INE5644 – Data Mining
Tarefas de DCBD
Prof. Luis Otavio Alvares
[email protected]
Apresentação adaptada do material do livro
Introduction to Data Mining – Tan, Steinbach e Kumar
e de slides do prof. José Leomar Todesco (UFSC)
Porque DCBD? Ponto de vista comercial

Enormes quantidades de dados
são coletadas e armazenadas
– Dados da Web, e-commerce
– Compras em supermercados,
lojas de departamentos, etc.
– Transações bancárias e de
cartões de crédito

Os computadores se tornaram baratos e mais poderosos

A pressão competitiva é muito forte
prof. Luis Otavio Alvares
Porque DCBD? Ponto de vista científico

Dados captados e
armazenados em grande
velocidade (GB/hora)
– sensores remotos em satélites
– telescópios varrendo o firmamento
– microarrays gerando dados de expressão
gênica
– simulações científicas gerando terabytes
de dados

Técnicas tradicionais de anáilise são
inviáveis para estes dados brutos
prof. Luis Otavio Alvares
Motivação para minerar grandes bases de dados



Freqüentemente há informação “escondida” nos
dados, que não é evidente
Analistas humanos podem levar semanas para
descobrir informação útil
Muitos dados nunca são analisados
4.000.000
3.500.000
The Data Gap
3.000.000
2.500.000
2.000.000
Total new disk (TB) since 1995
1.500.000
1.000.000
Number of
500.000
analysts
0
From: R. Grossman, C. Kamath, V.1995
Kumar, “Data Mining
and Engineering
Applications”,1999
Kluwer, 2001
1996for Scientific
1997
1998
O que é DCBD?
 Muitas
definições
– Extração não-trivial de informação implícita,
previamente desconhecida e potencialmente útil
de um conjunto de dados
– Exploração e análise, de modo
automático ou semi-automático,
de grandes quantidades de
dados para descobrir
padrões úteis
prof. Luis Otavio Alvares
O que (não) é DCBD?

O que não é:

O que é DCBD:
– buscar um nome
– descobrir que certos nomes
e número de
telefone em um
arquivo de clientes
são mais comuns em alguns
lugares (O’Brien, O’Rurke,
O’Reilly… na área de Boston)
– Consultar um
motor de busca na
web sobre
“Amazon”
– Agrupar documentos similares
recuperados por um motor de
busca de acordo com o seu
contexto (ex: Amazon rainforest,
Amazon.com,)
prof. Luis Otavio Alvares
Observando e Aprendendo
Exemplo: um proprietário de uma pequena loja de vinhos conhece
tudo sobre vinhos, por exemplo, o tipo de uva, a região onde a uva
foi cultivada, o clima, o solo, a altitude dos parreirais, aroma, sabor,
cor, o processo de fabricação. Os clientes gostam de visitar sua loja
pois, também, aprendem muito sobre vinhos. Porém, só isto não
basta, o proprietário precisa conhecê-los, como por exemplo, qual o
tipo de vinho que o cliente gosta? Qual o poder aquisitivo? Assim,
ele poderá dar um atendimento diferenciado (um a um) aos clientes.
Temos, portanto, duas necessidades:
conhecimento e aprendizado
Uma pequena loja  poucos clientes  atendimento personalizado
Uma grande empresa  milhares de clientes  dificuldade em dar
um atendimento dedicado
prof. Luis Otavio Alvares
Observando e Aprendendo
Qual a tendência nos dias atuais?
Ter clientes leais, através de um relacionamento pessoal, um-paraum, entre a empresa e o cliente.
Dentro desta tendência, as empresas desejam identificar os clientes
cujos valores e necessidades sejam compatíveis com o uso
prolongado de seus produtos, e nos quais é válido o risco de
investir em promoções com descontos, pacotes, brindes e outras
formas de criar essa relação pessoal.
Esta mudança de foco requer mudanças em toda a empresa, mas
principalmente nos setores de marketing, vendas e atendimento ao
cliente.
prof. Luis Otavio Alvares
Memória e Inteligência
Na pequena empresa, o proprietário
com sua inteligência e memória
aprende, conhece o cliente.
prof. Luis Otavio Alvares
Data Warehouse: a memória da empresa
Para criar relações um-para-um em uma grande empresa, o proprietário humano
precisa ser substituído por uma máquina capaz de tratar grandes números, o
computador. A memória do proprietário é substituída por um grande banco de dados
denominado de Data Warehouse, enquanto a capacidade de aprendizado é
substituída por técnicas de inteligência artificial e estatística genericamente
denominadas de Data Mining.
Diariamente gera-se dados, por exemplo, considere que gera-se e armazena-se
atributos tais como: o número do telefone, a duração da chamada telefônica, o
número do cartão de crédito, o endereço da entrega, o produto escolhido, renda do
consumidor, escolaridade do consumidor, gasto com lazer, etc.
Certamente, só armazenar dados não significa aprender sobre o cliente.
prof. Luis Otavio Alvares
Memória da empresa
Fonte de
informações
preciosas para
a empresa
Dados armazenados
prof. Luis Otavio Alvares
Data Mining: a inteligência da empresa
Para o aprendizado ocorrer, uma série de informações de diferentes
formatos e fontes precisa ser organizada de maneira consistente na
grande memória empresarial. Após isto, métodos de análise
estatística e inteligência artificial precisam ser aplicados sobre esses
dados e relações novas e úteis à empresa devem ser descobertas, ou
seja, os dados devem ser minerados. A mineração dos dados
consiste mais especificamente em descobrir relações entre produtos,
classificar consumidores, prever vendas, localizar áreas geográficas
potencialmente lucrativas para novas filiais, inferir necessidades,
entre outras.
prof. Luis Otavio Alvares
Data Warehouse
Data Mining
Na grande empresa, a memória é o
data warehouse, enquanto a
inteligência é o data mining
prof. Luis Otavio Alvares
Data Mining and BI
Aumento do potencial
Para suportar decisões do
negócio
Making
Decisions
Diretor
Visualization Techniques
Analista
de negócios
Data Mining
Knowledge Discovery
Analista
de dados
Data Presentation
Data Exploration
Statistical Analysis, Querying and Reporting
Data Warehouses / Data Marts
OLAP, MDA
Data Sources
Papel, Arquivos, Provedores de informação, Database Systems, OLTP
prof. Luis Otavio Alvares
DBA
Tipos de descobertas (tarefas de DCBD)
Os dois principais objetivos de alto nível da DCBD
são a descrição e a predição


a descrição se concentra em encontrar padrões que
descrevem os dados de forma compreensível para o
usuário
a predição envolve usar valores conhecidos de campos
ou variáveis para predizer o valor desconhecido ou
futuro de variáveis de interesse
para isso, utiliza-se vários tipos de descoberta ou
tarefas de DCBD
prof. Luis Otavio Alvares
Principais Tarefas de DCBD ...
Classificação [Preditiva]
 Clustering [Descritiva]
 Descoberta de regras de associação [Descritiva]
 Descoberta de padrões seqüenciais [Descritiva]
 Regressão [Preditiva]
 Detecção de desvios [Preditiva]

prof. Luis Otavio Alvares
Classificação
Classificação: exemplos

O professor classifica o desempenho do aluno
em A, B, C, D ou E

Identificar um cogumelo como sendo venenoso
ou não

Reconhecimento de caracteres
prof. Luis Otavio Alvares
Classificação: definição

Dada uma coleção de registros
(conjunto de treinamento)
– Cada registro contém um
conjunto de atributos, e um dos
atributos é a classe.
Id
Casa
própria
EstCivil
1
S
Solteiro
125K
NÃO
2
N
Casado
100K
NÃO
3
N
Solteiro
70K
NÃO
4
S
Casado
120K
NÃO
5
N
Divorc.
95K
SIM
6
N
Casado
60K
NÃO
7
S
Divorc.
220K
NÃO
8
N
Solteiro
85K
SIM
Mau
Rendim. Pagador
10


Encontre um modelo para o
atributo classe como uma
função dos valores dos outros
atributos
Model
Objetivo: definir a classe para
novos registros tão
acuradamente quanto possível.
Casa
própria
EstCivil
N
Solteiro
75K
?
S
Casado
50K
?
N
Casado
150K
?
S
Divorciado
90K
?
10
prof. Luis Otavio Alvares
Mau
Rendim. Pagador
Classificação: Aplicação 1

Marketing direto
– Objetivo: Reduzir o custo na oferta para um conjunto
alvo de consumidores mais prováveis de comprar um
novo produto.
– Abordagem:
 Usar
os dados de um produto similar oferecido anteriormente.
 Sabemos
quais consumidores compraram e quais não
compraram. Esta decisão {compra, não compra} forma o
atributo classe.
 Coletar
várias informações pessoais, de estilo de vida e de
interações com a empresa de todos estes clientes.
– Tipo de atividade, local da moradia, rendimentos, estado civil,
compras anteriores, etc.
 Usar
esta informação como atributos de entrada para gerar
um modelo de classificação. From [Berry & Linoff] Data Mining Techniques, 1997
prof. Luis Otavio Alvares
Classificação: Aplicação 2

Detecção de fraudes
– Objetivo: identificar casos de fraude em transações
com cartão de crédito.
– Abordagem:
 Usar
as transações do cartão de crédito e as informações do
proprietário como atributos.
– Quando um consumidor compra, o que ele compra, onde ele
compra, compra a vista ou a prazo, valor da compra, etc
 Rotular
as transações passadas como fraude ou não. Isto
forma o atributo classe.
 Gerar
um modelo de classificação para as transações.
 Usar
este modelo para detectar fraudes observando as
novas transações .
prof. Luis Otavio Alvares
Classificação: Aplicação 3

Conservação de clientes:
– Objetivo: prever se é provável que um cliente de uma
empresa de telefone celular passe para um
concorrente.
– Abordagem:
 Usar
um registro detalhado das transações de cada cliente
antigo e atual para obter os atributos.
– Com que freqüência o cliente faz ligações, para quem ele liga, a
que horas ele liga mais freqüentemente, sua renda, estado civil,
desde quando é cliente, etc.
 Rotular
 Gerar
os clientes como fiéis ou infiéis a empresa.
um modelo.
From [Berry & Linoff] Data Mining Techniques, 1997
prof. Luis Otavio Alvares
Classificação: Aplicação 4

Análise de objetos celestes
– Objetivo: predizer a classe (estrela ou galáxia) de
objetos celestes, especialmente de pouco brilho,
baseado em imagens do telescópio do Monte Palomar
– 3000 imagens com 23.040 x 23.040 pixels por imagem.
– Abordagem:
 Segmentar
a imagem.
 Medir
os atributos da imagem (40 por objeto)
 Gerar
um modelo baseado nestes atributos.
 Resultado:
foram descobertos 16 novos quasars, alguns dos
mais distantes objetos já identificados!
From [Fayyad, et.al.] Advances in Knowledge Discovery and Data Mining, 1996
prof. Luis Otavio Alvares
Classificando Galáxias
Courtesy: http://aps.umn.edu
Early
Classe:
• Estágio da formação
Atributos:
• Image features,
• Characteristics of light
waves received, etc.
Intermediate
Late
dados:
• 72 milhões de estrelas, 20 milhões de galáxias
• Object Catalog: 9 GB
• Image Database: 150 GB
prof. Luis Otavio Alvares
Clustering (formação de agrupamentos)
Clustering (formação de agrupamentos)

Dado um conjunto de dados, cada um com um
conjunto de atributos, e uma medida de
similaridade entre eles, encontre clusters (grupos)
tais que:
– Dados de um grupo são mais similares entre si que
com dados de outros grupos
– Dados de grupos diferentes são menos similares entre
si.

Medidas de similaridade:
– Distância Euclidiana, para atributos contínuos
– Outras medidas específicas do problema.
prof. Luis Otavio Alvares
Clustering: exemplo
 Clustering em espaço 3-D baseado em distância euclidiana.
Distâncias intracluster
são minimizadas
Distâncias intercluster
são maximizadas
prof. Luis Otavio Alvares
Clustering: Aplicação 1
Segmentação de mercado:
– Objetivo: subdividir um mercado em diferentes
subconjuntos de clientes onde cada subconjunto
possa ser selecionado como objetivo específico de
marketing a ser alcançado.
– Abordagem:
 Obter
diferentes atributos de clientes baseado em
informações cadatrais e de estilo de vida dos clientes
 Encontrar
grupos (clusters) de clientes similares.
 Medir
a qualidade dos clusters observando padrões de
compra entre clientes do mesmo cluster versus entre
clientes de outros clusters
prof. Luis Otavio Alvares
Clustering: Aplicação 2
Clustering de documentos:
– Objetivo: encontrar grupos de documentos que são
similares entre si baseado em termos importantes que
aparecem nos documentos.
– Abordagem: identificar termos que ocorrem
freqüentemente em cada documento. Criar uma
medida de similaridade baseada na freqüência dos
diferentes termos. Usar esta medida para a formação
dos grupos.
– Ganho: os clusters podem ser usados em
Recuperação de Informações para relacionar um novo
documento ou termo de pesquisa a clusters de
documentos.
prof. Luis Otavio Alvares
Clustering de ações da bolsa
 Observe os movimentos das ações a cada dia.
 Dados: ação-{UP/DOWN}
 Medida de similaridade: Duas ações são similares se os eventos
descritos por elas freqüentemente acontecem juntos no mesmo dia.
Discovered Clusters
1
2
3
4
Applied-Matl-DOW N,Bay-Net work-Down,3-COM-DOWN,
Cabletron-Sys-DOWN,CISCO-DOWN,HP-DOWN,
DSC-Co mm-DOW N,INTEL-DOWN,LSI-Logic-DOWN,
Micron-Tech-DOWN,Texas-Inst-Down,Tellabs-Inc-Down,
Natl-Semiconduct-DOWN,Oracl-DOWN,SGI-DOW N,
Sun-DOW N
Apple-Co mp-DOW N,Autodesk-DOWN,DEC-DOWN,
ADV-M icro-Device-DOWN,Andrew-Corp-DOWN,
Co mputer-Assoc-DOWN,Circuit-City-DOWN,
Co mpaq-DOWN, EM C-Corp-DOWN, Gen-Inst-DOWN,
Motorola-DOW N,Microsoft-DOWN,Scientific-Atl-DOWN
Fannie-Mae-DOWN,Fed-Ho me-Loan-DOW N,
MBNA-Corp -DOWN,Morgan-Stanley-DOWN
Industry Group
Technology1-DOWN
Technology2-DOWN
Financial-DOWN
Baker-Hughes-UP,Dresser-Inds-UP,Halliburton-HLD-UP,
Louisiana-Land-UP,Phillips-Petro-UP,Unocal-UP,
Schlu mberger-UP
prof. Luis Otavio Alvares
Oil-UP
Associação
Dependência (associação) entre atributos

Exemplos:
– determinados procedimentos médicos aparecem
sempre juntos
– determinados procedimento médicos aparecem
mais associados a homens e outros a mulheres
– compradores de leite geralmente compram pão
na mesma transação
prof. Luis Otavio Alvares
Exemplo: vendas casadas
Sei que quem compra o produto A também compra o B.
PRODUTO A
PRODUTO B
Compra de
produto
PRODUTO A
prof. Luis Otavio Alvares
Oferta de
produto relacionado
prof. Luis Otavio Alvares
Regras de associação: Definição

Dado um conjunto de registros, cada um com um
conjunto de itens de uma certa coleção;
– Produza regras de dependência que vão predizer a
ocorrência de um item baseado na ocorrência de
outros.
TID
Items
1
2
3
4
5
guaraná, leite, pão
cerveja, pão
cerveja, fralda, guaraná, leite
cerveja, fralda, leite, pão
fralda, guaraná, leite
Regras descobertas:
{leite} --> {guaraná}
{fralda, leite} --> {cerveja}
prof. Luis Otavio Alvares
Regras de associação: Aplicação 1

Gerenciamento de prateleiras de supermercado.
– Objetivo: identificar itens que são comprados juntos
por um grande número de clientes.
– Abordagem: processar os dados das transações de
compra obtidos com os códigos de barras para
encontrar dependências entre itens.
– Uma regra clássica- Se
um cliente compra fralda e leite ele tem uma boa
probabilidade de comprar também cerveja.
 Portanto,
não fique surpreso de encontrar pacotes de cerveja
próximo das fraldas!
prof. Luis Otavio Alvares
Regras de associação: Aplicação 2

Gerência de inventário:
– Objetivo: uma empresa de consertos de
eletrodomésticos quer antecipar a natureza dos
consertos nos aparelhos dos seus clientes de forma a
ter em seus veículos de serviço peças de reposição,
de modo a poder realizar o conserto na hora, sem
precisar voltar à casa dos clientes
– Abordagem: Analisar os dados de consertos
anteriores em termos de ferramentas e peças
necessárias para descobrir padrões de co-ocorrência.
prof. Luis Otavio Alvares
Padrões sequenciais
Padrões sequenciais
Detecção de dependências temporais entre eventos.
Exemplos:
 determinado procedimento médico sempre precede outro
 turistas que visitam o museu do Louvre depois visitam a Notre Dame
Definição:
Dado um conjunto de objetos, com cada objeto associado com a sua
linha de eventos, encontre regras com forte dependência seqüencial
entre diferentes eventos.
(A B)
(C)
(D E)
prof. Luis Otavio Alvares
Padrões seqüenciais: exemplos

Em transações de vendas
– Livraria de informática:
(Intro_To_Visual_C) (C++_Primer) 
(Perl_for_dummies,Tcl_Tk)
– Loja de artigos esportivos:
(tenis) (raquete, bolas)  (moleton)
prof. Luis Otavio Alvares
Regressão
Regressão



Prediz o valor de uma variável contínua baseado no
valor de outras variáveis, considerando um modelo de
dependência linear ou não linear.
Bastante estudado em estatística e redes neurais
Exemplos:
– Previsão da quantidade de vendas de um novo produto baseado
nos gastos com propaganda
– Previsão da velocidade do vento em função da temperatura,
humidade, pressão atmosférica, etc.
– Previsão da evolução do índice de bolsa de valores.
prof. Luis Otavio Alvares
Detecção de desvios
Detecção de desvios
Determinar desvios significativos do comportamento
normal
 Aplicações:

– Detecção de fraudes em
cartões de crédito
– Detecção de
invasão em redes
de computadores
– Detecção de eventos
através de mensagens
do Twitter
Typical network traffic at University level may reach over 100 million connections per day
prof. Luis Otavio Alvares
exemplo: sistema de mortalidade

Doenças “P” – Algumas afecções originadas no período
perinatal:
– Uruguaiana apresenta um desvio significativo em relação a esta
classe de doenças, pois foram registrados muito mais casos de
morte do que o esperado.
– Porto Alegre registrou menos mortes do que a quantidade
esperada, para esta classe de doenças.

Caxias do Sul apresenta um desvio em relação às
doenças “Q- malformação congênita, deformidades e
anomalias cromossômicas”. Foi registrado um número de
mortes significativamente maior do que o esperado para
a cidade.
prof. Luis Otavio Alvares
Principais Tarefas de DCBD ...
Classificação [Preditiva]
 Clustering [Descritiva]
 Descoberta de regras de associação [Descritiva]
 Descoberta de padrões seqüenciais [Descritiva]
 Regressão [Preditiva]
 Detecção de desvios [Preditiva]

Exercício

Especifique a tarefa de DCBD em cada um dos
casos abaixo:
1
agrupar proteínas com funcionalidades similares
2
predizer a quantidade de vendas de um novo produto baseado nos
gastos com propaganda
3
prever se é provável que um cliente de uma empresa de telefone
celular passe para um concorrente
4
identificar itens que são comprados juntos por um grande número de
clientes
Desafios para Data Mining







Escalabilidade
Dimensionalidade
Dados complexos e heterogêneos
Qualidade dos dados
Propriedade e distribuição dos dados
Preservação da privacidade
Dados em fluxo contínuo
Próxima aula

O processo de KDD