NeuroTech Ltda.
www.neurotech.com.br
Conteúdo
Metodologias para Mineração de Dados
A metodologia CRISP-DM
Exemplo de um Projeto de Mineração de Dados
Gerência de Projetos
Metodologias para documentação de processos de KDD
• Enquadrar KDD como projetos complexos
Projetos
• Início, meio e fim
Todo Projeto • Inicialização • Planejamento • Execução • Acompanhamento e Controle • Finalização
Gerência de Projetos
Áreas do Conhecimento • Riscos • Qualidade • Aquisição • Custos • Tempo • Recursos Humanos • Integração • Escopo • ComunicaçãoMetodologias para o Processo KDD
1996 – Fayyad et al. 1996 – CRISP-DM 1996 – Brachman et al. 1997 – Klemettinen et al. 1998 – Feldens et al. 2003 – DMLC 2005 – DMEasy1.
Iterativo
2.
Interativo
3.
Organizado em Fases
4.
Processos Extras
5.
Reuso do Conhecimento
6.
Visão de Projeto
7.
Levantamento de Requisitos
8.
Entendimento do Negócio
Características Desejáveis
Comparações - Metodologias
N= não aborda; M= menciona, mas sem detalhes; A= aborda em detalhes.
Ano Metodol. Iter Inter Fase Proces. Extras Reuso Conhec Visão Projeto Levant. Requis. Entden Negóc 1996 Fayyad A M A N N N N N 1996 CRISP-DM A M A N N A M A 1996 Brachman A M A M N N M M 1997 Klemettin A M A N N N N A 1998 Feldens A M A N N N N N 2003 DMLC A M A N M A M A 2005 DMEasy A A A A M A A A
Metodologias em Data Mining
Fonte: http://www.kdnuggets.com/polls/
O que é CRISP-DM?
Metodologia padrão não proprietária que identifica as diferentes fases na implantação de um projeto de data mining (DMP).
CRISP-DM
http://www.crisp-dm.org/
CRoss Industry Standard Process for Data Mining
Níveis do CRISP-DM
Phases Generic Tasks Specialized Tasks Process Instances CRISP Process Model Mapping CRISP ProcessMetodologia de Trabalho: CRoss-Industry
Standard Process for DM (CRISP-DM)
Entendimento do Negócio Entendimento dos Dados Preparação dos Dados Modelagem de I.A. Avaliação de Desempenho Implantação Dados
Abordagem Tradicional para
Mineração de Dados
Data Mining KDD CRISP-DMInteligência Artificial (IA) Tecnologia=BD+Estat.+IA+ADS
Processo de Descoberta do Conhecimento [Fayyad 96] Preprocessing Data Sources Target Data Transformed Data Preprocessed Data Patterns / Models Knowledge Selection Interpretation/ Evaluation Transformation Data Mining 2. Business Understanding 3. Data Understanding 4.2 Clean Data 4.1 Select Data 4.3 Construct Data 5. Modeling 6. Evaluation 7. Deployment
Exemplo de Projeto Mineração de Dados Utilizando
CRISP-DM: Objetivo do Projeto
Descrever todo o processo de desenvolvimento da solução do projeto: Mineração de dados para a diagnóstico de falhas.
Apresentar a metodologia de desenvolvimento de soluções padrão em mineração de dados chamada CRISP-DM
Fase 1 no projeto de DM
Business Understanding:
• Definição dos objetivos do negócio
- Detectar as falhas do sistema, a partir do histórico das ocorrências e da condição dos alarmes de sinalização de problemas nos sistemas.
- Extrair conhecimento dos dados através de regras para o melhor entendimento das circunstâncias que resultam em falhas.
• Descrever os critérios de resultados para que o projeto seja considerado um sucesso, assim como a forma de medir.
- Auxílio para a definição de políticas de manutenção
- Uniformidade no padrão de qualidade do serviço (livre de fadiga, stress, desgaste emocional)
Fase 1 no projeto de DM (cont)
Business Understanding:
• Avaliar situação atual do cliente.
- Recursos Disponíveis
- Dados em um data warehouse (ORACLE)
- Suposições e Restrições
- Alarme Crítico = Falha
Fase 1 no projeto de DM (cont)
Business Understanding:
• Determinar os riscos- Demanda do especialista do domínio
- Qualidade dos dados
- Recebimento dos dados
• Determinar tarefas de mineração de dados
- Classificação de padrões
- Regras de classificação
Fase 1 no projeto de DM (cont)
Business Understanding:
• Fazer Plano do Projeto
- Etapa 1:
- Levantamento da situação atual do problema de falhas
- Etapa 2:
- Análise preliminar dos dados sobre as ocorrências de falhas de equipamentos
- Etapa 3:
- Preparação dos dados
- Modelagem dos dados
- Extração de Regras do conhecimento adquirido
- Etapa 4:
- Interação com especialista do domínio
- Homologação dos resultados
- Etapa 5:
Business understanding
Data
understanding
Fase 2 no projeto de DM
Data Understanding
• Coletar dados iniciais
- Dados referentes aos alarmes na rede de telecomunicações SDH - Alcatel foram disponibilizados em arquivos textos mensais nos 14 meses de dez/2001 a jan/2003.
- Junção dos dados em uma única tabela. (ACCESS).
Fase 2 no projeto de DM
Data Understanding
• Descrever os dados
- 491.127 alarmes
- 75934 (15,46%) são alarmes críticos (falhas).
Campo NOME DO CAMPO 1 EQUIPAMENTO 2 ALARME 3 MODULO 4 LOCAL 5 NOME LOCAL 6 GERENCIA 7 SEVERIDA 8 DATAALARME 9 DATANORM 10 ROTA
Fase 2 no projeto de DM
Tipo de alarmes Freqüência Percentual CRITICAL 75934 15,5 % MAJOR 234780 47,8 % MINOR 147797 30,1 % WARNING 32616 6,6 % Data Understanding Descrever os dados • Tabelas • Gráficos
Fase 2 no projeto de DM
- Data Understanding
Verificar qualidade dos dados
• Boa qualidade dos dados
• 0% de missings
Business understanding Data understanding Data preparation
Fase 3 no projeto de DM
Data Preparation:
• Preparar os dados para importação no software de DM.
• Derivar campos calculados (se necessário)
• Integrar bases de dados externas (IBGE, Correios, etc.)
• Limpeza dos dados: outliers e missings.
Fase 3 no projeto de DM
Data preparation:
• Campos Calculados:- QTD WARNING => Quantidade de alarmes warnings desde o último alarme crítico.
- QTD MAJOR => Quantidade de alarmes major desde o último alarme crítico
- QTD MINOR => Quantidade de alarmes minor desde o último alarme crítico
Fase 3 no projeto de DM
Data preparation:
• Pré-Processamento:
• 5 (cinco) atributos relevantes
• 3 natureza numérica
- Normalização [0...1]
• 2 natureza categórica
- Transformação 1 de n
• Variável de saída
- ‘WARNING’ para ‘Não-FALHA’ - ‘MINOR’ para ‘Não-FALHA’ - ‘MAJOR’ para ‘Não-FALHA’ - ‘CRITICO’ para ‘FALHA’
Business understanding Data understanding Data preparation Modelling
Fase 4 no projeto de DM
Modeling:
• Selecionar as técnicas de modelagem
- Redes Neurais
- Regras de Classificação
• Catalogar parâmetros utilizados
- 50% para treinamento,
- 25% para validação
- 25% para teste
• Retornar ao Data Preparation
Fase 4 no projeto de DM
Modeling: Rede Neural: Arquitetura MLP Algoritmo: Backpropagation Camadas Escondidas: 1 Neurônios Escondidos: 2, 4, 8 e 20 Taxa de Aprendizado: 0,1, 0,01 e 0,001 Número de iterações: 100, 1000 e 10000Problema: Diagnóstico de Falhas
Número de Entradas: 16 Número de Saídas 2 Padrões de Treinamento 50% Padrões de Validação 25% Padrões de Teste 25% Regras de Classificação:
Regras com abrangência maior que 5%
Business understanding Data understanding Data preparation Modelling Evaluation
Fase 5 no projeto de DM
Evaluation – Rede Neural:
Falha Alarme Total Clas.Falha 18011 3563 21574
Clas.Alarme 972 100235 101207 Total 18983 103798 122781
Erro I = 3.4% (Classificar como falha quando na verdade é
apenas alarme).
Erro II = 5.1% (Classificar como alarme quando na verdade
é uma falha).
Fase 5 no projeto de DM
Evaluation - Regras de Classificação:
Regras que caracterizam situações de falhas:
SE LOCAL = "XINGO MARGEM ESQUERD"
ENTÃO FALHA EM 41.45%, REPRESENTANDO 6.9% DA MASSA.
SE LOCAL = "ANGELIM (REPETIDORA)"
ENTÃO FALHA EM 38.35%, REPRESENTANDO 8.2% DA MASSA.
SE QTDWARNI = "DE 0 ATÉ 1"
Fase 5 no projeto de DM
Evaluation - Regras de Classificação:
Regras que caracterizam situações de alarmes:
SE LOCAL = "RECIFE - COS"
ENTÃO FALHA EM 00.95%, REPRESENTANDO 25.54% DA MASSA.
SE LOCAL = "USINA DE SOBRADINHO"
ENTÃO FALHA EM 01.58%, REPRESENTANDO 11.69% DA MASSA.
SE QTDMINOR = "DE 1 ATÉ 2"
Business understanding Data understanding Data preparation Modelling Evaluation Deployment
Fase 6 no projeto de DM
Entrega do produto do projeto de mineração de dados.
• Software em produção (on-line)
• Software analítico (off-line)
• Relatório com um resumo das etapas do processo CRISP-DM.
• Treinamento e Apresentação para o Usuário
Resumo das Ferramentas Utilizadas
Nome Função Fabricante Fase
Excel Planilha Microsoft desempenhoAvaliação de
ORACLE DISCOVERY Data Warehouse ORACLE Entendendo os dados
Access Banco de Dados Microsoft Entendendo os dados
Word Editor de texto Microsoft Entendendo o negócio
Oxedit Manipulação de grandes arquivos texto. OX Entendendo os dados
NeuralScorer Mineração de Dados +Manipulação de dados NeuroTech Modelagem + Preparação dos dados
Resumo das Potenciais Ferramentas
Business Understanding
• Ferramentas para Gerenciamento de Processos
- Microsoft Visio - Popkin • Editores de Texto - Microsoft Word - Tex - Acrobat Writer
• Ferramentas para Planejamento de projetos
- Project
Resumo das Potenciais Ferramentas
Data Understanding e Data Preparation
• Banco de Dados - SQL Server - Oracle • Ferramentas de estatística - SPSS - STATISTICA - SAS - MINITAB • Planilhas Eletrônicas - Excel
Resumo das Potenciais Ferramentas
Modeling e Evaluation
• Ferramentas Estatísticas
- SPSS, R-PROJECT, SAS, MINITAB, etc.
• Ferramentas de Inteligência Artificial
- Weka
- Tanagra
- Clementine (SPSS)
- Intelligent Miner (IBM)
- Enterprise Miner (SAS)
- Matlab
• Planilhas Eletrônicas
Resumo das Potenciais Ferramentas
Deployment
• Ferramentas para Gerenciamento de Processos
- Microsoft Visio - Popkin • Editores de Texto - Microsoft Word - Tex - Acrobat Writer
• Desenvolvimento de Software Específico
Conclusões
Necessidade de uma ferramenta de mineração de
dados completa.
Apresentação metodologia CRISP-DM em um problema prático de mineração de dados.
• Formalização
• Replicação
Bom poder de classificação da rede neural (poderia
ser colocado em produção)
Regras extraem conhecimento para tomada de
Referências Bibliográficas
Han, J., Kamber M. (2006) Data Mining: Concepts and techniques.
Morgan Kaufman Publishers, San Francisco, CA.
Witten, I., Frank, E. (2005) Data Mining: Pratical Machine Learning
Tools and Techniques with Java Implementations. San Diego, California: Academic Press.
FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data
mining to knowledge discovery: An overview : in Fayyad,
Piatetsky-Shapiro, Smyth and Uthurusamy, 1996.
REINARTZ, T.; WIRTH, R.; CLINTON, J.; KHABAZA, T.; HEJLESEN,
J.; CHAPMAN, P.; KERBER, R. The current CRISP-DM process model
for data mining. Berlin: Technical University., 1998.
Tarefas de Data Mining
Descrição e Sumarização dos Dados• Tabelas, Gráficos, Consultas OLAP
Segmentação ou Agrupamento
• Clustering, Redes Neurais, Visualização
Regressão
• Redes Neurais, Análise de Regressão, Séries Temporais,etc
Classificação
• Análise Discriminante, Redes Neurais, Árvore de Decisão, etc
Extração de regras ou Descrição
• Regras de Classificação, Regras de Associação
Análise de Dependência
• Análise de Correlação