Survey
* Your assessment is very important for improving the workof artificial intelligence, which forms the content of this project
* Your assessment is very important for improving the workof artificial intelligence, which forms the content of this project
Conceitos e Técnicas de Mineração de Dados (Data Mining) André O. Victor [email protected] Agenda Motivações O que é Data Mining ? Exemplo de aplicações Descoberta de Conhecimento (KDD) Arquitetura Técnicas em Mineração de Dados Regras de Associação Regras de Classificação Padrões de Seqüências Agrupamento (Clustering) Algoritmos de Mineração 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 O que é Data Mining ? Mineração de dados (descoberta de conhecimento em bases de dados): Nomes alternativos: Extração de informação interessante (não-trivial, implícita, previamente desconhecida e potencialmente útil) dos dados armazenados em grandes massas de dados Descoberta (mineração) de conhecimento em banco de dados (KDD), 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 Aplicações em Potencial Análise de dados e suporte a decisões Análise de mercado Análise de risco Marketing sob demanda, relação entre clientes, análise e segmentação de mercado, análise cruzada de dados, etc. Previsão, controle de qualidade, análise competitiva, análise de seguros Detecção de fraude Outras Aplicações Mineração de texto (news group, email, documentos XML e HTML) Web mining Análise de Mercado (1) Quais são as fontes de dados para análise ? 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 no tempo Análise cruzada de dados Associações/co-relações entre vendas de produtos Previsão baseada nas associações determinadas Análise de Mercado (2) Customer profiling 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 Análise de risco Planejamento de finanças e orçamento Planejamento de recursos: Análise e predição de fluxo de caixa Análise de contingência para provisão de bens Análise de séries temporais 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 Detecção de Fraude (1) Aplicações Técnicas Largamente usada em serviços de saúde, cartões de créditos, telecomunicações (fraude de ligações telefônicas), etc. 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 Detecção de Fraude (2) 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. Outras Aplicações Esportes Bioinformática IBM Advanced Scout analisou estatísticas de jogos da NBA (“tocos”, assistências, falats, etc.) para melhorar índices de equipe do New York Knicks and Miami Heat Predição de organismos e proteínas baseado em sequência de DNA Internet Web Surf-Aid IBM Surf-Aid usa algoritmos de data mining para extrair conhecimento de logs de acesso à paginas de comércio eletrônico. Isto permite a customizar os produtos a serem acessados pelo cliente, tipo de publicidade exibida, melhorando a organização do site, etc. Data Mining: Uma Etapa do Processo 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 Selecionados Dados Transformados Etapas do Processo KDD Conhecer o domínio da aplicação: Criar a base de dados alvo: seleção de dados Limpeza dos dados e pré-processamento: (até 60% do esforço!) Transformação dos dados: sumarização, classificação, associação, clustering. Escolha dos algortimos de mineração Data mining: busca dos padrões de interesse Avaliação dos padrões descobertos e apresentação do conhecimento Contemplar propriedades importantes e dimensões. Escolha das funções do data mining Conhecimento relevante e metas da aplicação visualização, transformação, remoção de padrões redundantes, etc. Uso do conhecimento descoberto Data Mining e Business Intelligence Increasing potential to support business decisions Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery End User Business Analyst Data Analyst Data Exploration Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts OLAP, MDA Data Sources Paper, Files, Information Providers, Database Systems, OLTP DBA Arquitetura de um Típico Sistema de Data Mining Graphical user interface Pattern evaluation Data mining engine Database or data warehouse server Data cleaning & data integration Databases Knowledge-base Filtering Data Warehouse Mineração sob que tipos de dado ? BDs relacionais (transacionais) Data warehouses BDs avançados e repositórios de informação BDs OO e OR BDs espaciais BDs temporais BDs texto e multimídias BDs heterogêneos e legados WWW Funcionalidades de um Data Mining (1) Descrição conceitual: Caracterização e discriminação Generalizar, resumir, e confrontar características dos dados, p.ex., seco x úmido, alto x baixo Associação (correlação) Ex.: uma grande loja, através da análise de suas transações de compras, descobriu que parte significativa das compras de homens, às sextas-feiras à noite, que incluía fraldas, incluía também cerveja compra(X, “fralda”) compra (X, “cerveja”) [support = 2%, confidence = 60%] Funcionalidades de um Data Mining (2) Classificação e Predição Buscar modelos (funções) que descrevem e distinguem classes ou conceitos para futuras predições Ex: classificar países baseados no clima, ou classificar carros baseados no consumo de combustível Apresentação: árvores de decisão, regras de classificação, rede neural Predição: prevê algum conhecimento não conhecido ou valor numérico ausente Análise de cluster Clustering baseado no princípio: maximizar a similaridade intra-classe e minimizar a similaridade entre-classes Todos os padrões descobertos são interessantes ? Um sistema de mineração de dados pode gerar milhares de padrões, mas nem todos são interessantes Técnica sugerida: focada na percepção humana Medida: Interessância (interestingness): Um padrão é interessante se é facilmente compreendido por humanos, válidos quando testados com algum grau de certeza, potencialmente útil, valida algumas hipóteses que um usuário busca confirmar Medidas Objetiva vs. subjetiva: Objetiva: baseada em estatísticas e estruturas de padrões (grau de suporte e confiança) Subjetiva: baseada na experiência do usuário, e.g., grau de novidade do resultado, coerência, etc. Data Mining: Integração de Múltiplas Disciplinas Database Technology Machine Learning Information Science Statistics Data Mining Visualization Other Disciplines OLAP Mining: Integração de Data Mining e Data Warehousing Acoplamento de sistemas Data mining, SGBDs e Data warehouse Nenhum acoplamento, fracamente acoplado, regular acoplamento, altamente acoplado Mineração de dados OLAP Mineração de múltiplos níveis de conhecimento interativamente Integração de múltiplas funções de mineração An OLAM Architecture Mining query Mining result Layer4 User Interface User GUI API OLAM Engine OLAP Engine Layer3 OLAP/OLAM Data Cube API Layer2 MDDB MDDB Meta Data Filtering&Integration Database API Filtering Layer1 Data cleaning Databases Data Warehouse Data integration Data Repository Principais Técnicas em Mineração de Dados (tipos de informações mineradas) • Regras de Associação • Regras de Classificação • Padrões de Seqüências • Agrupamento (Clustering) • Padrões em Séries Temporais Regras de Associação (market basket analysis) Uma regra de associação representa um padrão de relacionamento entre itens de dados do domínio da aplicação que ocorre com uma determinada freqüência na base de dados. • parte significativa das compras de homens, às sextas-feiras à noite, que inclui fraldas, inclui também cerveja. {fralda} {cerveja} • o cliente que compra pão e manteiga, 80% das vezes compra leite. {pão, manteiga} {leite} • muitos pacientes aidético que contraem a doença candidíase também têm pneumonia. {candidíase} {pneumonia} Regras de Associação (market basket analysis) Regras de associação são extraídas a partir de bases de dados que contêm transações - formadas por conjuntos de itens do domínio da aplicação. Id-Transação (TID) 1 2 3 4 5 {fralda} {cerveja} {fralda} {leite} {leite} {fralda} {carne} {cerveja} Itens Comprados leite, pão, refrigerante cerveja, carne cerveja, fralda, leite, refrigerante cerveja, fralda, leite, pão fralda, leite, refrigerante confiança de 66% confiança de 100% confiança de 75% confiança de 100% (suporte médio) (suporte alto) (suporte alto) (suporte baixo) Regras de Classificação Regras de classificação identificam, entre um conjunto pré-definido de classes, aquela a qual pertence um elemento, a partir de seus atributos. Minerar regras de classificação significa descobrir a função que realiza tal mapeamento. Regras de classificação são extraídas a partir de uma base de treinamento. 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 Regras de Classificação 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 50k) (Idade 40) Classe = C (Sal 50k) (Idade 40) (TEmpr = Autônomo) Classe = A (Sal 50k) (Idade 40) ((TEmpr = Indústria) (TEmpr = Pesquisa)) Classe = B Padrões de Seqüências Padrões de seqüências representam seqüências de conjuntos de itens que ocorrem nas transações de diferentes consumidores, com determinada freqüência (na ordem especificada). Consumidor João João João Marcos Marcos Data/Hora 01.08.2001/17:01 03.08.2001/14:25 10.08.2001/21:15 05.08.2001/10:16 08.08.2001/18:30 Produtos leite, pão carne, cerveja queijo, manteiga, sal leite, ovos queijo, manteiga Padrão de seqüência: {(leite) (queijo, manteiga)} Cada transação deve ser definida por um consumidor, pelo instante (tempo) em que ocorreu e por um conjunto de itens. Agrupamento (Clustering) Agrupamento é o resultado da identificação de um conjunto finito de categorias (ou grupos - clusters) que contêm objetos similares. Grupos não são previamente definidos. Exemplo: Deseja-se separar os clientes em grupos de forma que aqueles que apresentam o mesmo comportamento de consumo fiquem no mesmo grupo. Cada tupla deste exemplo indica a quantidade total de produtos consumidos e o preço médio destes produtos relativos a cada consumidor. Consumidor 1 2 3 4 5 6 7 8 9 Qtd.Méd.Tot.Prods. 2 10 2 3 12 3 4 11 3 Preç.Méd.Prods. 1.700 1.800 100 2.000 2.100 200 2.300 2.040 150 Agrupamento (Clustering) Consumidor Qtd.Méd. Preç.Méd. 1 2 1.700 2 10 1.800 3 2 100 4 3 2.000 5 12 2.100 6 3 200 7 4 2.300 8 11 2.040 9 3 150 Grupo 1 2 3 Consumidor Qtd.Méd. Preç.Méd. 1 2 1.700 4 3 2.000 7 4 2.300 2 10 1.800 5 12 2.100 8 11 2.040 3 2 100 6 3 200 9 3 150 Cada grupo identificado é caracterizado por consumidores semelhantes em relação à quantidade média total e ao preço médio dos produtos consumidos. Padrões em Séries Temporais (Time Series) Séries temporais representam seqüências de valores ou de eventos de um mesmo tipo que ocorrem ao longo de um período. tempo Exemplo: O valor diário das ações de uma empresa ao longo de um período pode caracterizar uma série temporal. A identificação de determinados padrões no comportamento destes valores pode ser valiosa. Regras de Associação (suas diferentes formas) • Regras de Associação Convencionais • Regras de Associação em Taxonomias • Regras de Associação Negativas • Regras de Associação Quantitativas Regras de Associação (Convencionais) Uma regra de associação representa um padrão de relacionamento entre itens de dados do domínio da aplicação que ocorre com uma determinada freqüência na base de dados. Seja I = {i1, i2, ..., in} o conjunto de itens do domínio da aplicação. Uma regra de associação R definida sobre I é uma implicação da forma XY onde X I, Y I, X , Y e X Y . X é o antecedente da regra e Y é o conseqüente. {candidíase} {pneumonia} {café, leite} {pão, manteiga, queijo} A primeira regra indica, com um determinado grau de certeza, que se o paciente contraiu candidíase, então também teve pneumonia. Regras de Associação Regras de associação possuem índices que indicam sua relevância e a validade. O fator de suporte de uma regra X Y é definido pela porcentagem de transações que incluem todos os itens do conjunto X U Y. Representa a fração das transações que satisfazem tanto o antecedente quanto o conseqüente da regra. O suporte de uma regra indica sua relevância. Seja R a regra X Y. Seja T o número de transações consideradas. Seja TXUY o número de transações que incluem os elementos de X U Y. Suporte(R) = TXUY / T TID 101 792 1130 1735 Itens Comprados leite, pão, suco leite, suco leite, ovos pão, biscoito, café Suporte({leite} {suco}) = 2 / 4 = 50% Suporte({suco} {leite}) = 50% Suporte({pão} {suco}) = ___ Suporte({pão} {ovos}) = ___ Suporte({pão,café} {biscoito}) = ___ Regras de Associação O fator de confiança de uma regra X Y é definido pela porcentagem de transações que incluem os itens X e Y em relação a todas que incluem os itens de X. Representa o grau de satisfatibilidade do conseqüente, em relação às transações que incluem o antecedente. A confiança indica a validade da regra. Seja R a regra X Y. Seja TX o número de transações que incluem os elementos de X. Seja TXUY o número de transações que incluem os elementos de X U Y. Confiança(R) = TXUY / TX Id-T. 101 792 1130 1735 Itens Comprados leite, pão, suco leite, suco leite, ovos pão, biscoito, café Confiança({leite} {suco}) = 2 / 3 = 67% Confiança({suco} {leite}) = 2 / 2 = 100% Confiança({pão} {suco}) = ___ Confiança({pão} {ovos}) = ___ Confiança({pão,café} {biscoito}) = ___ Mineração de Regras de Associação Entrada: · Base de dados de transações; · Suporte mínimo; · Confiança mínima. Saída: · Todas as regras de associação que possuem suporte e confiança maiores ou iguais ao suporte e à confiança mínimos. Regras de Associação em Taxonomias Suponha que os itens de dados do domínio da aplicação estejam organizados em taxonomias que os classificam. Doenças Oportunistas Bacterianas Tipo1 (Micobacteriose Disseminada) (Salmonelose) Viróticas Nível 1 Tipo3 Nível 2 Tipo2 (Meningite Bacteriana) (Estomatite Herpética) (Herpes Zoster) (Sarcoma de Kaposi) Nível 3 Taxonomia: grafo direcionado acíclico. Uma aresta (x,y) indica que y é um elemento do tipo x (ou da classe x). Um caminho entre x e z indica, por transitividade, que z é do tipo x. Regras de Associação em Taxonomias roupa camisa jeans calçado calça calça-social calçado-social sandália tênis sapato É possível que as duas regras a seguir não tenham o suporte desejado. {calça-social} {sandália} {calça-social} {sapato} Porém, a regra envolvendo a generalização calçado-social pode ser relevante. {calça-social} {calçado-social} Uma regra entre taxonomias pode relacionar itens de diferentes níveis. Em muitas aplicações que envolvem taxonomias, as folhas são os produtos com suas marcas. Regras de Associação em Taxonomias Seja I = {i1, i2, ..., in} o conjunto de itens do domínio da aplicação. Seja G um grafo direcionado acíclico sobre I, representando um conjunto de taxonomias. Uma regra de associação em taxonomias R definida sobre I e G é uma implicação da forma XY onde X I, Y I, X , Y , X Y e nenhum item em Y é ancestral de algum item em X. Esta última restrição evita regras do tipo {calça-social} {calça}. Os conceitos de suporte e confiança se aplicam como nas regras convencionais. Mineração de Regras em Taxonomias Entrada: · Base de dados de transações; · Um conjunto de taxonomias; · Suporte mínimo; · Confiança mínima. Saída: · Todas as regras de associação em taxonomias que possuem suporte e confiança maiores ou iguais ao suporte e à confiança mínimos. Regras de Associação Negativas Uma regra de associação negativa indica, com certo grau de certeza, que determinados itens não ocorrem quando outros específicos estão presentes nas transações. Seja I = {i1, i2, ..., in} o conjunto de itens do domínio da aplicação. Uma regra de associação negativa R definida sobre I é uma implicação da forma X ¬Y onde X I, Y I, X , Y e X Y . {Meningite} ¬{Sarcoma} Esta regra indica, com um determinado grau de certeza, que pacientes que adquiriram meningite bacteriana não contraíram sarcoma de Kaposi. Regras de Associação Negativas Simplesmente estender as transações, representando a ausência de um item pela sua forma negativa, pode não ser uma boa abordagem. Um número muito grande de regras negativas com pouca importância poderia ser gerado. TID 1 2 3 4 5 Itens A, B, E A, B, C, D B, E A, B, G B, H ¬C, ¬D, ¬F, ¬G, ¬H ¬E, ¬F, ¬G, ¬H ¬A, ¬C, ¬D, ¬F, ¬G, ¬H ¬C, ¬D, ¬E, ¬F, ¬H ¬A, ¬C, ¬D, ¬E, ¬F, ¬G suporte mínimo: 40 % confiança mínima: 70 % {A} {B} e {E} {B} Outras regras: {A} ¬{F} {A} ¬{H} {B} ¬{C} {B} ¬{D} {B} ¬{E} {B} ¬{F} {B} ¬{G} {B} ¬{H} {E} ¬{C} {E} ¬{D} {E} ¬{F} {E} ¬{G} {E} ¬{H} Regras de Associação Negativas Foi proposto então que a regra X Y deve ser extraída de uma base de dados de transações se a presença do itens de Y nas transações, em relação aos itens de X, estiver bem abaixo de uma determinada expectativa. batata-frita BF Ruffles refrigerante Coca Pepsi A partir de uma base de dados de transações, foi extraída a regra {Ruffles} {Coca}. Dado que Coca e Pepsi são da mesma classe, há uma expectativa que estes produtos tenham relacionamentos semelhantes com os demais. A regra negativa {Ruffles} ¬{Pepsi} será inferida se a regra {Ruffles} {Pepsi} possuir suporte (relativamente) inferior ao da regra {Ruffles} {Coca}. Regras de Associação Negativas A medida de interesse (MI) de uma regra negativa R = X Y é definida por: MI(R) = ( SupEsp(XY) - Sup(XY) ) / Sup(X) SupEsp(A) representa o suporte esperado do conjunto A. O suporte esperado é definido a partir de taxonomias. Um exemplo: batata-frita BF Ruffles refrigerante Coca Pepsi SupEsp(Ruffles,Pepsi) = Sup(Ruffles,Coca) * ( Sup(Pepsi) / Sup(Coca) ) Mineração de Regras Negativas Entrada: · Base de dados de transações; · Um conjunto de taxonomias; · Suporte mínimo; · Medida mínima de interesse. Saída: · Todas as regras de associação negativas que possuem suporte e interesse maiores ou iguais ao suporte e ao interesse mínimos. Regras de Associação Quantitativas Regras de associação quantitativas são utilizadas quando se deseja minerar padrões em bases de dados relacionais (formadas por atributos quantitativos e atributos categóricos). Atributos Categóricos Id Sexo Profissão Atributos Quantitativos Salário Idade ... Exemplo (base de dados sobre a AIDS): (sexo=“M”) (20idade30) (opção-sex=“heterossex”) (usuário-drogas=“S”) Esta regra hipotética indica, com certo grau de certeza, que pacientes aidéticos heterossexuais, entre 20 e 30 anos, do sexo masculino são usuários de drogas. Regras de Associação Quantitativas Seja D uma base de dados relacional. Uma regra de associação quantitativa R definida sobre D é uma implicação da forma X1 X2 ... Xn Y1 Y2 ... Ym onde n1, m1, Xi (1 i n) e Yj (1 j m) são condições definidas sobre atributos distintos de D. (sexo=“M”) (20idade30) (opção-sex=“heterossex”) (usuário-drogas=“S”) Os conceitos de suporte e confiança se aplicam como nas regras convencionais. • O fator de suporte representa a porcentagem de registros de D que satisfazem todas as condições Xi (1in) e Yj (1jm). • O fator de confiança representa, dentre os registros de D que satisfazem as condições Xi (1in), a porcentagem dos registros que satisfazem Yj (1jm). Mineração de Regras Quantitativas Entrada: · Base de dados relacional; · Suporte mínimo; · Confiança mínima. Saída: · Todas as regras quantitativas que possuem suporte e confiança maiores ou iguais ao suporte e à confiança mínimos. Algoritmos de Mineração (de Regras de Associação) • Apriori • Partition Mineração de Regras de Associação (convencionais) Entrada: · Base de dados de transações; · Suporte mínimo (SupMin); · Confiança mínima (ConfMin). Saída: · Todas as regras de associação que possuem suporte e confiança maiores ou iguais a SupMin e ConfMin, respectivamente. Mineração de Regras de Associação Recorde que: Se Sup(XY) SupMin então os itens de XY aparecem com freqüência desejada nas transações da base de dados. Dizemos então que: O conjunto de itens Z = XY possui suporte mínimo e é chamado um conjunto freqüente. Desta forma, podemos dividir o problema de minerar regras de associação em duas fases. Fase 1: Encontrar cada conjunto freqüente Z (Sup(Z) SupMin); Fase 2: Para cada conjunto freqüente Z, identificar seus possíveis subconjuntos X e Y, de tal forma que: Z = XY e Conf(XY) ConfMin (neste caso, XY será uma regra de interesse). Mineração de Regras de Associação Fase 1: Encontrar cada conjunto freqüente Z (Sup(Z) SupMin); Fase 2: Para cada conjunto freqüente Z (de tamanho maior ou igual a 2), identificar seus possíveis subconjuntos X e Y, de tal forma que: Z = XY e Conf(XY) ConfMin. Fase 1: Identificação dos conjuntos freqüentes. É a fase computacionalmente cara. Para um conjunto de itens de tamanho n, existem 2n possíveis subconjuntos freqüentes. Algoritmos propostos para esta fase: - Apriori - Partition Fase 2: Identificação das regras a partir dos conjuntos freqüentes. Estratégia Apriori O algoritmo Apriori considera as seguintes propriedades com o objetivo de diminuir o espaço de busca, ou seja, evitar que todos os 2n subconjuntos sejam avaliados. Todo subconjunto de um conjunto freqüente é freqüente. (Se {A,B,C} é freqüente, então {A,B} é freqüente.) Pela contra-positiva: Todo conjunto que contém um subconjunto não freqüente também não é freqüente. (Se {A,B} não é freqüente, então {A,B,C} não é freqüente.) Estratégia Apriori • Calcular o suporte de todos os conjuntos de tamanho 1 e, em seguida, eliminar aqueles que não possuem o suporte mínimo. • Formar todos os possíveis conjuntos de tamanho 2 a partir daqueles de tamanho 1 resultantes do passo anterior. Em seguida, eliminar os novos conjuntos que não possuem o suporte mínimo. • Repetir o procedimento anterior até que, no k-ésimo passo, nenhum novo conjunto de tamanho k, obtido a partir dos conjuntos de tamanho k-1, tenha o valor de suporte mínimo. Estratégia Apriori TID 101 792 1130 1735 Itens Comprados leite, pão, suco leite, suco leite, pão, ovos pão, biscoito, café Considerar SupMin = 50% (2 tuplas) Sup({leite}) = 3 Sup({pão}) = 3 Sup({suco}) = 2 Sup({ovos}) = 1 Sup({biscoito}) = 1 Sup({café}) = 1 Sup({leite, pão}) = 2 Sup({leite, suco}) = 2 Sup({pão, suco}) = 1 Sup({leite, pão, suco}) = 1 Freqüentes: {leite} {pão} {suco} Freqüentes: {leite, pão} {leite, suco} Freqüentes: ----- Estratégia Apriori 1. F1 = conjuntos freqüentes de tamanho 1; 2. k = 1; 3. enquanto ( Fk 0 ) faça 4. k = k + 1; 5. Gerar Ck (todos os candidatos de tamanho k) a partir de Fk-1; 6. para cada transação t pertencente a base de dados faça 7. para cada candidato em Ck faça 8. se todos os itens do candidato pertencem a t então 9. Incrementar o contador associado ao candidato; 10. Fk = todos os candidatos pertencentes a Ck com suporte mínimo maior ou igual a SupMin; 11. fim-enquanto; 12. Resposta = união de todos os conjuntos Fk; Observe que, em cada uma das k iterações, o algoritmo Apriori percorre toda a base de dados. Gerar Ck (todos os candidatos de tamanho k) a partir de Fk-1; A estratégia de geração de Ck a partir de Fk-1 também considera a propriedade de que todo subconjunto de um conjunto freqüente é freqüente. Desta forma, diminui a quantidade de candidatos gerados, eliminando alguns que são garantidamente não freqüentes. Considere que, dentro de cada conjunto, os itens estejam ordenados. Então, o conjunto {a1, a2, ..., ak-2, ak-1, ak} só será gerado em Ck se os subconjuntos {a1, a2, ..., ak-2, ak-1} e {a1, a2, ..., ak-2, ak} pertencerem a Fk-1. (O conjunto {1,2,3,4} só poderá ser gerado se {1,2,3} e {1,2,4} forem freqüentes.) Se {a1, a2, ..., ak-2, a k-1, ak} for gerado em Ck, será podado se possuir algum subconjunto que não seja freqüente. (O conjunto candidato {1,2,3,4} será eliminado de C4 se, por exemplo, {2,3,4} não for um conjunto freqüente.) Gerar Ck (todos os candidatos de tamanho k) a partir de Fk-1; A estratégia de geração de Ck a partir de Fk-1 divide-se então em duas fases: junção e poda. Junção: Para cada dois conjuntos {a1, a2, ..., ak-1} e {b1, b2, ..., bk-1} de Fk-1: Se (a1= b1) (a2= b2) ... (ak-2= bk-2) (ak-1 bk-1) então gere o candidato {a1, a2, ..., ak-1, bk-1} em Ck. ( Se {1,2,3} e {1,2,4} são conjuntos de F3, então gerar {1,2,3,4} em C4.) Poda: Para cada conjunto de Ck, eliminar aqueles que possuem um subconjunto não freqüente. (O conjunto candidato {1,2,3,4} será eliminado de C4 se, por exemplo, {2,3,4} não for um conjunto freqüente.) Gerar Ck (todos os candidatos de tamanho k) a partir de Fk-1; F3 {A,B,C} {A,B,D} {A,C,D} {B,C,D} {B,C,E} Junção C4 {A,B,C,D} {B,C,D,E} Poda C4 (podado) {A,B,C,D} Exemplo Database D TID 100 200 300 400 itemset sup. C1 {1} 2 {2} 3 Scan D {3} 3 {4} 1 {5} 3 Items 134 235 1235 25 C2 itemset sup L2 itemset sup 2 2 3 2 {1 {1 {1 {2 {2 {3 C3 itemset {2 3 5} Scan D {1 3} {2 3} {2 5} {3 5} 2} 3} 5} 3} 5} 5} 1 2 1 2 3 2 L1 itemset sup. {1} {2} {3} {5} 2 3 3 3 C2 itemset {1 2} Scan D L3 itemset sup {2 3 5} 2 {1 {1 {2 {2 {3 3} 5} 3} 5} 5} Estratégia Partition O algoritmo Partition considera a seguinte propriedade com o objetivo de diminuir o número de leituras a toda a base de dados. Considere a base de dados de transações dividida em n partições. Se um conjunto F é freqüente em relação a toda a base de dados (freqüência global), então F é freqüente em relação a pelo menos uma partição (freqüência local), ou seja, possui suporte maior ou igual ao mínimo dentro desta partição. 50% Estratégia Partition A estratégia Partition é dividida em duas fases: na primeira, são gerados os conjuntos candidatos e, na segunda, dentre estes são identificados os freqüentes. Em cada fase é realizada (apenas) uma leitura em toda a base de dados. Fase I: A base de dados é dividida em partições que caibam na memória principal. Para cada partição, são gerados os conjuntos freqüentes locais, utilizando-se as idéias da estratégia Apriori. Desta forma, em um único acesso a toda a base de dados, os conjuntos freqüentes locais de cada partição são gerados. Estes conjuntos são os candidatos a freqüentes globais. Fase II: Todas as transações da base de dados são percorridas para verificar quais freqüentes locais (candidatos globais) são freqüentes globais. Estratégias Apriori e Partition Na estratégia Partition, a base de dados é lida apenas duas vezes. Na estratégia Apriori, a base de dados é lida em cada uma das k iterações. Se, por um lado, a estratégia Apriori realiza um número maior de leituras à base de dados, estas várias leituras permitem que, dentre os conjuntos candidatos, apenas os freqüentes passem à iteração seguinte. Na estratégia Partition, passam para a última fase e devem ser processados todos os freqüentes locais (candidatos globais), identificados em cada partição. Este fato, dependendo do número de candidatos gerados que não são de fato freqüentes, pode comprometer o desempenho deste algoritmo. Ferramentas de Mineração de Dados (com Regras de Associação) Intelligent Miner (IBM) http://www.software.ibm.com/data/intelli-mine Clementine (Integral Solutions Ltd.) http://www.isl.co.uk/clem.html DBMiner (SFU) http://db.cs.sfu.ca/dbminer Enterprise Miner (SAS) http://www.sas.com MineSet (Silicon Graphics) http://www.sgi.com Management Discovery Tool - MDT (NCR) WizRule (WizSoft) Aspectos de pesquisa em Data Mining (1) Metodologia de mineração e interação com o usuário Mineração de diferentes tipos de conhecimento em BDs Incorporação do conhecimento do usuário Linguagens de consulta para mineração de dados Visualização dos resultados de mineração Tratando ruídos e dados incompletos Avaliação de padrões: o problema da interessância Desempenho e escalabilidade Eficiência e escalabilidade de algoritmos de mineração Métodos de mineração paralelos e distribuídos Aspectos de pesquisa em Data Mining (2) Diversidade de tipos de dados Tipos de dados relacionais e outros mais complexos Minerando informações de sistemas heterogêneos e da Web Aplicações e impactos sociais Aplicar o conhecimento descoberto Ferramentas de domínio específico Processamento inteligente de consultas Ferramentas de suporte à decisão Integração do conhecimento descoberto com o conhecimento existente: o problema da fusão do conhecimento Valor agregado da informação descoberta Segurança, privacidade Alguns Livros da Área Enfoque Acadêmico: Advances in Knowledge Discovery and Data Mining U.M.Fayyad, G.P-Shapiro, P.Smyth, and R.Uthurusamy AAAI Press / The MIT Press, 1996 Data Mining Nelson F. F. Ebecken - WIT Press, 1998 Advances in Distributed and Parallel Knowledge Discovery Hillol Kargupta, Philip Chan - AAAI Press / The MIT Press, 2000 Large-Scale Parallel Data Mining M.J.Zaki - IBM Research Center, USA, 2000 Alguns Livros da Área Enfoque Prático/Comercial: Data Mining Techniques – For Marketing, Sales, and Customer Support Michael J.A. Berry, Gordon Linoff - Wiley Computer Publishing, 1997 Discovering Data Mining: From Concepts to Implementation Peter Cabena, Pablo Hadjinian, Rolf Stadler, Jaap Verhees, Alessandro Zanasi, Prentice Hall, 1998 Data Mining: Concepts and Techniques Jiawei Han, Micheline Kamber - Morgan Kaufmann Publishers, 2000 Data Mining: Practical Machine Learning Tools and Techniques with Java Impelemnetations Ian H. Witten, Eibe Frank - Morgan Kaufmann Publishers, 2000