Marcus Sampaio DSC/UFCG Vários slides foram adaptados, traduzidos ou copiados de Pang-Ning Tan (ver...

Marcus SampaioDSC/UFCG

Vários slides foram adaptados, traduzidos ou copiados dePang-Ning Tan (ver Bibliografia)

Marcus SampaioDSC/UFCGEtapas do Processo


• Seleção• Pré-Processamento• Transformação• Garimpagem• Análise e Assimilação

Marcus SampaioDSC/UFCGSeleção + Pré-processamento

• Macro etapa Preparação de Dados– Seleção

• Identificação dos bancos de dados • Seleção de atributos• ‘Discretização’ de valores de atributos numéricos

– Pré-processamento• Limpeza• Amostragem

Marcus SampaioDSC/UFCGSeleção de Atributos

• Existem algoritmos que selecionam automaticamente, de um banco de dados, os atributos relevantes para compor as instâncias ou exemplos de mineração– Para Seleção de Atributos, consultar o livro texto,

ou qualquer bom livro de MD• Banco de Dados, no contexto de MD, é

qualquer coleção desnormalizada de documentos– MD e BD Relacional: “Impedance mismatching”


‘Discretização’ de Atributos

• Para diminuir a complexidade de um modelo de conhecimento, atributos com domínio devem ser ‘discretizados’– WEKA possui vários algoritmos de ‘discretização’– Alguns algoritmos de MD simplesmente não

trabalham com domínios – Algoritmos que ‘trabalham’ com domínios na

verdade embutem algoritmos de ‘discretização’


• Uma verdadeira ‘praga’ em aplicações de mineração de dados é a pobre qualidade dos dados de entrada dos algoritmos

• Uma maneira de resolver ou minimizar o problema é fazer uma inspeção manual nos arquivos de dados. Para arquivos grandes, isto pode ser impraticável

Pré-Processamento: Limpeza


• Felizmente, as próprias técnicas de mineração de dados podem ajudar a resolver o problema

• Considere um problema de classificação, e duas espécies de ‘sujeira’: no atributo de classificação, e nos atributos que não são de classificação

• ‘Sujeira’ em atributos de classificação– Remover as instâncias concernentes do conjunto de

treinamento. Como? • Rodando um algoritmo de classificação que procure ser espelho

do conjunto de treinamento 100% de acurácia de treinamento– As instâncias que caem em classes ‘sujas’ são identificadas,

podendo ser fisicamente retiradas


• ’Sujeira’ em atributos que não são de classificação – Alguns algoritmos são capazes de descobrir

atributos não confiáveis, logicamente removendo a ‘sujeira’ do conjunto de treinamento

• Exemplo: algoritmo WEKA J48 (Árvores de Decisão)– Pressuposição: ‘sujeiras’ são pouco freqüentes,

comparadas com valores ‘limpos’

• Existem diversas ferramentas para limpeza automática– Remoção lógica– Remoção física

Marcus SampaioDSC/UFCGAmostragem

• A idéia é escolher somente uma parte do conjunto de treinamento ou corpus, mas que seja representativa do conjunto inteiro

• Estado-da-arte em amostragem– Diversas técnicas– Tecnologia relativamente consolidada– Diversas ferramentas existentes no mercado


• Cada algoritmo de mineração de dados necessita de uma entrada específica

• A finalidade da transformação é então de transformar os dados preparados, de modo a torná-los compatíveis com as entradas dos diversos algoritmos de mineração de dados

• Exemplo 1– Gerar arquivos .arff para usar os algoritmos da

biblioteca WEKA

Transformação


WEKA only deals with “flat” files

@relation heart-disease-simplified

@attribute age numeric@attribute sex { female, male}@attribute chest_pain_type { typ_angina, asympt, non_anginal, atyp_angina}@attribute cholesterol numeric@attribute exercise_induced_angina { no, yes}@attribute class { present, not_present}

@data63,male,typ_angina,233,no,not_present67,male,asympt,286,yes,present67,male,asympt,229,yes,present38,female,non_anginal,?,no,not_present...


• Exemplo 2– A maioria dos algoritmos de MD implementa

consultas abertas, ou não parametrizadas• Vantagens: o minerador pode dizer “algoritmo, vire-se:

não vou ajudá-lo em nada!”• Desvantagens: muitas vezes, restrições ou parâmetros

são importantes– O minerador pode querer rodar um algoritmo indutor de um

modelo descritivo, para descrever os exemplos de treinamento somente de uma certa classe X

• Restrições ou parâmetros podem ser simulados com uma conveniente transformação dos arquivos de entrada


• Uma vez os dados preparados e transformados, aplicam-se os algoritmos de mineração de dados, dependendo do problema– Associação– Classificação Supervisionada– Classificação Não-Supervisionada– Série Temporal– Regressão– ...

• Análise estatística da qualidade dos modelos induzidos (ver adiante)

Garimpagem ou Mineração


• Nesta etapa, a seguinte questão deve ser respondida: o conhecimento induzido é relevante e acionável?– Relevância: conhecimento não trivial– Modelo acionável: que não seja muito complexo,

ou que possa ser assimilado por um especialista • Se a resposta não for satisfatória, então será

necessário repetir todo ou parte do processo de MD (processo iterativo)– Por exemplo, usar um outro algoritmo de indução

de conhecimento

Análise e Assimilação


• Métricas de Desempenho dos Algoritmos Indutores

• “Underfitting” e “Overfitting” de Modelos• Fragmentação: Geração de Conjunto-

treinamento e Conjunto-teste• Valores Faltando em Dados para Mineração

Análise Estatística da Qualidade dos Modelos Induzidos

Marcus SampaioDSC/UFCGMétricas de Desempenho

• Acurácia– Aplicável a problemas de classificação– Sinônimo de taxa de acerto (ou de erro)– Em geral, um algoritmo é treinado com um

conjunto-treinamento• Acurácia de treinamento (actrein)

– O modelo induzido é testado com um conjunto-teste• Acurácia de teste (acteste)

– O modelo aprovado é usado para predição• Acurácia de execução estimada, e função da acurácia de

teste (acexec)

Marcus SampaioDSC/UFCG“Overfitting” e “Underfitting”

• Um bom modelo deve ter– Alta acurácia de treinamento– Alta acurácia de teste

• Pode ocorrer que alta actrein baixa acteste

– “Overfitting”• “Underfitting” de um modelo

– Baixa actrein e baixa acteste

• Modelos com “underfitting” e “overfitting” devem ser descartados– Obs: note a importância de acteste


Overfitting

Underfitting: quando o modelo é muito simples, tanto as acurácias de treinamento quanto as de teste são baixas

Number of nodesindica o tamanhodo modeloinduzido

Underfitting


• Vamos raciocinar agora com taxas de acerto: Quais as causas de “underfitting” e “overfitting”? Note que um e outro conduzem a baixas acurácias de teste

• Considere que um algoritmo trabalha para obter, se for possível, 100% de actrein

– Má distribuição das classes– Ruído ou ‘sujeira’– Falta de representatividade das classes

Conjunto deTreinamento


Duas classes

Representações

Pontos circulares

Pontos triangulares

Má Distribuição

Conjunto de Treinamento

Pode conduzir apadrões muito dispersospara as classes (várias regiõesazuis) poucovalor estatístico

Marcus SampaioDSC/UFCGPouca Representatividade

NomeTemp.

do Corpo

Nasc. Uterino

4 Pernas

Hiber-na

Classe

Salamandra

fria não sim sim Não mamífero

“Guppy” fria sim não não Não mamífero

Águia quente não não não Não mamífero

“Poorwill” quente não não sim Não mamífero

“Platypus”

quente não sim sim Mamífero


• No exemplo, o conjunto de treinamento não tem erro

• Um classificador* poderia induzir a regra se temperatura do corpo é quente e não hiberna então não é mamífero– Assim, humanos, elefantes e golfinhos seriam

classificados como não mamíferos!– O problema é a falta de representatividade da

regra: só casa com as águias– Assim, teríamos por exemplo 100% de actrein e

70% de acteste, caracterizando “overfitting” *- Um algoritmo indutor de modelos de classificação


Note que um padrão para o ponto ‘sujo’ não tem

valor estatístico

Ruído ou ‘Sujeira’


Solução para“Underfitting”• O problema de “underfitting” pode ser

resolvido com um conjunto de treinamento de bom tamanho– Técnicas de amostragem ajudam


• “Overfitting” resulta de modelos de treinamento que são mais complexos do que o necessário– Regras sem valor estatístico

• Acurácia de treinamento deve ser vista com muita reserva

• Necessidade de novos métodos de estimar acurácia– Acurácia de teste– Acurácia de execução

“Overfitting”: AlgumasConclusões


• Conjunto de Treinamento– Treina um algoritmo de mineração– Acurácia de Treinamento

• Conjunto de Teste– Testa o modelo induzido pelo algoritmo– Acurácia de Teste

• Conjunto de Execução (também, Previsão)– Conjunto sobre o qual o modelo é aplicado, para fazer

previsão– Acurácia de Execução (também, Previsão)

• Acurácia de Execução– Acurácia de Execução (estimativa) = f(Acurácia de Teste)

Acurácia Revisitada


• Como a acurácia de execução é diretamente proporcional à acurácia de teste, sua estimativa de cálculo pode ser esquecida


• “Holdout”• Validação Cruzada (Cross-validation”)• “Bagging”

Métodos deFragmentação de Amostra


• “Holdout”– Partição de uma amostra em conjunto de

treinamento e conjunto de teste• Tipicamente, 2/3 para treinamento e 1/3 para teste

– O modelo é induzido do conjunto de treinamento– O modelo induzido é testado com o conjunto de

teste– Principal problema

• Uma classe pode ficar super-representada em um conjunto, e sub-representada em outro; ou

• O modelo pode ser fortemente dependente da composição dos conjuntos


• Validação Cruzada (“Cross Validation”)

treinamento

testetreinamento


– O algoritmo é treinado com todos os dados• O modelo a ser considerado, se passar pelos testes

– Para calcular a acurácia de teste• Calcula-se a média ou a soma dos acertos dos três testes

realizados• Note que os modelos podem variar pouco, ou até muito! ,

em relação ao modelo induzido para todos os dados • Usa-se cada vez mais "stratified ten-fold cross-

validation“– Estratificação: classes igualmente representadas em todos

os fragmentos– Os dados são aleatoria e estratificadamente divididos em

dez fragmentos – Como consequência da estratificação, os 10 modelos da

iteração são supostamente iguais ao modelo do treinamento do algoritmo


• “Bagging” – Técnica de Meta Modelagem– Usa um modelo classificador de modelos

Indução dos ModelosPara cada uma das t iterações (“stratified t-fold cross-validation”)

Aplique um algoritmoSalve o modelo induzido pelo algoritmo

Previsão (ou Predição)Para cada um dos modelos aprovados

Classificar uma instância de execução Retornar a classe mais votada


PREDICTED CLASS

ACTUALCLASS

Class=Yes Class=No

Class=Yes a(TP)

b(FN)

Class=No c(FP)

d(TN)

FNFPTNTPTNTP

dcbada

Accuracy

Mais Sobre Acurácia


• Note que o cálculo da acurácia no slide anterior é limitado ao caso de duas classes “two-class problem”

• É comum um conjunto de treinamento ter muitas classes

• De qualquer maneira, o valor da acurácia se confunde sempre com a taxa de acerto


• Considere um “2-class problem”– Número de instâncias (ou exemplos) de

treinamento da Classe 0 = 9990– Número de exemplos da Classe 1 = 10

• Se um modelo prediz que tudo é da Classe 0 instância de execução 0 , então a acurácia é 9990/10000 = 99.9 %– O valor é enganoso porque o modelo não prevê

qualquer exemplo da Classe 1

Acurácia: Limitações


• For large test sets (N > 30), – acc has a normal distribution

with mean p and variance p(1-p)/N

• Confidence Interval for p:

1

)/)1(

(2/12/

ZNpp

paccZP

Area = 1 -

Z/2 Z1- /2

)(2442

2

2/

22

2/

2

2/

ZNaccNaccNZZaccN

p

Intervalo de Confiançapara Acurácia


• Consider a model that produces an accuracy of 80% when evaluated on 100 test instances:– N=100, acc = 0.8– Let 1- = 0.95 (95% confidence)

– From probability table, Z/2=1.96

1- Z

0.99 2.58

0.98 2.33

0.95 1.96

0.90 1.65

N 50 100 500 1000 5000

p(lower) 0.670 0.711 0.763 0.774 0.789

p(upper) 0.888 0.866 0.833 0.824 0.811


Outras Métricas de Desempenho

spredictionpositivenumberspredictionpositivecorrectnumberprecision

cestaninspositivenumberspredictionpositivecorrectnumber

recall

recallprecisionmeasureF

/1/12


• Exemplos– A percentagem de todas as instâncias da classe esporte que

foram classificadas corretamente é o “recall”, ou a cobertura – A percentagem de instâncias corretamente classificadas

como esporte é a precisão– F-measure: média harmônica de precisão e “recall”

• Alta precisão é sempre muito importante, mas muitas instâncias esporte podem ser deixadas de lado (isto é medido por “recall”)

– Programa que identifica “spam e-mail” com alta precisão e baixo “recall

• Deixa “spam” na caixa de entrada (baixo “recall”)• Geralmente acerta quando joga um “spam” no lixo (alta

precisão)– Minha experiência com Google: alta média harmônica

• Alta precisão e alta cobertura


• Considere que um sistema de e-mail marcou corretamente 20 e-mails como spam, mas não detectou 5 emails que são spams– Precisão = 20 / 20 = 100%– Recall = 20 / 25 = 80%– F-measure = 2 / (1 + 1 / 0,8) = 0,89

• Interpretação de F-measure– Valor alto: altas precisão e cobertura– Valor baixo: pelo menos uma das medidas

componentes é baixa, comparativamente


• Valores faltando são valores NULL• Convivência com valores NULL

– Diversos algoritmos trabalham com valores NULL• É preciso saber como

– Por exemplo, alguns algoritmos smplesmente removem logicamente atributos com pelo menos um valor NULL

• Não convivência com valores NULL– A solução ‘crua’ é remover aquelas instâncias do

conjunto de treinamento com valores NULL• Pode ser muito restritiva, ou mesmo inviável

– Soluções mais sofisticadas permitem estimar os valores faltando de atributos

Valores Faltando


Tid Refund Marital Status

Taxable Income Class

1 Yes Single 125K No

2 No Married 100K No

3 No Single 70K No

4 Yes Married 120K No

5 No Divorced 95K Yes

6 No Married 60K No

7 Yes Divorced 220K No

8 No Single 85K Yes

9 No Married 75K No 10

RefundYes No

Class=Yes 0 Class=No 3

Class=Yes 2 Class=No 4

RefundYes

Tid Refund Marital Status

Taxable Income Class

10 ? Single 90K Yes 10

No

Class=Yes 2 + 6/ 9 Class=No 4

Probability that Refund=Yes is 3/9

Probability that Refund=No is 6/9

Assign record to the left child with weight = 3/9 and to the right child with weight = 6/9

Class=Yes 0 + 3/ 9 Class=No 3

Estimativa de Valor

Marcus Sampaio DSC/UFCG Vários slides foram adaptados, traduzidos ou copiados de Pang-Ning Tan (ver...

Documents

Transcript of Marcus Sampaio DSC/UFCG Vários slides foram adaptados, traduzidos ou copiados de Pang-Ning Tan (ver...