Selección de Características

INTRODUCCION A TECNICAS DE MINERIA DE DATOS

Mg. Samuel Oporto Díaz

erro

r d

el c

lasi

ficad

or

número de características

número de ejemplos

Mapa Conceptual – Minería de Datos

DataObjetivo

DataPre-procesada

DataTransformada Patrones

Fuentes de datos Pre-procesamientoExploración y

transformaciónReconocimiento de

PatronesEvaluación e Interpretación

DatacrudaDHW

DBMS

Texto

Evaluación y Entendimiento

Muestreo y Selección• Muestreo • Selección

Limpieza de Datos• Limpieza de datos• Datos que no existen• Datos no clasificados• Identificación de

extremos• Eliminación de Ruido

Transformación de Datos• Reducción de

Dimensionalidad• Creación de

Características• Normalización de Datos• Variables

Correlacionadas• Discretización

Reportes y VisualizaciónModelado• Descripción• Clasificación• Regresión• Agrupamiento• Asociación• Secuenciación• Detección de

Desviación

33 /39/39

Tabla de Contenido• Introducción 4• Pre-procesamiento 9• Reducción de Datos 26• Selección de Instancias 36• Selección de Características 40• Ejemplo

– Planteamiento del Problema 49– Procedimiento de solución 53– Algoritmos 58– Fuentes de Datos 64– Diseño de Experimentos 66– Resultados Experimentales 68

44 /39/39

INTRODUCCION

55 /39/39

Proceso de la Minería de Datos

66 /39/39

Proceso de Minería de Datos

• Pre-procesamiento.• Problemas de pre-procesamiento como un problema de

búsqueda

• Minería de Datos.• Aprendizaje/extracción de conocimiento como problemas

de optimización y búsqueda

77 /39/39

Preparación y pre-procesamiento de datos

88 /39/39

Preparación de Datos

• El propósito fundamental de la preparación de los datos es la manipulación y transformación de los datos sin refinar para que la información contenida en el conjunto de datos pueda ser descubierta o estar accesible de forma más fácil.

99 /39/39

PRE-PROCESAMIENTO

1010 /39/39

Importancia

• Los datos reales pueden ser impuros, pueden conducir a la extracción de patrones/reglas poco útiles.

• Esto se puede deber a:– Datos Incompletos: falta de valores de atributos, – Datos con Ruido– Datos inconsistentes (incluyendo discrepancias)

1111 /39/39

Importancia

• La preparación de datos puede generar un conjunto de datos más pequeño que el original, lo cual puede mejorar la eficiencia del proceso de Minería de Datos.

• Esta actuación incluye: – Selección relevante de datos:

• Eliminando registros duplicados• Eliminando anomalías,

– Reducción de Datos:• Selección de características• muestreo o selección de instancias• Discretización.

1212 /39/39

Importancia

• La preparación de datos genera “datos de calidad”, los cuales pueden conducir a patrones/reglas de calidad.

• Por ejemplo, se puede: – Recuperar información incompleta.– Eliminar outliers– Resolver conflictos,

1313 /39/39

Importancia

• Datos de baja calidad puede llevar a modelos de minería de datos de baja calidad.

• Decisiones de calidad deben ser basadas en datos de calidad.

• La preparación de datos (limpieza, transformación, ….) puede llevar la mayor parte del tiempo de trabajo en una aplicación de minería de datos (90%).

1414 /39/39

¿Qué incluye la Preparación de Datos?

• Engloba a todas aquellas técnicas de análisis de datos que permite mejorar la calidad de un conjunto de datos de modo que las técnicas de extracción de conocimiento / minería de datos puedan obtener mayor y mejor información (mejor porcentaje de clasificación, reglas con más completitud, etc.)

1515 /39/39

¿Qué incluye la Preparación de Datos?

• Es difícil dar una lista exacta de tareas o tópicos. • Diferentes autores dan diferentes tareas y clasificaciones.• Se pueden incluir las siguientes tareas o tópicos.

– Limpieza de datos – Integración de datos – Transformación de datos – Reducción de datos

1616 /39/39

¿Qué incluye la Preparación de Datos?

1717 /39/39

Limpieza de datos

• Resuelve redundancias consecuencia de la integración • Chequea y resuelve problemas de ruido, valores perdidos,

elimina outliers, • Resuelve inconsistencias/conflictos entre datos

1818 /39/39

Limpieza de Datos

• Outliers• Son objetos/datos con características que son

considerablemente diferentes de la mayoría de los otros datos/objetos del conjunto.

1919 /39/39

Limpieza de Datos

• Datos con ruido. Suavizado

2020 /39/39

Limpieza de Datos

• Ejemplo de inconsistencias

Presencia de discrepancias en datos

Edad=“42” Fecha de Nacimiento=“03/07/1997”

2121 /39/39

Integración de Datos

• Obtiene los datos de diferentes fuentes de información • Resuelve problemas de representación y codificación • Integra los datos desde diferentes tablas para crear

2222 /39/39

Transformación de Datos

• Los datos son transformados o consolidados de forma apropiada para la extracción de información.

• Diferentes vías: – Sumarización de datos – Operaciones de agregación, etc. – Aplicación de funciones

2323 /39/39

Ejemplos de Transformación de Datos

• Normalización min-max

• Normalización z-score

• Normalización por escala decimal

donde j es el entero más pequeño tal que max(| v’|) < 1

2424 /39/39

Reducción de Datos

• Selecciona/extrae datos relevantes para la tarea de la minería de datos/extracción de información.

Datos originales Datos Reducidos

2525 /39/39

Reducción de Datos

• Diferentes vías para la Reducción de Datos: – Selección de Características – Selección de Instancias – Agrupamiento / Compactación– Discretización

2626 /39/39

REDUCCION DE DATOS

2727 /39/39

Reducción de Datos

2828 /39/39

Selección de Características

• La SC pretende elegir atributos que sean relevantes para una aplicación y lograr el máximo rendimiento con el mínimo esfuerzo. El resultado de la SC sería:– Menos datos los algoritmos pueden aprender más – rápidamente – Mayor exactitud el clasificador generaliza mejor – Resultados más simples más fácil de entender

• SC y Transformación (extracción y construcción)

2929 /39/39

Selección de Características

Var 1 Var 5 Var 13

Selección de Características

• La SC se puede considerar como en problema de búsqueda

• Los Algoritmos Evolutivos y las diferentes meta-heurísticas se han utilizado para este problema.

3131 /39/39

Proceso

3232 /39/39

Selección de Instancias

• La SI pretende elegir los ejemplos que sean relevantes para una aplicación y lograr el máximo rendimiento. El resultado de la SC sería: – Menos datos los algoritmos pueden aprender más

rápidamente – Mayor exactitud el clasificador generaliza mejor – Resultados más simples más fácil de entender

• SI y Transformación (compactación/agrupamiento)

3333 /39/39

Ejemplos de diferentes tamaños

8000 puntos 2000 puntos 500 puntos

3434 /39/39

Agrupamiento

• Compactación mediante el análisis de clusters

3535 /39/39

Discretización

• Divide el rango de atributos continuos (numéricos) en intervalos

• Almacena solo las etiquetas de los intervalos • Importante para reglas de asociación y clasificación • Ejemplo:

3636 /39/39

SELECCIÓN DE INSTANCIAS

3737 /39/39

Selección de Instancias

3838 /39/39

Muestreo

3939 /39/39

Muestreo

4040 /39/39

SELECCIÓN DE CARACTERÍSTICAS

4141 /39/39

El Problema

• Se desea clasificar ejemplos de determinados objetos en una de varias categorías o clases preestablecidas.

• La tarea de clasificación de patrones consiste en construir un mapa de relaciones entre el espacio de características y el conjunto de las clases, de modo de poder reconocer a qué clase corresponde cualquier patrón de entrada representado por un vector de características.

• En muchos otros problemas de clasificación no se conoce a priori, por falta de una teoría sólida establecida, cuáles son las características relevantes que permiten discriminar entre diversas categorías.

4242 /39/39

El problema

• El problema de la selección de características consiste en seleccionar un subconjunto de m características de entre un conjunto original de n características candidatos , bajo algún criterio de desempeño.

• Hay un total de de tales subconjuntos.

• El número de posibilidades crece exponencialmente, haciendo impráctica la búsqueda exhaustiva, aun para valores moderados de n.

4343 /39/39

Maldición de la dimensionalidad

err

or

de

l cla

sific

ad

or

número de características

número de ejemplos

4444 /39/39

Objetivos

• reducir la complejidad del clasificador y su implementación en hardware/software.

• compresión de información (eliminar características redundantes e irrelevantes).

• reducir el costo de medición al disminuir el número de características.

• proveer una mejor clasificación debido a efectos por tamaño finito de la muestra.

4545 /39/39

Ejemplos de datasets

• Aplicaciones donde se fusionan datos provenientes de múltiples sensores.

• Integración de múltiples modelos, donde se juntan los parámetros de diferentes modelos matemáticos para propósitos de clasificación. Por ejemplo, combinación de características de diferentes modelos de textura en imágenes.

• Aplicaciones de data mining, donde el objetivo es recuperar las relaciones escondidas entre un gran número de características.

4646 /39/39

Métodos

• Un método de selección de características típicamente requiere de los siguientes ingredientes:– Generación de subconjuntos, que corresponde a un

procedimiento de búsqueda.– Un criterio de evaluación J para comparar subconjuntos

de características. – Un criterio de parada, típicamente un umbral de

significancia o la dimensión del espacio final de características.

4747 /39/39

Proceso

4848 /39/39

Comparación de cuatro técnicas de selección de características envolventes para procesos de

clasificación.

4949 /39/39

PLANTEAMIENTO DEL PROBLEMA

5050 /39/39

Selección de CaracterísticasLa selección de características se encuentra dentro de la etapa de preparación de datos dentro de un proceso de minería de datos.

Comprensión del negocio

Comprensión de los datos

Preparación de los datos

Modelación

Evaluación

Despliegue de resultados

DATOS

Comprensión del negocio

Comprensión de los datos

Preparación de los datos

Modelación

Evaluación

Despliegue de resultados

Comprensión del negocio

Comprensión de los datos

Preparación de los datos

Modelación

Evaluación

Despliegue de resultados

Comprensión del negocio

Comprensión de los datos

Preparación de los datos

Modelación

Evaluación

Despliegue de resultados

DATOS

5151 /39/39

Selección de CaracterísticasEncontrar un subconjunto de características Sm’ del conjunto inicial de características Sm tal que logren minimizar el error de un clasificador.

Se trata de reducir la dimensionalidad de los patrones de entrada Sm.

Sm’ se construye eliminando las variables redundantes o las que no aportan suficiente información al clasificador.

5252 /39/39

Selección de Características• Si se evalua todo el espacio de posibles combi-naciones, el

costo computacional es muy alto• Si n es la cantidad de características identificadas y m es la

cantidad de características deseadas, el número total de posibles subconjuntos a evaluar es:

Si n = m; 2n

n 2n

10 1,02420 1,048,57630 1,073,741,82440 1,099,511,627,776

5353 /39/39

PROCEDIMIENTO DE SOLUCION

5454 /39/39

Proceso de Selección de Características

FiltroEnvolventeHíbrido

e: error del clasificador

B. OptimaB. Sub-optimaB. AleatoriaB. Heurística

Clasificador

5555 /39/39

Generación del Sub-Conjunto• Búsqueda exhaustiva

• Búsqueda secuencial hacia delante.• Búsqueda secuencial hacia atrás.

• Búsqueda Aleatoria (BA).• Búsqueda Aleatoria Optimizada (BAO)

• Búsqueda Mejor Primero (BMP)• Búsqueda Genética (BG)

Optima

Sub-optima

Aleatoria

Heurística

5656 /39/39

Evaluación del Sub-Conjunto• Filtro. Independientes del algoritmo de aprendizaje.• Componente principal, entropía.

• Envolvente. Usan el mismo algoritmo para escoger el sub-conjunto como para el aprendizaje.

• Búsqueda Aleatoria, Búsqueda Aleatoria Optimizada, Búsqueda Mejor Primero, Búsqueda Genética.

• Híbridos. Filtro + Envolvente.

5757 /39/39

Criterio de Paro¿Cuándo detener la búsqueda? :

error del clasificador

5858 /39/39

ALGORITMOS

5959 /39/39

Algoritmos de Búsqueda• BUSQUEDA ALEATORIA (BA)• Realiza una búsqueda sobre un porcentaje de todo el

espacio de sub-conjuntos posibles, seleccionados aleatoriamente. Es una búsqueda de tipo exhaustivo.

• BUSQUEDA ALEATORIA OPTIMIZADA (BAO)• Dado un subconjunto de características, si al quitar una

característica.– error sube relevante <fracaso>– error baja irrelevente <exito>

• Se pretende eliminar las irrelevantes.

6060 /39/39

Algoritmos de Búsqueda• BUSQUEDA MEJOR PRIMERO (BMP)• Usa un árbol de búsqueda, de tal forma que la

característica de mejor evaluación inicial sea la primera en ser considerada como parte del subconjunto óptimo de características.

• BUSQUEDA GENÉTICA (BG)• Hace uso de un algoritmo genético. El objetivo consiste en

encontrar el sub-conjunto de características (individuos) óptimas mediante la minimización de una función objetivo (tasa de error del clasificador).

6161 /39/39

Criterio de ParoBúsqueda Aleatoria (BA)

gradiente error < umbral

Búsqueda Aleatoria Optimizada (BAO) fracasos consecutivos < umbral

Búsqueda Mejor Primero (BMP) error (l) < error (l + k) k = [1, 2, 3, 4, 5]

Búsqueda Genética (BG) minimizar el error del clasificador.

6262 /39/39

Algoritmos de Clasificación

Desarrollado por Quinlan. Es un árbol de regresión.Es recursivo, y se basa en la estrategia "divide y vencerás“Mejora del ID3.

Árbol de Decisión C4.5 Naive Bayesian

Aprendizaje probabilístico:Incremental: Cada ejemplo puede incrementar / decrementar la probabilidad de que una hipótesis sea correcta.La predicción probabilística predice múltiples hipótesis ponderadas

Tiempo P N Humedad P Nsoleado 2/9 3/5 alta 3/9 4/5cubierto 4/9 0 normal 6/9 1/5lluvia 3/9 2/5Temperatura Vientocalor 2/9 2/5 si 3/9 3/5suave 4/9 2/5 no 6/9 2/5fresco 3/9 1/5

6363 /39/39

Algoritmos de Clasificación

Presentadas en 1992. Vapnik y Chervonenkis.Crea nuevas características linealmente separables.Busca un hiperplano que puede separar el espacio en dos partes

Maquinas de Vector Soporte

Red de Retropropagación

Trabaja con datos continuos o discretosLa salida puede ser vector de valores reales o discretos.Aprende por modificación de los pesos.Largo tiempo de entrenamiento Es difícil entender el significado de los pesos.

6464 /39/39

FUENTES DE DATOS

6565 /39/39

Datos

Nombre inst

anci

as

cara

cter

ístic

as

clases % nom % num 1% 0%ADULT 48,842 14 2 57 43 23.5 76.5BANDS 512 39 2 50 50 35.5 64.5MUSHROOM 8,124 22 2 100 0 37.3 62.7

UCI Repository of Machine Learning DatabaseUniversity of California

6666 /39/39

DISEÑO DE EXPERIMENTO

6767 /39/39

Diseño de Experimentos

DATOS

AL

GO

RIT

MO

D

E B

US

QU

ED

AC

LA

SIF

ICA

DO

RE

S

ADULT, BANDS, MUSHROOM

• Árbol de Decisión C4.5

• Naive Bayesian

• Maquinas de Vector Soporte

• Red de Retropropagación

• Búsqueda Aleatoria

• Búsqueda Aleatoria Optimizada

• Búsqueda Mejor Primero

• Búsqueda Genética

48experimentos

K-fold

K = 10

Validación cruzadaANOVAVoting

6868 /39/39

RESULTADOS EXPERIMENTALES

6969 /39/39

Resultados Experimentales

7070 /39/39

BANDS BA BAO BMP BG Puntaje ( e )BA 0 1 2 2 5

BAO 3 0 3 4 10BMP 2 1 0 3 6BG 2 0 1 0 3

ADULT BA BAO BMP BG Puntaje ( e )BA 0 0 2 1 3

BAO 4 0 1 1 6BMP 2 3 0 1 6BG 3 3 3 0 9

MUSHROOM BA BAO BMP BG Puntaje ( e )BA 0 1 1 1 3

BAO 3 0 3 3 9BMP 3 1 0 3 7BG 3 1 1 0 5

Tablas de Votación (error)Puntajes en función a la tasa de error promedio del clasificador

7171 /39/39

Tablas de Votación (reducción)Puntajes en función al porcentaje de reducción promedio de las características de las bases de datos

BANDS BA BAO BMP BG Puntaje ( % red )BA 0 3 2 1 6

BAO 1 0 2 1 4BMP 2 2 0 2 6BG 3 3 2 0 8

ADULT BA BAO BMP BG Puntaje ( % red )BA 0 4 2 3 9

BAO 0 0 2 0 2BMP 2 2 0 2 1BG 1 4 2 0 7

MUSHROOM BA BAO BMP BG Puntaje ( % red )BA 0 3 2 1 6

BAO 1 0 0 0 1BMP 1 4 0 1 6BG 3 4 3 0 10

7272 /39/39

Conclusión Voting

Reducción del error• No se puede concluir quién es el peor (2BA y 1BG)• No se puede concluir quién es el mejor (2 BAO y 1BG)

Reducción de la dimensionalidad.• El peor es BAO para la data usada (3 BAO)• No se puede concluir quién es el mejor (2 BG, 1 BA)

7373 /39/39

ANOVA: Error

24,4 22,4 23,4 26,275BA BAO BMP BG

24,4 BA 0,93680459 0,1475422 2,10833222,4 BAO 0,6632365 2,7093123,4 BMP 1,919958

26,275 BG

ERROR (%)

4,125 2,5 2,7 2,6BA BAO BMP BG

4,125 BA 0,88402 0,79302 1,292422,5 BAO 0,04872 0,064872,7 BMP 0,067022,6 BG

ERROR (%)

t(5%,6)=1.9432

23,6 22,4 23,4 26,275BA BAO BMP BG

23,6 BA 1,692829 0,277184 3,3248622,4 BAO 1,961948 6,2333323,4 BMP 4,51995

26,275 BG

ERROR (%)

BANDS

ADULT

MUSHROOM

7474 /39/39

ANOVA: Reducción t(5%,6)=1.9432

BANDS

ADULT

MUSHROOM 48,8635 28,409 51,13625 60,2275BA BAO BMP BG

48,8635 BA 2,17217 0,26262 1,8678028,409 BAO 0,93658 3,0430151,1363 BMP 0,9300360,2275 BG

REDUCCIÓN (%)

44,9998 20,0000 23,3335 31,6668BA BAO BMP BG

44,9998 BA 3,38232 1,832351 1,7597220,0000 BAO 0,333352 2,7815323,3335 BMP 0,82231,6668 BG

REDUCCIÓN (%)

50,8065 49,1935 57,25825 61,29025BA BAO BMP BG

50,8065 BA 0,25132383 0,8193583 1,03313449,1935 BAO 1,1840049 1,294193

57,25825 BMP 0,38766261,29025 BG

REDUCCIÓN (%)

7575 /39/39

Conclusión ANOVAReducción del error• El peor es el BG para la data usada• Los mejores son BAO y BA para la data usada, pero entre

los no se de puede concluir una diferencia.

Reducción de la dimensionalidad.• El peor es el BAO para la data usada• Los mejores son BA y BG para la data usada, pero entre

los no se de puede concluir una diferencia.

7676 /39/39

PREGUNTAS