mineração de dados

MINERAÇÃO DE
DADOS
1
CONCEITOS BÁSICOS
CONHECIMENTO
INFORMAÇÃO
DADO
2
CONCEITOS BÁSICOS
DADOS
Os dados são elementos brutos, sem significado, desvinculados
da realidade. São, segundo Davenport (1998, p. 19), "observações
sobre o estado do mundo".
São símbolos e imagens que não dissipam nossas incertezas. Eles
constituem a matéria-prima da informação. Dados sem qualidade levam
a informações e decisões da mesma natureza.
Sendo o dado considerado a matéria-prima para a informação: o que
são informações?
3
CONCEITOS BÁSICOS
INFORMAÇÕES
As informações são dados com significado. "São dados dotados
de relevância e propósito" (Drucker apud Davenport, 1998, p.18).
Elas são o resultado do encontro de uma situação de decisão com
um conjunto de dados, ou seja, são dados contextualizados que
visam a fornecer uma solução para determinada situação de decisão
(MacDonough apud Lussato, 1991).
A informação pode assim ser considerada como dados
processados e contextualizados, mas para Sveiby (1998) a
informação também é considerada como "desprovida de significado
e de pouco valor", e Malhotra (1993) a considera como "a matériaprima para se obter conhecimento".
4
CONCEITOS BÁSICOS
CONHECIMENTO
Para Davenport (1998, p.19), o "conhecimento é a informação
mais valiosa (...) é valiosa precisamente porque alguém deu à
informação um contexto, um significado, uma interpretação (...)".
O conhecimento pode então ser considerado como a informação
processada pelos indivíduos. O valor agregado à informação
depende dos conhecimentos anteriores desses indivíduos.
Assim sendo, adquirimos conhecimento por meio do uso da
informação nas nossas ações.
Desta forma, o conhecimento não pode ser desvinculado do
indivíduo; ele está estritamente relacionado com a percepção do
mesmo, que codifica, decodifica, distorce e usa a informação de
acordo com suas características pessoais, ou seja, de acordo com
seus modelos mentais ou necessidade.
5
CONCEITOS BÁSICOS
Exemplo
Um carro BMW, último tipo, conversível, zero
quilômetro, totalmente destruído em um acidente
no qual o motorista bateu em uma árvore
centenária derrubando-a pode ser codificado,
decodificado e distorcido das seguintes maneiras.
Algumas pessoas serão levadas a decodificar
as informações baseadas em seus valores
materiais: "Logo um carro tão caro! Será que ele
está segurado?
6
CONCEITOS BÁSICOS
Exemplo
Enquanto outras pessoas, com valores humanos
mais aguçados, terão seu foco no ser humano:
"Será que o acidente resultou em feridos?"
Outras pessoas com interesses ecológicos ainda
terão suas atenções voltadas ao destino da árvore
centenária: "Logo nesta árvore! Não poderia ter
sido em uma outra?".
7
MAIS UM INGREDIENTE
NA CONCEPÇÃO DA
UTILIZAÇÃO DA
INFORMAÇÃO
8
UM NOVO CONCEITO
DADOS
DADOS
CONTEXTO
INFORMAÇÃO
INFORMAÇÃO
EXPERIÊNCIA
CONHECIMENTO
CONHECIMENTO
HABILIDADE
COMPETÊNCIA
9
TOMADA DE DECISÕES
Cadeia do
Processo
Decisório
Decisão
BI : OLAP, CRM,
DATAWAREHOUSE,
DATA MINING, etc;
Competência
Conhecimento
Informação
ERP ,
Sistemas
Individuais
Dados
10
HISTÓRICO
Era da Inteligência
Era das aplicações
Era dos bancos de dados
1980
1990
2000
2010
11
A IMPORTÂNCIA DA
INFORMAÇÃO
12
DUPLO PAGAMENTO
O consumidor paga duas vezes por cada compra:
A primeira com dinheiro e a segunda ao fornecer
informação que vale dinheiro.
Por exemplo, se o freguês pagar com cartão de
crédito, é claro, que muita coisa é revelada. Agora o
freguês também está fornecendo: (1) nome, (2)
endereço e CEP, (3) informação sobre crédito, (4)
base para inferir na renda familiar, e muitas coisas
mais.
A pergunta essencial que paira no ar é: Quem
possui os dados sobre o freguês ? E quando custa.
13
DUPLO PAGAMENTO
O consumidor paga duas vezes por cada compra:
A primeira com dinheiro e a segunda ao fornecer
informação que vale dinheiro.
Por exemplo, se o freguês pagar com cartão de
crédito, é claro, que muita coisa é revelada. Agora o
freguês também está fornecendo: (1) nome, (2)
endereço e CEP, (3) informação sobre crédito, (4)
base para inferir na renda familiar, e muitas coisas
mais.
A pergunta essencial que paira no ar é: Quem
possui os dados sobre o freguês ? E quando custa.
14
O PODER DA INFORMAÇÃO
O maior capital das empresas não são mais os
seus colaboradores. Mas sim, as suas informações.
As informações passaram a ser os resultados de
todas as ações operacionais que fazem a empresa
funcionar.
15
OBTENDO INFORMAÇÕES
Quais informações poderíamos
obter em uma simples Nota Fiscal
e que cruzamentos poderíamos
fazer?
16
UMA NOTA FISCAL
17
UMA NOTA FISCAL
18
O QUE É MAIS IMPORTANTE ?
A
INFORMAÇÃO !
19
REFLEXÃO...
“ ADMINISTRAR BEM UM NEGÓCIO É
ADMINISTRAR SEU FUTURO; E ADMINISTRAR
SEU FUTURO É ADMINISTRAR INFORMAÇÕES “
( Marion Harper Jr.)
20
REFLEXÃO
“O mundo não está interessado
nas tempestades que você
enfrentou, quer apenas saber se
você trouxe o navio”
William Mac Fee
E como você acha que as
organizações pensam?
21
...
“Não estamos aqui para prever o
futuro ,mas sim para criar a
certeza de tê-lo”
Peter Ferdinand Drucker
E com quais ferramentas?
22
ESPÉCIES DE ORGANIZAÇÕES
AS QUE FAZEM AS COISAS
ACONTECEREM.
AS QUE OBSERVAM AS COISAS
ACONTECEREM.
AS QUE PERGUNTAM O QUE
ACONTECEU.
23
REFLEXÃO
“DIGA-ME, POR FAVOR, QUE CAMINHO DEVO TOMAR
PARA SAIR DAQUI ?”, perguntou Alice.
“ISTO DEPENDE DE PARA ONDE VOCÊ QUER IR”,
disse o gato.
“NÃO FAZ DIFERENÇA PARA MIM”, retrucou Alice.
“ENTÃO, NÃO FAZ DIFERENÇA QUE CAMINHO VOCÊ
TOMA”,
respondeu-lhe o gato.
“ALICE NO PAÍS DAS MARAVILHAS”
Lewis Carroll
24
.....
Comentários ?
25
NECESSIDADES
DE UM
GESTOR
26
NECESSIDADE DO GESTOR
•INFORMAÇÃO
•ANÁLISE
•DECISÃO
•AÇÃO
•VELOCIDADE
•RESULTADOS
27
NECESSIDADE DO GESTOR
Informação
QUANTO MAIOR A QUANTIDADE E QUALIDADE
DAS INFORMAÇÕES DISPONÍVEIS, MAIS FÁCIL
ACHARMOS ONDE ATUAR PARA ALCANÇARMOS
NOSSOS OBJETIVOS.
Análise
QUANTO MAIS FÁCIL PUDERMOS
MANIPULAR TAIS INFORMAÇÕES, PERMITINDO
ESTUDAR CENÁRIOS POR DIFERENTES
PERSPECTIVAS, MAIS CLARAS, FÁCEIS E FIÉIS
SERÃO NOSSAS CONCLUSÕES.
28
NECESSIDADE DO GESTOR
Decisão
CONCLUSÕES EMBASADAS EM DADOS
REAIS NOS LEVAM A TOMAR DECISÕES
ASSERTIVAS, NA DIREÇÃO EXATA DE NOSSOS
OBJETIVOS.
Ação
TAIS DECISÕES DEVEM SER IMPLANTADAS
DE MANEIRA RÁPIDA E ABRANGENTE, SENDO
TRANSFORMADAS EM AÇÕES.
29
NECESSIDADE DO GESTOR
Velocidade
AÇÕES QUE POR SUA VEZ DEVEM SER
PROCESSADAS RAPIDAMENTE, COM QUALIDADE,
EM QUANTIDADE E ABRANGÊNCIA.
Resultados
SÓ ASSIM CHEGAMOS AOS RESULTADOS
POSITIVOS QUE BUSCAMOS.
NÃO POR “MÁGICA” E SIM COMO
CONSEQÜÊNCIA LÓGICA E NORMAL DE UM
TRABALHO REALIZADO.
30
NECESSIDADES
DO
USUÁRIO
31
NECESSIDADES DO USUÁRIO
“Quero toda a
Informação..."
Processo
de
Business
out
Análise
Informação
Integrada
Retorno Gerado
pelo Computador
Medias
Importantes
Experiência
in
32
REFLEXÃO
“INFORMAÇÃO NÃO É FONTE DE PODER,
É FONTE DE GESTÃO”
33
NECESSIDADES CORPORATIVAS
INFORMAÇÕES
CONHECIMENTO
Foco em
Resultados
BASE DE
Métrica dos
objetivos
Estratégicos
34
Data Mining
Mineração de Dados
35
Mineração de Dados
36
Mineração de Dados - Justificativa
O volume de dados
duplica a cada ano !
37
DM - MOTIVAÇÃO
Os recursos de análise de dados tradicionais
são inviáveis para acompanhar esta evolução e
velocidade da Tecnologia da Informação em busca
de conhecimento.
“Morrendo de sede por conhecimento
em um oceano de dados”
38
DATA MINING
O que é?
Mineração de dados (descoberta de conhecimento
em bases de dados):
Extração de informação interessante (nãotrivial, implícita, previamente desconhecida e
potencialmente útil) dos dados armazenados em
grandes massas de dados conhecimento para
tomada de decisão.
39
DATA MINING
KDD
Knowledge Discovery in Database
Descoberta de Conhecimento em Banco de Dados
40
DATA MINING
“KDD é o processo, não
trivial, de extração de
informações, implícitas,
previamente
desconhecidas e
potencialmente úteis, a
partir dos dados
armazenados em um banco
de dados”
[Frawley , Piatetsky-Shapiro &
Matheus,1991]
41
DATA MINING
Como identificar conhecimento em
uma grande massa de dados:
– Padrões (“X” acontece se...)
– Exceções (isto é diferente de... por causa de...)
– Tendências (ao longo do tempo, “Y” deve
acontecer...)
– Correlações (se “M” acontece, “N” também deve
acontecer)
42
DATA MINING
O que é?
Nomes alternativos:
Descoberta (mineração) de conhecimento em
banco de dados (KDD - Knowledge Discovery in
Database ), extração de conhecimento, análise de
dados/padrões, business intelligence, etc.
O que não é data mining?
Processamento de consultas dedutivo.
Sistemas especialistas ou pequenos programas
estatísticos ou de aprendizado de máquina.
43
DATA MINING - MOTIVAÇÃO
Problema da explosão de dados
Processo de tomada de decisão exige análise de grandes
massas de dados
Solução: Data Warehousing e Data Mining

Data warehousing: Visão multidimensional dos dados para
processamento OLAP

Data mining: Extração de conhecimento interessante (regras,
padrões, restrições) dos dados em grandes bases de dados.
44
DATA MINING - APLICAÇÕES
Análise de dados e suporte a decisões
Análise
de mercado
Marketing
sob demanda, relação entre clientes, análise e
segmentação de mercado, análise cruzada de dados, etc.
Análise
de risco
Previsão,
controle de qualidade, análise competitiva,
análise de seguros
Detecção
de fraude
Outras Aplicações
Mineração
de texto (news group, email, documentos XML)
45
DM – ANÁLISE DE MERCADO
Quais são as fontes de dados para Análise de Mercado ?
Transações de cartões de crédito, cartões de fidelidade, cupons
de desconto, serviços de televendas, estudos de comportamento
(questionários públicos, web, etc.)
Marketing sob demanda
Descobrir grupos de “modelos” de clientes que compartilham as
mesmas características: interesses, hábitos de compras, etc.
Determinar padrões de compras.
Análise cruzada de dados.
Associações/corelações entre vendas de produtos
Previsão baseada nas associações determinadas
46
DM – ANÁLISE DE MERCADO
Preferências do Cliente
Data mining pode mostrar que tipos de clientes compram
que tipos de produtos (clustering ou classificação).
Identificação das necessidades dos clientes
Melhores produtos para diferentes clientes;
Modelos de predição para descobrir que fatores vão atrair
novos clientes
Informações sumárias
Relatórios multidimensionais e estatísticos
47
DATA MINING – ANÁLISE DE RISCOS
Planejamento de finanças e orçamento
Análise e predição de fluxo de caixa
Análise de contingência para provisão de bens
Análise de séries temporais
Planejamento de recursos:
Resume e compara os recursos e os gastos
Competição:
Monitorar concorrentes e direções de mercado
Agrupar clientes em classes e elaborar métodos para ajustar
preços competitivos com os concorrentes do mercado
48
DM – DETECCÃO DE FRAUDES
Aplicações
Largamente usada em serviços de saúde, cartões de créditos,
telecomunicações (fraude de ligações telefônicas), etc.
Técnicas
Dados históricos para construir modelos de comportamento
fraudulentos e usar mineração de dados para identificar instâncias
similares
Exemplos
Seguro de automóveis: detecta um grupo de pessoas que são
potenciais coletores de sinistros
Lavagem de dinheiro: detecta transações suspeitas de dinheiro
Seguro de saúde: detecta pacientes “profissionais” e grupo de
outores usados para receber seguro destes pacientes
49
DM – DETECCÃO DE FRAUDES
Detecção inapropriada de tratamento médico
Comissão de Seguro de Saúde da Austrália identificou
que em muitos casos os tratamentos não eram necessários
(economia de $1milhão/ano).
Detecção de fraudes telefônicas
Modelo de ligações telefônicas: destino da ligação,
duração, hora do dia, dia da semana. Análise de padrões
que desviam do padrão esperado.
50
DM - DESCOBERTA DO
CONHECIMENTO EM BD (KDD)
INTERPRETAÇÃO/
AVALIAÇÃO
DATA
MINING
CONHECIMENTO
?
PADRÕES
TRANSFORMAÇÃO
PRÉ-PROCESSAMENTO
DADO
TRANSFORMADO
DADO
PROCESSADO
SELEÇÃO
FAYYAD 1996
DADO
ANALISADO
DADOS
51
DM - DESCOBERTA DO
CONHECIMENTO EM BD (KDD)
1 - SELEÇÃO
2 - PRÉ-PROCESSAMENTO
(Limpeza + Enriquecimento)
Conhecimento
3 - TRANSFORMAÇÃO
5
4 - MINERAÇÃO
4
5 - INTERPRETAÇÃO
3
Regras e
Padrões
2
Dados
Pré-processados
1
Dados
Dados
Transformados
Dados
Selecionados
52
DM - ETAPAS DO PROCESSO DE KDD
Conhecer o domínio da aplicação.
Conhecimento relevante e metas da aplicação
Criar a base de dados alvo: seleção de dados
Limpeza dos dados e pré-processamento: (até 60% do esforço!)
Transformação dos dados:
Contemplar propriedades importantes e dimensões.
Escolha das funções do data mining
sumarização, classificação, associação, clustering.
Escolha dos algortimos de mineração
Data mining: busca dos padrões de interesse
Avaliação dos padrões descobertos e apresentação do
conhecimento
visualização, transformação, remoção de padrões redundantes, etc.
Uso do conhecimento descoberto
53
DM - ETAPAS DO PROCESSO DE KDD
Lógica
Condicional
Descoberta
Afinidades e
Associações
Tendências e
Variações
Data Mining
Modelagem de
Prognóstico
Resultado do
Prognóstico
Previsão
Detecção de
Desvio
Análise Prévia
Análise de
Ligações
54
ARQUITETURA DE UM SISTEMA DE
DATA MINING
Graphical user interface
Pattern evaluation
Data mining engine
Knowledge-base
Database or data
warehouse server
Filtering
Data cleaning &
data integration
Databases
Data
Warehouse
55
ALGUMAS TÉCNICAS
DE MINERAÇÃO
DE DADOS
56
TÉCNICAS DE MINERAÇÃO DE DADOS
 Classificação
 Descoberta de Regras de Associação
 Clustering
57
Mineração de Dados - Classificação
• Usamos o Indutor, como por exemplo uma Árvore
de decisão (ID3, C4.5), para indicar classes para
estes dados. Assumimos que dados desconhecidos
“próximos” de dados conhecidos terão a mesma
classe dos dados conhecidos.
• O processo pode ser avaliado se usarmos dados
com classes conhecidas, fizermos a sua
classificação e compararmos os resultados
previstos com os obtidos.
58
Mineração de Dados - Classificação
Classificação - REGRAS
Regras possuem:
antecedentes (condições) e
conseqüentes (classe):
SE COND1 E COND2 E... ENTÃO CLASSE(A)
Condições relacionam valores dos atributos:
Atributos : Cliente, Data Vencimento, Pagamento, Valor,....
Relações: <, >, =,......
59
Mineração de Dados - Classificação
Classificação – REGRAS - Exemplo
SE
06:00hs< hora_sinistro < 08:30hs E
oficina 
oficinas_suspeitas E
prêmio_seguro < R$ 2300
E
registro_policial = NÃO
E
...........
custo_sinistro > 2,4 prêmio_seguro
ENTÃO
FRAUDE
60
Mineração de Dados - Classificação
Classificação - Exemplo
Sexo
M
M
F
F
F
M
M
F
F
M
País
França
Inglaterra
Franca
Inglaterra
França
Alemanha
Alemanha
Alemanha
França
França
Idade
25
21
23
34
30
21
20
18
34
55
Comprar
sim
sim
sim
sim
não
não
não
não
não
não
61
Mineração de Dados - Classificação
Classificação
SE (país = “Alemanha”) ENTÃO (comprar=“não”)
Se (país = “Inglaterra”) ENTÃO (comprar = “sim”)
SE (país = “França” E idade  25) ENTÃO (comprar = “sim”)
SE (país = “França” E idade > 25) ENTÃO (comprar = “não”)
62
Mineração de Dados - Classificação
Algoritmo ID3
[Quinlan 86]
Passos para construção de uma árvore de decisão:
1. Seleciona um atributo como sendo o nodo raiz ;
2. Arcos são criados para todos os diferentes valores do
atributo selecionado no passo 1;
3. Se todos os exemplos de treinamento sobre uma folha
pertencerem a uma mesma classe, esta folha recebe o
nome da classe. Se todas as folhas possuem uma
classe, o algoritmo termina;
4. Senão, o nodo é determinado com um atributo que não
ocorra no trajeto da raiz, e arcos são criados para todos
os valores. O algoritmo retorna ao passo 3.
63
Mineração de Dados - Classificação
Exemplo
Árvore de Decisão ou
Árvore de Classificação
ID
1
2
3
4
5
6
7
8
9
Salário
3.000
4.000
7.000
6.000
7.000
6.000
6.000
7.000
4.000
Idade
30
35
50
45
30
35
35
30
45
Tipo Emprego
Autônomo
Indústria
Pesquisa
Autônomo
Pesquisa
Indústria
Autônomo
Autônomo
Indústria
Classe
B
B
C
C
B
B
A
A
B
Salário
 5.000
 5.000
Idade
B
 40
 40
T.Empr.
Ind.,Pesq.
C
Autônomo
Regras de Classificação
B
A
(Sal  5.000)  Classe = B
(Sal  5.000)  (Idade  40)  Classe = C
(Sal  5.000)  (Idade  40)  (TEmpr = Autônomo)  Classe = A
(Sal  5.000)  (Idade  40)  ((TEmpr = Indústria)  (TEmpr = Pesquisa))  Classe = B
64
Mineração de Dados - Classificação
Algoritmo ID3: restrições
O algoritmo ID3 não contempla todos os casos:
• Quando atributos forem numéricos?
– Esquemas de discretização.
– Identificação de categorias discretas em atributos numéricos
(particionamento do atributo).
• Quando dados estiverem incompletos?
– Usar classe “faltando”.
– Substituir valores inexistentes (pré-processamento).
• Complexidade da árvore resultante
– Pruning (poda)
Outros algoritmos: C4.5 / J4.8
65
Mineração de Dados
Associação
66
Mineração de Dados - Associação
Descoberta de Regras de Associação
Regras de associação ou regras associativas têm a forma
{X1, X2, ..., Xn}  Y
significando que se encontrarmos todos os itens X1, X2,
..., Xn numa transação, então temos uma boa chance de
encontrar também Y.
(Freitas,2000)
67
Mineração de Dados - Associação
Precisamos de métricas que indiquem:
• Significância em uma associação: ela pode existir mas ser muito rara
em uma base de dados (ex. Compra cerveja e fraldas).
– Suporte X Λ Y : número de casos que contém X e Y dividido pelo
número total de registros.
• Confiança em uma associação: o antecedente pode ocorrer várias
vezes na base de dados mas nem sempre com o mesmo conseqüente
associado.
– Confiança X Λ Y : número de registros que contém X e Y dividido pelo
número de registros que contém X.
(Freitas,2000)
68
Mineração de Dados - Associação
Descoberta de Regras de Associação
dada a regra de associação
XY
X implica Y
se X então Y
se compra X então compra Y,
define-se
suporte =
confiança =
Número de registros com X e Y
Número total de registros
Número de registros com X e Y
Número de registros com X
Grau de Certeza
(Freitas,2000)
69
Mineração de Dados - Associação
“ Tarefa é descobrir todas a regras de associação
com suporte  ao suporte mínimo (minsup) e
confiança  confiança mínima (minconf) , definidas
pelo usuário”.
(Freitas,2000)
70
Mineração de Dados - Associação
Descoberta de Regras de Associação
Cada registro corresponde a uma transação de um cliente,
com itens assumindo valores binários (sim/não), indicando se o
cliente comprou ou não o respectivo item.
num
1
2
3
4
5
6
7
8
9
10
leite
não
sim
não
sim
não
não
não
não
não
não
café
sim
não
sim
sim
não
não
não
não
não
não
cerveja
não
sim
não
não
sim
não
não
não
não
não
pão
sim
sim
sim
sim
não
não
sim
não
não
não
manteiga
sim
sim
sim
sim
não
sim
não
não
não
não
arroz
não
não
não
não
não
não
não
não
sim
sim
feijão
não
não
não
não
não
não
não
sim
sim
não
(FREITAS & LAVINGTON 98)
71
Mineração de Dados - Associação
Descoberta de Regras de Associação
SE (café) ENTÃO (pão)
SE (café) ENTÃO (manteiga)
SE (pão) ENTÃO (manteiga)
SE (manteiga) ENTÃO (pão)
SE (café E pão) ENTÃO (manteiga)
SE (café E manteiga) ENTÃO (manteiga)
SE (café) ENTÃO (manteiga E manteiga)
sup=0.3 conf.=1
sup=0.3 conf.=1
sup=0.4 conf.=0.8
sup=0.4 conf.=0.8
sup=0.3 conf.=1
sup=0.3 conf.=1
sup=0.3 conf.=1
(Freitas, 2000)
72
Mineração de Dados - Associação
Algoritmos de regras de Associação
AIS
SETM
Apriori
Apriori -TID
Apriori-Hybrid
Dense – Miner
MiRABIT
73
TÉCNICAS DE MINERAÇÃO DE DADOS
Algoritmo Apriori
(1) Dado um limiar de suporte minsup, no primeiro passo encontre os itens
que aparecem ao menos numa fração das transações igual a minsup. Este
conjunto é chamado L1, dos itens freqüentes.
(2)Os pares dos itens em L1 se tornam pares candidatos C2 para o segundo
passo. Os pares em C2 cuja contagem alcançar minsup são os pares freqüentes
L2 .
(3) As trincas candidatas C3 são aqueles conjuntos {A, B, C} tais que todos os
{A, B}, {A, C} e {B, C} estão em L2. No terceiro passo, conte a ocorrência
das trincas em C3; aquelas cuja contagem alcançar minconf são as trincas
freqüentes, L3.
(4) Proceda da mesma forma para tuplas de ordem mais elevada, até os
conjuntos se tornarem vazios. Li são os conjuntos freqüentes de tamanho i;
Ci+1 é o conjunto de tamanho i+1 tal que cada subconjunto de tamanho i está
em Li.
74
TÉCNICAS DE MINERAÇÃO DE DADOS
Algoritmo Apriori
Conjunto de itens suporte
{leite}
2
{café}
3
{cerveja}
2
{pão}
5
{manteiga}
5
{arroz}
2
{feijão}
2
C1
L1 será os itens de C1 com
suporte >= 3 (0,3)
Conjunto de itens suporte
{café}
3
{pão}
5
{manteiga}
5
L1
75
TÉCNICAS DE MINERAÇÃO DE DADOS
Algoritmo Apriori
C2 , L2
Os pares dos itens de L1
tornam-se
Candidatos para o C2
Conjunto de itens suporte
{café, pão}
3
{café, manteiga}
3
{pão, manteiga}
4
Conjunto de itens
{café, pão, manteiga}
suporte
3
C3, L3
76
TÉCNICAS DE MINERAÇÃO DE DADOS
Algoritmo Apriori
Regras candidatas com dois itens com o seu grau de certeza(Confiança):
Conjunto de itens: {café, pão}
Se café Então pão
conf = 1,0
Se pão Então café
conf = 0,6
Conjunto de itens: {café, manteiga}
Se café Então manteiga conf = 1,0
Se manteiga Então café conf = 0,6
Conjunto de itens: {pão, manteiga}
Se pão Então manteiga
conf = 0,8
Se manteiga Então pão
conf = 0,8
77
TÉCNICAS DE MINERAÇÃO DE DADOS
Algoritmo Apriori
Regras candidatas com três itens com o seu valor de certeza:
Conjunto de itens: {café, manteiga, pão}
Se café, manteiga Então pão
conf = 1,0
Se café, pão Então manteiga
conf = 1,0
Se manteiga, pão Então café
conf = 0,75
Se café Então manteiga, pão
conf = 1,0
Se manteiga Então café, pão
conf = 0,6
Se pão Então café, manteiga
conf = 0,6
78
Mineração de Dados - Associação
Descoberta de Regras de Associação
Padrões descobertos, minsup = 0,3 e minconf = 0,8:
Se café Então pão
conf = 1,0
Se café Então manteiga
conf = 1,0
Se pão Então manteiga
conf = 0,8
Se manteiga Então pão
conf = 0,8
Se café, manteiga Então pão
conf = 1,0
Se café, pão Então manteiga
conf = 1,0
Se café Então manteiga, pão
conf = 1,0
79
Mineração de Dados
Clustering
Agrupamento
80
Mineração de Dados - Clustering
Cluster
É o resultado da identificação de um conjunto finito de
categorias (ou grupos - clusters) que contêm objetos
similares.
Grupos esses que não são previamente definidos.
81
Mineração de Dados - Clustering
Análise de Cluster
“Esta técnica agrupa informações homogêneas
de grupos heterogêneos entre os demais e aponta o
item que melhor representa cada grupo, permitindo,
desta forma, que consigamos perceber a
característica de cada grupo.
Instintivamente as pessoas visualizam os dados
segmentados em grupos discretos, como por exemplo,
tipos de plantas ou animais. Na criação desses grupos
discretos pode-se notar a similaridade dos objetos em
cada grupo”.
GTI (2002) - Deborah R. Carvalho
82
Mineração de Dados - Clustering
Análise de Cluster
Marketing: ajuda na descoberta de grupos distintos de
clientes, e uso deste conhecimento para criar
campanhas dirigidas;
Uso de terras: identificação de áreas de uso similar a
partir de uma base de observação via satélite;
Seguros: identificação de grupos de assegurados com
alto custo de sinistro;
Planejamento urbano: identificação de grupos de casa
de acordo com seu tipo, valor e localização geográfica;
Estudos sobre clientes: identificação dos tipos de
clientes em função de pagamentos de duplicatas – Meu
Caso.
83
Mineração de Dados - Clustering
O que é bom Clustering:
Um
bom método de agrupamento (clustering) deve produzir
clusters de qualidade com:
Alta similaridade intra-classe;
Baixa similaridade inter-classes.
A
qualidade do resultado de um processo de clustering
depende da medida de similaridade, do método utilizado e de
sua implementação;
A
qualidade um um processo de clustering também deve ser
avaliada pela sua habilidade de descobrir alguns ou todos os
padrões escondidos (hidden patterns).
84
Mineração de Dados - Clustering
Medida da qualidade do cluster
Métrica
de similaridade / dissimilaridade: expressa em termos de
função de distância d(i, j)
Existe
uma função de “qualidade” que é uma medida da
“adequação” de um cluster;
Existem
definições de funções de distância que são diferentes para
variáveis intervalares, booleanas, categóricas e proporções;
Pesos
devem ser associados às variáveis baseados na aplicação e
na semântica dos dados;
É
difícil definir “suficientemente similar”, pois tipicamente esta
avaliação é subjetiva.
85
Mineração de Dados - Clustering
Similaridade entre objetos: distâncias
Distância típica: de Minkowski;
d (i, j)  q (| x  x |  | x  x | ... | x  x | )
i1
j1
i2
j2
ip
jp
q
q
q
Onde i = (xi1, xi2, …, xip) e j = (xj1, xj2, …, xjp)
são vetores p-dimensionais e q é um inteiro
positivo.
86
Mineração de Dados - Clustering
Similaridade entre objetos: distâncias
q =1: distância de Manhattan:
d (i, j) | x  x |  | x  x | ... | x  x |
i1 j1 i2 j 2
ip jp
q =2: distância euclidiana:
d (i, j)  (| x  x | 2  | x  x | 2 ... | x  x | 2 )
i1
j1
i2
j2
ip
jp
87
Mineração de Dados - Clustering
O método k-means (k-médias)
Dado k, o algoritmo k-means é implementado em
quatro passos:
1. Partição dos objetos em k conjuntos não vazios;
2. Cálculo de pontos “semente” como os
centróides (médias) dos clusters das partições
correntes;
3. Assinalação de cada objeto ao cluster
(centróide) mais próximo de acordo com a
função de distância;
4. Retorno ao passo 2 até que não haja mais
alterações de assinalação.
88
Mineração de Dados - Clustering
O método k-means (k-médias) - Exemplo
10
10
9
9
8
8
7
7
6
6
5
5
4
4
3
3
2
2
1
1
0
0
0
1
2
3
4
5
6
7
8
9
10
0
10
10
9
9
8
8
7
7
6
6
5
5
4
4
3
3
2
2
1
1
1
2
3
4
5
6
7
8
9
10
0
0
0
1
2
3
4
5
6
7
8
9
10
0
1
2
3
4
5
6
7
8
9
10
89
Estudo de
Caso
Extração de conhecimento na
base de clientes da
Organização Arnon de Mello
90
Estudo de Caso - OAM
Ferramentas Observadas
 Bayesialab
 KnowledgeMiner
 Miner3D
 Mineset 3.2
 PolyAnalyst
 Weka
 WizRule
 WizWhy
 XpertRule
91
Estudo de Caso - OAM
INTERPRETAÇÃO/
AVALIAÇÃO
DATA
MINING
CONHECIMENTO
?
PADRÕES
TRANSFORMAÇÃO
PRÉ-PROCESSAMENTO
DADO
TRANSFORMADO
DADO
PROCESSADO
SELEÇÃO
DADO
ANALISADO
DADOS
SQL Server
Planilha EXCEL
FAYYAD 1996
Filtros para os atributos:
Cliente,Vencimento,Baixa,
Valor
92
Estudo de Caso - OAM
93
Estudo de Caso - OAM
94
MineSet - Tools
Estudo de Caso - OAM
95
Estudo de Caso - OAM
96
Estudo de Caso - OAM
Histograma
Cliente X
Clientes por
quantidade de
transações
financeiras (Nº
de Duplicatas)
Cerca de 75% da
carteira pagam
até 21 dias de
atraso
Cliente Tipo A
pagam entre 0 e
30 dias de atraso
97
Estudo de Caso - OAM
Dispersão
98
Estudo de Caso - OAM
Dispersão
O cliente 105414 paga com mais
de 360 dias de atraso e seu
volume é de R$717.544 – Requer
providências imediatas.
99
Estudo de Caso - OAM
Mapa
100
Estudo de Caso - OAM
Classificação
101
Estudo de Caso - OAM
Classificação –
Indutor: Àrvore de decisão
102
Classificação
103
Estudo de Caso - OAM
Associação
104
Estudo de Caso - OAM
O cliente 105414 se mantém na faixa de atraso em (241.5...360)
Regra: Se for cliente 105414 paga com mais de 240 dias de atraso
105
Estudo de Caso - OAM
Regra1: Se for cliente 108017 paga até 30 dias de atraso
Regra2: Se for cliente 113009 paga no prazo (atraso = 0)
106
Estudo de Caso - OAM
Clustering
107
Estudo de Caso - OAM
Clustering
108
Estudo de Caso - OAM
Clustering
109
Estudo de Caso - OAM
Clustering
110