Download Sistemas de Tomada de Decisão: Datawarehouse e Mineração de

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
XY
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
XY
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(XY) - Sup(XY) ) / 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”)  (20idade30)  (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 n1, m1, Xi (1 i  n) e Yj (1 j  m) são condições definidas sobre
atributos distintos de D.
(sexo=“M”)  (20idade30)  (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 (1in) e Yj (1jm).
• O fator de confiança representa, dentre os registros de D que satisfazem
as condições Xi (1in), a porcentagem dos registros que satisfazem Yj (1jm).
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(XY)  SupMin então os itens de XY aparecem com
freqüência desejada nas transações da base de dados.
 Dizemos então que:
O conjunto de itens Z = XY 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 = XY e Conf(XY)  ConfMin
(neste caso, XY 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 = XY e Conf(XY)  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