1
Introdução à Descoberta de
Conhecimento e Mineração de
Dados
2
3
Introdução: por que Data Mining ?
•
O problema da explosão da quantidade de dados
(data explosion)
:
–
Ferramentas de armazenamento automático e a
maturidade da tecnologia de banco de dados
levaram à criação de imensas massas de dados
em data bases, data warehouses e em outros
repositórios.
4
Introdução: por que Data Mining ?
–
Estamos nos afogando em dados, mas
5
Introdução: por que Data Mining ?
•
A solução: data warehousing e data mining:
–
Data warehousing e on-line analytical processing
(OLAP);
–
Extração de conhecimentos interessantes (regras,
regularidades, padrões, restrições) a partir das
grandes bases de dados.
6
Introdução: evolução da tecnologia
dos BD
•
1960s: Coleta de dados, criação de bancos de dados,
IMS e DBMS em rede;
•
1970s: Modelo de dados relacional, implementação de
DBMS relacionais;
•
1980s: RDBMS, modelos de dados avançados
(relacional estendido, OO, dedutivo, etc.) e DBMS
orientados à aplicação (espaciais, científicos, para
engenharia, etc.)
•
1990s—2000s: Data mining and data warehousing,
DBMS multimídia e Web DB.
7
Introdução: o que é data mining ?
•
Data mining (descoberta de conhecimento em BD):
–
Extração de padrões de informação de interesse
(não-trivial, implícita, previamente desconhecida e
potencialmente útil) de grandes DBs.
•
Conceitos relacionados:
–
Descoberta de conhecimento em BD (KDD), extração de
conhecimento, análise de padrões em dados,
information harvesting, business intelligence, etc.
•
O que não é data mining?
–
Processamento dedutivo de consultas;
–
Sistemas especialistas e pequenos programas
estatísticos e de aprendizagem de máquina.
8
Introdução: potenciais aplicações
• Análise de DB e suporte à decisão:
– Análise e gerenciamento de mercado:
• Marketing dirigido, gerenciamento de relações com consumidores, análise de cestas de mercado, vendas cruzadas, segmentação de mercado;
– Análise e gerenciamento de risco:
• Previsões, retenção de clientes, controle de qualidade, análise de competitividade;
– Análise e gerenciamento de fraudes.
• Outras aplicações:
– Mineração de textos (documentos, emails, news) e Web mining.
9
Análise e gerenciamento de mercado
• Onde estão as fontes de dados para análise ?– Transações com cartões de crédito, cartões de fidelidade, cupons de desconto, requisições de clientes e estudos sobre o estilo de vida dos clientes.
• Marketing dirigido:
– Encontra grupos de clientes “modelo” que compartilham as mesma características: interesses, salário, hábitos de consumo, etc.
• Determinação de padrões de compra ao longo do tempo:
– Conversão de conta simples para conjunta, casamento, etc. • Análise de vendas cruzadas:
– Associações e correlações entre vendas de produtos;
10
Análise e gerenciamento de mercado
• Perfil do consumidor:
– data mining pode informar que tipos de consumidores compram quais
produtos (agrupamento ou classificação);
• Identificação dos requisitos dos clientes:
– Identifcação dos melhores produtos para os diferentes clientes;
– Uso de predição para encontrar quais fatores atrairão os consumidores;
• Fornecimento de informação sumarizada:
– Relatórios multidimensionais sumarizados;
– Informações estatísticas sumarizadas (tendência central e variação dos dados)
11
Análise corporativa e gerenciamento
de risco
• Planejamento financeiro e avaliação de crédito:
– Análise e previsão de fluxo de caixa;
– Análise contingente para avaliação de crédito;
– Análise seccional e temporal (razão financeira, análise de tendência, etc.)
• Planejamento de recursos:
– Sumarização e comparação de recursos e gastos; • Competição:
– Monitoramento de competidores e mercado;
– Agrupamento de clientes em classes e procedimentos de preços baseados em classes;
12
Detecção e gerenciamento de
fraudes
• Aplicações:
– Amplamente utilizado em serviços de cartões de crédito, telefonia celular, convênios de saúde, etc.
• Abordagem:
– Uso de dados históricos para construir modelos do
comportamento fraudulento e uso de data mining para identificar instâncias similares;
• Exemplos:
– Seguros de automóveis: detectar um grupo de pessoas que forjam acidentes para ganhar o seguro;
– Lavagem de dinheiro: detecção de transações suspeitas de
dinheiro (US Treasury's Financial Crimes Enforcement Network)
– Seguros médicos: detecção de pacientes”profissionais” e grupos de doutores coniventes.
13
Detecção e gerenciamento de
fraudes
• Detecção de tratamento médico inapropriado:
– A Australian Health Insurance Commission identificou que em muitos casos exames desnecessários eram solicitados
(economia de AD$1milhão /ano). • Detecção de fraudes telefônicas:
– Modelo de chamadas telefônicas: destino da chamada,
duração, horário e dia da semana; análise de padrões para detectar desvios;
– A British Telecom identificou grupos de clientes com chamadas freqüentes dentro do grupo, especialmente em telefones
celulares, e detectou uma fraude milionária. • Venda a varejo:
– Analistas estimam que 38% das perdas no varejo são devidas a empregados desonestos.
14
Outras aplicações
• Esportes:
– IBM Advanced Scout analisou as estatísticas dos jogos da NBA (cestas, bloqueios, assistências, faltas, etc) para auxiliar os times do New York Knicks e do Miami Heat;
• Astronomia:
– JPL e o Observatório do Monte Palomar descobriram 22 quasars com o auxílio de data mining;
• Ajuda o uso da Internet:
– IBM Surf-Aid aplica algoritmos de data mining a logs de acessos Web à páginas de vendas, de forma a descobrir preferências e comportamentos dos clientes e efetuar análise da efetividade do Web marketing, melhorar a organização do site Web, etc.
15
16
KDD e Data Mining
Data mining é o coração
do processo KDD
Data Cleaning Data Integration Databases Data Warehouse Task-relevant Data Selection Data Mining Pattern Evaluation17
Passos do processo de KDD
•
Estudo sobre o domínio de aplicação:
–
Conhecimento relevante a priori e metas da
aplicação;
•
Criação de um dataset alvo:
–
Seleção de dados;
•
Limpeza e pré-processamento dos dados:
–
Pode corresponder a 60 % do esforço;
•
Redução e transformação dos dados:
–
Encontrar atributos relevantes, redução de
18
Passos do processo de KDD
•
Escolha da função de data mining:
–
Sumarização, classificação, regressão,
associação, regressão, agrupamento...
•
Escolha do algoritmo de mineração:
–
Busca aos padrões de interesse;
•
Avaliação dos padrões e apresentação do
conhecimento:
–
Visualização, transformação, remoção de
redundâncias, etc.
19
Data Mining e Business Intelligence
Increasing potential to support
business decisions End User
Business Analyst Data Analyst DBA Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA
Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts
Data Sources
20
Arquitetura de um sistema de DM típico
Data Warehouse
Data cleaning & data integration Filtering
Databases
Database or
data warehouse
server
Data mining engine
Pattern evaluation
Graphical user interface
Knowledge-base
21
DM: em que dados?
•
DB relacionais:
•
Data warehouses;
•
DB tradicionais;
•
DB de transações;
•
DB avançados e repositórios de informação;
•
DB Orientados a Objeto e DB Objeto-Relacionais;
•
DB espaciais;
•
Séries temporais e dados temporais;
•
DB legados e heterogêneos;
22
DM: funcionalidades
•
Descrição de conceitos: caracterização e
discriminação:
–
Generalização, sumarização, contraste das
características dos dados, e.g., regiões secas e
úmidas;
•
Associação
(
correlação e causalidade)
–
Associação multi-dimensional x uni-dimensional;
–
idade(X,“20..29”)^ganhos(X,“20..29K”)
=> compra (X, “PC”)
23
DM: funcionalidades
•
Classificação e predição:
–
Encontrar modelos (funções) que descrevem e
distinguem classes ou conceitos para futura
predição;
–
Ex: classificar países conforme o clima ou carros
conforme o consumo;
–
Apresentação: árvore de decisão, regra de
classificação, rede neural;
–
Predição: de valor numérico desconhecido ou
perdido;
24
DM: funcionalidades
•
Agrupamento (clustering):
–
O rótulo (nome) da classe é desconhecido:
deve-se agrupar os dados para formar clasdeve-ses;
–
Ex: agrupamento de casas para encontrar
padrões de distribuição;
–
O agrupamento é baseado na maximização da
similaridade intra-classe e minimização da
25
DM: funcionalidades
•
Análise de desvios (outlier analysis):
– Desvio (outlier): objeto que não está em conformidade com o comportamento geral dos dados;
– Pode ser considerado como ruído ou exceção mas é útil no caso da detecção de fraudes, análise de eventos raros, etc.
•
Análise de tendências e evolução:
– Tendência e desvio: análise de regressão – DM seqüencial, análise de periodicidade; – Análise baseada em similaridade;
•
Outras análises estatísticas e de reconhecimento de
padrões.
26
Todos os padrões descobertos são
interessantes ?
•
Um sistema de DM pode gerar milhares de padrões,
nem todos interessantes;
– Abordagem sugerida: centrada no usuário, baseada em consultas, dirigindo a mineração;
•
Medidas do grau de interesse:
– Um padrão é interessante se for facilmente compreendido, válido no conjunto de dados novo / de teste com certo grau de certeza, potencialmente útil e anteriormente
desconhecido, ou validando alguma hipótese que se deseja confirmar;
27
Todos os padrões descobertos são
interessantes ?
•
Medidas de interesse objetivas e subjetivas:
– Objetivas: baseadas em estatísticas e na estrutura doa padrões, e.g., suporte, confiança;
– Subjetivas: baseadas na crença do usuário nos dados, e.g., novidade, não-expectativa, etc.
28
Todos os padrões interessantes são
encontrados ?
•
Completude: encontrar todos os padrões
interessantes:
– O sistema pode encontrar todos os padrões interessantes ?
– Associação x classificação x agrupamento.
•
Otimização: busca apenas dos padrões
interessantes:
– O sistema pode encontrar somente padrões interessantes ?
– Abordagens:
• Encontrar todos os padrões e descartar (filtrar) os não interessantes;
• Gerar apenas padrões interessantes: otimização de consultas de mineração.
29
DM: um campo multidisciplinar
Data Mining
Database
Technology
Statistics
Other
Disciplines
Information
Science
Machine
Learning
Visualization
30
DM: esquemas de classificação
•
Funcionalidade geral:
–
DM descritivo;
–
DM preditivo.
•
Visões diferentes, classificações diferentes:
–
Tipos de DB a serem minerados;
–
Tipos de conhecimentos a serem descobertos;
–
Técnicas a serem utilizadas;
31
Uma visão multidimensional da
classificação de DM
• DB a serem minerados:
– DB relacional, transacional, OO, OR, ativo, espacial, série-temporal, textual, multimídia, herdado, heterogêneo, Web... • Conhecimento a ser minerado:
– Caracterização, agrupamento, associação, classificação, discriminação, tendência, desvios...
– Funções integradas e mineração em níveis múltiplos; • Técnicas utilizadas:
– Orientada à DB, data warehouse (OLAP), aprendizagem de máquina (ML), estatística, visualização...
• Aplicações alvo:
32
OLAP mining: uma integração de data
warehousing e DM
• Acoplamento dos sistemas de DM, DBMS e data warehouse;
– Sem acoplamento, fracamente acoplados, semi-acoplados, acoplados;
• On-line analytical mining (OLAM):
– Integração das tecnologias de OLAP e DM; • Mineração interativa e conhecimento multi-níveis:
– Necessidade de minerar conhecimento e padrões em diferentes níveis de abstração utilizando drilling / rolling , etc.
• Integração de múltiplas funções de mineração:
– Classificação caracterizada, primeiro agrupamento e depois associação.
33
Uma arquitetura OLAM
Data Warehouse Meta Data
MDDB
OLAM
Engine
OLAP
Engine
User GUI API
Data Cube API
Database API Data cleaning Data integration Layer3 OLAP/OLAM Layer2 MDDB Layer1 Data Repository Layer4 User Interface Filtering&Integration Filtering Databases
34
Pontos centrais em DM
• Metodologia de mineração e interação com o usuário:
– Mineração de diferentes tipos de conhecimento nas DB; – Mineração interativa em vários níveis de abstração;
– Incorporação de conhecimento de fundo (background
knowledge);
– Linguagens de consulta para DM e DM ad-hoc;
– Visualização e apresentação dos resultados de DM; – Manuseio de dados incompletos e de ruídos;
– Avaliação dos padrões: o problema do interesse. • Performance e escalabilidade:
– Eficiência e escalabilidade dos algoritmos de DM; – Métodos de DM paralelo, distribuído e incremental.
35
Pontos centrais em DM
• Pontos relacionados à diversidade de tipos de dados:
– Manuseio de dados relacionais e complexos;
– Mineração de fluxos de informação de DB heterogêneas e de sistemas de informação globais (Web).
• Pontos relacionados às aplicações e impactos sociais:
– Aplicações de descoberta de conhecimento:
• Ferramentas de DM para domínios específicos;
• Resposta inteligente a consultas;
• Controle de processos e processo decisório.
– Integração do conhecimento descoberto ao conhecimento existente: o problema da fusão de conhecimentos;
36
Sumário
• Data mining: descoberta de padrões interessantes em grandes
quantidades de dados;
• DM é uma evolução natural da tecnologia de DB, com grande número de possíveis aplicações;
• O processo de KDD inclui a limpeza, integração, seleção e
transformação dos dados, data mining, avaliação dos padrões e apresentação do conhecimento;
• A mineração pode ser executada em vários repositórios de informação;
• Funcionalidades do DM: caracterização, discriminação,
associação, classificação, agrupamento, desvios, análise de tendências, etc.
• Classificação dos sistemas de DM;
37
Referências
• P. Adriaans, D. Zantinge. Data Mining. Addison-Wesley, 1996.
• U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R.
Uthurusamy. Advances in Knowledge Discovery and Data
Mining. AAAI/MIT Press, 1996.
• J. Han and M. Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2000.
• A. Berson, S.J. Schimdt. Data Warehousing, Data Mining &
OLAP. McGraw-Hill, 1997.
• G. Piatetsky-Shapiro and W. J. Frawley. Knowledge Discovery in Databases. AAAI/MIT Press, 1991.