SGBD comerciais

19 Banco de dados indutivo
BD incorporando conhecimento induzido a partir de dados primitivos por mineração Ideal para: gerenciamento de conhecimento minerado durante o processo de descoberta aplicação do conhecimento minerado depois do processo Problemática: representação da variedade das estruturas de conhecimento mineradas propagação da confiabilidade do conhecimento induzido através de vários ciclos de derivação (i.e., minerar resultado de mineração) atualização consistente e eficiente do conhecimento induzido depois da atualização ou extensão dos dados primitivos O futuro, porém pesquisa ainda incipiente

20 Tipologia do conhecimento de saída da mineração de dados
Jacques Robin CIn-UFPE

21 Dimensões descritivas da tipologia das estruturas de conhecimento a minerar
Descrição concisa de dados disponíveis x previsão de dados não disponíveis Representações de conceitos x de instâncias Representações atributivas x relacionais Representações simbólicas x numéricas simbólicas: poder expressivo da lógica subjacente lógica clássica de ordem 0, 1, 2, lógicas não clássicas numéricas: poder expressivo da função subjacente domínio e imagem: Z x R  [0,1], R2  N, etc. característica da função: propriedades matemáticas: monotonia, continuidade, etc. formula analítica: linear, polinomial, exponencial, logarítmica, trigonométrica, cônica, etc.

22 Mineração descritiva x mineração preditiva
Apenas descreve de forma concisa os dados disponíveis A descrição minerada pode: diretamente fornecer insight para analista humano, ou servir de passo preliminar para mineração preditiva Usa igualmente técnicas de banco de dados, estatística e aprendizagem de máquina Mineração preditiva: Prevê dados não disponíveis a partir do dos dados disponíveis A previsão pode: diretamente indicar uma descoberta ou decisão a tomar servir de passo intermediário para tomada de uma descoberta ou decisão complexa estruturada por camadas Usa principalmente técnicas de aprendizagem de máquina

23 Mineração descritiva: tipos de descrições
Medida de similaridade ou dissimilaridade entre instâncias ex, cliente fulano parecido com sicrano e bem diferente de beltrano Grupos de instâncias alta similaridade intra-grupos e alta dissimilaridade inter-grupos (clustering) ex, {fulano, sicrano, ...}, {beltrano, john, ...}, {doe}, ... Exceções (outliers), i.e., instâncias com valor altamente dissimilar com a maioria das outras instâncias, para um ou vários atributos Valores de atributos para grupos de instâncias agregados ao longo de dimensões analíticas, ex, media de venda de bebidas no Nordeste em dezembro é R$2.106 Atributos relevantes para caracterizar instâncias de uma classe ex, {sexo, colégio, pais, idade, notaMédia} para alunos Atributos relevantes para discriminar entre instâncias de 2 classes ex, {sexo, colégio, notaMédia} entre alunos de engenharia e artes cênicos Associações entre valores dos atributos descritivos das instâncias age(X,[20,29]}  income(X,[3000, 10000])  ownd(X,CD,[50,100])  owns(X,PC). [suport = 5%, confidence = 80%]

24 Mineração preditiva: tipos de inferência
Classificação: inferir a classe de um novo indivíduo em função dos seus atributos descritivo Regressão: inferir o valor do atributo A (geralmente numérico) desconhecido de um indivíduo em função de: seus atributos conhecidos e, dos valores conhecidos de A para os outros indivíduos Análise de evolução ou previsão stricto-sensus: inferir o valor de um atributo de um indivíduo em um instante t em função dos seus atributos descritivos nos instantes anteriores Controle: inferir a melhor ação a executar por um agente inteligente dado seus objetivos e o estado do ambiente no qual ele opera Classificação e regressão podem servir de passo intermediário para análise de evolução Os três podem servir de passos intermediários para controle

25 Representação de conceito x de instância
representação em intenção via conjunto de restrições de valor sobre alguns atributos descritivos armazenados no BD Instancia: indivíduo cujos dados satisfazem essas restrições Aprendizagem guloso: cria representação em intenção (conceito) e classifica um novo indivíduo se seus atributos casam com essa representação Aprendizagem preguiçoso: classifica novo indivíduo como sendo da classe do indivíduo mais próximo dele em termos de valores de atributos ou do centroide dos N indivíduos mais próximos não representa conceitos em intenção classe representada apenas pela extensão das suas instâncias

26 Representação atributivas x relacionais
Representar propriedades de um único indivíduo Logicamente quantificação universal limitada a uma única variável Equivalente a lógica proposicional (ordem 0), já que essa variável pode ficar implícita ex,  P, quality(P,fair)  price(P,low)  buy(P)  fairQuality  cheap  buy Representa intencionalmente conteúdo de apenas uma tabela de BD relacional Representar relações entre vários indivíduos Logicamente requer quantificação universal simultânea de várias variáveis Requer sub-conjunto da lógica da 1a ordem ex,  P, C parent(P,C)  female(P)  mother(P,C). Representa intencionalmente conteúdo de várias tabelas de BD relacional (ou até o banco inteiro)

27 Tipologia das estruturas de conhecimento a minerar
Paradigma simbólico: Árvore de decisão Árvore de regressão Regras de associação atributivas Regras de classificação atributivas Regras relacionais Grupos atributivos de instâncias Paradigma matemático: Função de distância numérica Função de regressão Paradigma probabilista: Densidade de probabilidade Paradigma conexionista: Perceptrão multi-camada Memória associativa Paradigma evolucionário: população de representações simbólicas simples (bit string, árvore) Multi-paradigma: Árvores de modelo (simbólico e matemático) Redes bayesianas (conexionista, simbólico e probabilista)

28 Árvore de decisão

29 Função de regressão numérica
PRP = MYCT MMIN MMAX CACH CHMIN CHMAX

30 Árvore de regressão

31 Árvore de modelo LM1: PRP = 8.29 + 0.004 MMAX + 2.77 CHMIN
LM2: PRP = MMIN – 3.99 CHMIN CHMAX LM3: PRP = MMIN LM4: PRP = MMAX CACH CHMAX LM5: PRP = 285 – 1.46 MYCT CACH – 9.39 CHMIN LM6: PRP = MMIN – 2.94 CHMIN CHMAX

32 Regras atributivas de classificação
Mineração preditiva Implicações lógica com: Apenas uma variável quantificada Premissas relacionada apenas por uma conjunção Cada premissas apenas testa valor de um atributo de um indivíduo Conclusão única e positiva indica classe das instâncias verificando a conjunção de premissas X, atr1(X,val1)  ...   atrn(X,valn)  class(X,c) X, atr1Val1(X)  ...   atrnValn(X)  C(X) atr1 = val1  ...  atrn valn  C IF atr1 = val1 AND ... AND atrn valn THEN C ex, IF tempo = sol AND dia = Dom THEN racha

33 Regras de Classificação vs. Árvores
Regras de classificação podem ser convertidas em árvores de decisão e vice-versa Porém: a conversão é em geral não trivial dependendo da estrutura do espaço de instâncias, regras ou árvores são mais concisas ou eficientes Regras são compactas Regras são em geral altamente modulares (mas raramente são completamente modulares)

34 Vantagens de Árvores de Decisão
Exemplo de conversão árvore -> regras IF x >1.2 AND y > 2.6 THEN class = a If x < 1.2 then class = b If x > 1.2 and y < 2.6 then class = b X > 1.2 Y > 2.6 b a sim não Sem mecanismo de interpretação preciso regras podem ser ambíguas Instâncias podem “passar através” de conjunto de regras não sistematicamente “fechado”

35 Vantagens de Regras de Classificação
x y z w a b 1 2 3 Exemplo de conversão regra/árvore If x=1 and y=1 then class = a If z=1 and w=1 then class = b Árvores são redundantes e não incrementais Árvores não são ambíguas e não falham em classificar

36 Regras atributivas de associação
Mineração descritiva Implicações lógica com: Apenas uma variável quantificada Premissas e conclusões relacionadas apenas por uma conjunção Cada premissa e cada conclusão apenas testa valor de um atributo de um indivíduo X, atr1(X,val1)  ...   atri(X,vali)  atrj(X,valj)  ...   atrn(X,valn) IF atr1 = val1 AND ... AND atri vali THEN atrj = valj AND ... AND atrn valn ex, IF tempo = sol AND dia = domingo THEN praia = cheia AND avenida = engarrafada

37 Regras relacionais Mineração descritiva ou preditiva (classificação ou controle) Implicações lógica com: Várias variáveis quantificadas Premissas relacionadas apenas por uma conjunção Cada premissa testa valor de um atributo de um indivíduo ou teste relação entre indivíduos Conclusão única positiva cujo predicado pode aparecer nas premissas (regras recursivas) Cláusulas de Horn X,Y,Z,... atr1(X,val1)  ...  reli(X,Y)  atrj(Z,valj) X,Y,Z,... atr1(Y,val1)  ...  reli(X,Y)  relj(X,Y,valj) X,Y,Z,... atr1(Z,val1)  ...  reli(X,Y,Z)  reli(X,Y,Z) reli(X,Y,Z) :- atr1(Z,val1), ... , reli(X,Y,Z)

38 Necessidades das regras relacionais
Conhecimento a priori name1 = ann … name5 = tom father11 = F father31 = T father54 = T mother11 = F mother55 = F female1 = T female5 = F male1 = F Exemplos positivos: daughter42 = T daughter13 = T Exemplo negativos: daughter11 = F … daughter44 = F Aprende: daughter13(D,P) :- female3(D), parent13(P,D). daughter42(D,P) :- female4(D), parent42(P,D).

39 Necessidades das regras relacionais
Conhecimento a priori Intencional: parent(F,C) :- father(F,C). parent(M,C) :- mother(P,C). Extensional: father(pat,ann). father(tom,sue). female(ann). female(eve). female(sue). male(pat). male(tom). mother(eve,sue). mother(ann,tom). Exemplos Positivos: daughter(sue,eve). daughter(ann,pat). Negativos: not daughter(tom,ann). not daughter(eve,ann). Aprende: daughter(D,P) :- female(D), parent(P,D).

40 Grupos de instâncias (clusters)
Dimensões descritivas da tipologia dos grupos disjuntos x overlapping chatos ou hierárquicos deterministas x probabilistas x nebulosos baseados em distâncias x baseados em densidade propriedades matemáticas da superfície a b c d e f g h …

41 Rede bayesiana