Descoberta de Conhecimento em BD

Apresentação em tema: "Descoberta de Conhecimento em BD"— Transcrição da apresentação:

1 Descoberta de Conhecimento em BD
Jacques Robin e Ricardo Bezerra

2 Motivação: da seca de dados até o diluvio
Informatização dos meios produtivos permitiu a geração de grandes volumes de dados: Transações eletrônicas; Novos equipamentos científicos e industriais para observação e controle; Dispositivos de armazenamento em massa; Aproveitamento da informação permite ganho de competitividade: “conhecimento é poder (e poder = $$!)” Recursos de análise de dados tradicionais são inviáveis para acompanhar esta evolução: processo iterativo de criação, teste e refinamento de hipóteses;

3 Motivação: inundação de informação
“Morrendo de sede por conhecimento em um oceano de dados” Gigantismo do problema de análise de dados para tomada de decisão: BD da Wal-Mart: 20 milhões de transações por dia Data Warehouse da Mobil: 100 TB BD da NASA: recebe de satélites 50 GB por hora Solução: ferramentas de automatização das tarefas repetitivas e sistemática de análise de dados ferramentas de auxílio para as tarefas cognitivas da análise integração das ferramentas em sistemas apoiando o processo completo de descoberta de conhecimento para tomada de decisão

4 Exemplo preliminar Problema do mundo dos negócios, entender o perfil dos clientes: desenvolvimento de novos produtos; para controle de estoque em postos de distribuição; propaganda mal direcionada gera maiores gastos e desestimula o possível interessado a procurar as ofertas adequadas; Situação: empresa possui registro de todas as transações efetuadas; mas como aproveitar dessa riqueza de dados? Categorias: produtos de esporte; eletrodomésticos; produtos de entretenimento; produtos para o lar;

5 Processo mínimo de descoberta de conhecimento
Compreensão do domínio e dos objetivos da tarefa; Criação do conjunto de dados envolvendo as variáveis necessárias; Interpretação dos resultados, com possível retorno aos passos anteriores; Escolha e execução do algoritmo de acordo com a tarefa a ser cumprida Operações como identificação de ruídos, outliers, como tratar falta de dados em alguns campos, etc. Redução de dimensionalidade, combinação de atributos; Consolidação: incorporação e documentação do conhecimento e comunicação aos interessados;

6 1. Seleção de dados e 2. pré-processamento
Com seu conhecimento do domínio, analista humano decide: que as informações relevantes a-priori encontram-se nas seguintes tabelas: clientes: nome, identificação, idade, sexo, estado civil, endereço, renda, proprietário da casa; produtos: nome, identificação, preço, categoria, quantidade em estoque, quantidade encomendada; transações: identificador de cliente, identificador de produto, data e hora, quantidade; Eliminar registros incompletos, inconsistentes, etc.

7 3. Transformação de dados
Agrupando informações em uma única tabela;

8 4. Data mining stricto sensus
Decidiu-se aplicar um algoritmo de aprendizado para agrupar os clientes em quatro conjuntos ex.: rede de Kohonen do tipo vector quantization; Idéia do algoritmo é dispor, em conjuntos, clientes que apresentem aspectos similares; Posteriormente, os dados são organizados em uma planilha, onde o número do grupo (1, 2, 3, ou 4) é utilizado como chave primária; A planilha calcula estatísticas de cada grupo, comparando-as com toda população;

9 5. Apresentação dos resultados
Analista humano: ainda precisa do seu conhecimento do domínio para interpretar esses resultados em conhecimento marketing

10 Descoberta de Conhecimento em BD
“O processo: não trivial de extração de informações implícitas, anteriormente desconhecidas, e potencialmente úteis de uma fonte de dados”; “Torture os dados até eles confessarem”; O que é uma descoberta, afinal? Exibir todos os empregados que ganham dentro de uma determinada faixa salarial é uma descoberta? O que é um padrão interessante? Válido, Novo, Útil, Interpretável (objetividade difícil) que é conhecimento?: { X | f(X, V, N, U, I) > T}

11 KDD x Data Mining Mineração de dados: passo do processo de KDD que produz um conjunto de padrões sob um custo computacional aceitável; KDD: utiliza algoritmos de data mining para extrair padrões classificados como “conhecimento” incorpora também tarefas como escolha do algoritmo adequado, processamento e amostragem de dados e interpretação de resultados;

12 O perigo da falta de interpretação
Hospital A Hospital B Morreram Sobreviveram 63 2037 16 784 Total 2100 800 3% 2% O hospital A parece ser o menos adequado.

13 O perigo da falta de interpretação (cont.)
Boas condições Hosp. A Hosp. B O hospital A é melhor! Morreram Sobreviveram 6 594 8 592 1% 1.3% 3.8% 4% Números x Bom-senso: 1. Mentiras, 2. Mentiras danadas, 3. Estatísticas Total 600 600 Hosp. A Hosp. B Más condições Morreram Sobreviveram 57 1443 8 192 ... e data mining? Total 1500 200

14 A busca por causalidade
Correlação não é o mesmo que causalidade “lama” e “chuva” são dois conceitos relacionados, mas como inferir que um é causa do outro? A média de idade da Flórida é grande. O clima da Flórida faz as pessoas viverem mais? Explicação plausível: muitas pessoas mudam-se pra lá quando se aposentam; Experimentos controlados KDD necessariamente: processo exploratório, iterativo e interativo envolvendo em cada passo um especialista humano tanto (se não mais) importante do que método de mineração: auxílio ao gerenciamento do processo (Knowledge Management) integração transparente de ferramentas

15 Processo mais abrangente de descoberta de conhecimento
Task Discovery Goal Data Output Generation Analysis Model Development Cleaning Domain Report Action Monitor Query tools Statistic & AI tools Visua-lization Presen-tation Data transfor-mation Database Key InputOutputToolProcess task Process flowData flowTool usage

16 KDD: problema pluridisciplinar
Inteligência Artificial aprendizado de máquina; representação de conhecimento e inferência; geração automática de resumos textuais; Estatística: análise exploratória de dados; Computação gráfica: visualização de dados; Bancos de dados: integração, consolidação e remodelagem de dados para processamento analítico (data warehousing) linguagens de consulta para: hipercubos de dados (OLAP) funções de mineração (OLAM) Integração: APIs entre ferramentas, disponibilização na Web, BD dedutivos, ativos, temporais, OOs, de restrições

17 Arquitetura Exemplo integrad de a Gramática Computacional HYSSOP:
Gerador automático de hipertexto em linguagem natural Hipertexto em linguagem natural resumindo os insights descobertos Léxico Computacional Exemplo de Arquitetura Camada 4: tecnologia de Processamento de Linguagem Natural e Lingüística Computacional Estratégias de planejamento de hipertexto integrad a Conteúdo selecionado para o resumo: conjunto de predicados de objetos Camada 3: tecnologias de Sistemas Especialistas Dedução Automática BD Dedut DOivos BD Orientada a Objetos Regras de seleção de conteúdo de resumos SGBD dedutivo orientado a objetos Regras de exploração de hipercubo de dados DOODCI: API SGBDDOO / Java para OLAP e mineração de exceções ExceptionMiner: minerador de células e subcubos atípicos em hipercubos de dados Outros aplicativos de mineração de dados conectados via Java Camada 2: tecnologias de Aprendizagem de Màquina Indução Automática Mineração de Dados JDCI: API Java / Servidor OLAP Camada 1: tecnologias de BD Ativos Data Warehousing BD Dimensionais e OLAP Servidor OLAP Esquema Dimensional Data Warehouse: Hipercubo de dados Esquema Relacional BD operacional (para OLTP) Assistente de Remodelagem de Dados SGBD ativo Arquivos de log: Servidor Web Gerenciador de Banners Servidor RoboCup Regras de carga e atualização de dados

18 Outro exemplo de passos e saída de KDD
Base de Conhecimento Arquivos de Log Páginas Web Aprendizagem Mineração de Dados BD Relacional Data Warehouse Dimensional Geração de Linguagem Natural Ex, conhecimento extraído de um BD de supermercado: No ano passado, as variações de vendas mais incomuns foram: Soda Diet com decrescimento de 40% na região nordeste de julho a agosto Cerveja Bavaria com crescimento de 42% nacional de setembro a outubro; ...

19 A diminuição de 40% das vendas de soda diet de julho a agosto na região nordeste foi realmente atípica porque: para as outras regiões, a variação média das vendas desse produto no mesmo período foi um aumento de 9%; para o ano todo, as vendas desse produto nessa mesma região decresceram de apenas 7%; as vendas globais, de todos os produtos, nessa região e no mesmo periódo, decresceram de apenas 2% Volta

20 Tarefas básicas Previsão Descrição
Cálculo de variáveis de interesse a partir dos valores de um conjunto de variáveis de explicação; É comunamente visada em aprendizado de máquina/estatística; Exemplos: classificação e regressão; Descrição Reportar relações entre as variáveis do modelo de forma simétrica; À princípio, está mais relacionada ao processo de KDD; Exemplos: agrupamento, sumarização (incluindo sumário de textos), dependências, análise de desvio;

21 Exemplo de previsão (I)
Análise de crédito Um hiperplano paralelo de separação: pode ser interpretado diretamente como uma regra: se a renda é menor que t, então o crédito não deve ser liberado Exemplo: árvores de decisão; indução de regras renda débito x o t sem crédito o: exemplo aceito x: exemplo recusado

22 Exemplo de previsão (II)
Análise de crédito Hiperplano oblíquo: melhor separação: Exemplos: regressão linear; perceptron; renda débito x o t sem crédito o: exemplo aceito x: exemplo recusado

23 Exemplo de previsão (III)
Análise de crédito Superfície não linear: melhor poder de classificação, pior interpretação; Exemplos: perceptrons multicamadas; regressão não-linear; renda débito x o t sem crédito o: exemplo aceito x: exemplo recusado

24 Exemplo de previsão (IV)
Análise de crédito Métodos baseado em exemplos; Exemplos: k-vizinhos mais próximos; raciocínio baseado em casos; renda débito x o t sem crédito o: exemplo aceito x: exemplo recusado

25 Exemplo de descrição (I)
Análise de crédito Agrupamento Exemplo: vector quantization; renda débito + t +: exemplo

26 Exemplo de descrição (II)
Regras de associação “98% dos consumidores que adquiriram pneus e acessórios de automóveis também se interessaram por serviços automotivos”; descoberta simétrica de relações, ao contrário de métodos de classificação qualquer atributo pode ser uma classe ou um atributo de discriminação;

27 Exemplo de descrição (III)
Previsão de séries temporais Identificação dos investimentos mais promissores nos próximos 30 dias; Métodos

28 Garimpando resultados
Transformar de registros em mil regras é bom, mas... o que fazer com estas 1000 regras? Mineração de Conhecimento Medidas de utilidade: subjetivas dependentes de domínio; demanda especialistas com tempo livre; objetivas mais independentes; ex, grau de surpresa; Validade utilizando limiares de confiança, apenas as regras (por exemplo) mais importantes seriam apresentadas; E as exceções? ruído ou pepita de conhecimento

29 Distinguir pepitas de ruído
Regras cobrindo cobrem apenas uma pequena quantidade de dados: potencial para descrever relações interessantes e anteriormente despercebidas; porém, são facilmente descartadas em filtragens por limiar de grau de cobertura; como distingui-las de ruído? Idéia do algoritmo: criar pequenas generalizações das regras em estudo e comparar a cobertura obtida;

30 Algoritmo para regras de pequeno alcance
para cada antecedente a de uma regra se a é categórico, retire-o da regra; se a é contínuo, aumente o intervalo no qual o antecedente é válido; conte o número D de vezes em que a classe obtida é diferente da classe da regra original; calcule uma medida M em função de D e do total de antecedentes N. exemplo: M = D/N; valores altos de M tenderão a capturar as relações mais úteis;

31 Escalabilidade técnicas para acelerar a mineração de BD gigantes
Amostragem redução de precisão; Algoritmos distribuídos particionar o banco de dados em p partições; utilizar um processador diferente para cada partição; utilizar um método de combinação de resultados; Paralelismo (intra-algorítimico)

32 Aplicabilidade de KDD Onde o processo de descoberta de conhecimento deve ser aplicado? A tarefa é propícia ao estudo de novos experimentos; não há nenhuma outra boa alternativa de análise de dados; disponibilidade de dados suficientes; com nível aceitável de ruído; sem problemas de ordem jurídica; especialistas disponíveis para avaliação do grau de interesse das descobertas obtidas; seleção de atributos; descrição de conhecimento a priori em geral;

33 Kefir (Key Findings Reporter)
Análise de desvios descoberta de diferenças significativas entre valores medidos e valores anteriores ou padrões; Funções do Kefir descobrir, explicar e relatar derivações chave; Finding Conjunto de valores relacionados (atual, anteriores, padrão) de uma dada medida;

34 Health-Kefir Motivação: organizações precisam controlar gastos com saúde, planejando medidas que venham a diminuir gastos futuros. MAS,... gasta-se muito tempo preparando-se relatórios, perdendo-se oportunidade importantes; Oportunidade para análise automática de dados: métodos do mercado de saúde baseiam-se em medidas padrões de vários aspectos, como preço, uso e qualidade; dimensões principais: população: empregados de uma empresa, moradores de um bairro...; área de estudo: nascimentos prematuros, internações...; medidas: tempo de internação...

35 Health-Kefir O grau de interesse em um desvio está diretamente relacionado ao benefício atingível através das ações possíveis; os desvios interessantes são aqueles que indicam problemas que podem ser corrigidos; significância estatística; Pagamentos_por_caso desvios crescentes desta medida são altamente relevantes para o sistema Health-Kefir; como reduzir custos futuros;

36 Health-Kefir Cálculo de desvio para cada setor e subsetor;
extrapolação linear; 92 93 94 95 valores padrões valores reais desvio tempo medida

37 Health-Kefir Explicações
identificação do subsetor(es) mais responsável(is) pelo desvio encontrado; recursivo; internação morte admissão cirurgia clínica mental gravidez

38 Health-Kefir Recomendação
os relatórios preparados precisam indicar soluções; uso de conhecimento de domínio para realizar tal tarefa: SE medida = admissão_por_1000 E setor = partos_prematuros E percentagem_mudança > 0.10 RECOMENDE “Iniciar um programa de acompanhamento pré-natal” COM percentagem_de_economia = 0.6

39 Health-Kefir: exemplo de saída
Admissões médicas O tempo médio de permanência nesta área de estudo cresceu 22,6%, de 4,1 a 5,1. Em torno de $ poderiam ser economizados se o tempo médio de permanência se mantivesse no valor esperado de 4,9. Se esta tendência permanecer, resultará em gastos adicionais de $ de despesas adicionais. Explicações: o aumento desta medida está relacionada ao aumento do tempo médio de permanência, no Medical Nervous System, em 247,9%, de 4.4 para 15.2. Recomendação: ... Economia prevista: $79.000

40 SKICAT (Sky Image Cataloging and Analysis Tool)
Digital Palomar Observatory Sky Survey banco de dados com três terabytes de imagens da ordem de dois bilhões de objetos celestes; Tarefas: diferenciar estrelas de galáxias uma vez classificadas, análise científicas mais específicas são aplicadas; classificar objetos de brilho fraco

41 SKICAT: algoritmo de aprendizado
Regras extraídas de algoritmos de geração de árvores originam-se de uma única árvore; RULER alternativa: geração de várias árvores. Somente as melhores regras de cada árvore são mantidas; Divide-se a base de dados em vários conjuntos treinamento (para árvores) e teste (para regras); Podando regras: calcula-se a chance de que uma dada premissa esteja correlacionada com a classe especificada por pura sorte; Produz-se, assim, uma base robusta de regras; Redução da base por um algoritmo de cobertura de conjuntos;

42 SKICAT: pré-processamento
“Em problemas de classificação, a escolha dos atributos utilizados para definir exemplos é o fator mais determinante do sucesso ou fracasso do processo de aprendizado” garbage in, garbage out; Uso de um programa público de processamento de imagens: baseado nos agrupamentos de pixels constituindo cada objeto detectado, produzem-se os atributos básicos discriminadores ex,: brilho e orientação;

43 SKICAT: Gerenciando o conhecimento
Catálogo de objetos on-line utilizando-se um gerenciador de banco de dados permitir ao usuário localizar corpos celestes e consultar informações dos mesmos; Casamento de objetos obtidos de fontes diferentes;

44 Endereços interessantes
KDNuggets Directory The Data Mine Microsoft Decision Theory and Adaptive Systems DBMiner: demonstração

45 Referências Bigus, J. (1995). Data Mining with Neural Networks. McGraw-Hill. Fayyad, U.; Haussler, D.; Stolorz, P. (1996). "KDD for Science Data Analysis: Issues and Examples”. Proceedings of Second International Conference on Knowledge Discovery and Data Mining (KDD-96), AAAI Press. Disponível no endereço ~fayyad. Fayyad, U. M.; Piatesky-Shapiro, G.; Smyth, P. (1995). “From Data Mining to Knowledge Discovery: An Overview”, em Advances in Knowledge Discovery and Data Mining. AAAI Press. Freitas, A. A. (1997). “On objective measures of rule surprisingness”. Em Proceedings of the 2nd European Symposium Principles of Data Mining and Knowledge Discovery. Disponível no endereço

46 Referências Imielinski, T; Mannila, H. (1996). “A Database Perspective on Knowledge Discovery”. Communications of the ACM, volume 39, número 11. Matheus, C.; Piateteky-Shapiro, G.; McNeill, D. (1995). ”Selecting and Reporting What is Interesting”. Em Advances in Knowledge Discovery and Data Mining. AAAI Press. Spirtes, P.; Glymour, C; Scheines, R. (1993). Causation, Prediction and Search. Lecture Notes in Statistics, 83. Springer-Verlarg. Disponível no endereço philosophy/TETRAD.BOOK/book.html