Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo...

56
Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo [email protected] Departamento de Informática Universidade Federal do Paraná

Transcript of Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo...

Page 1: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka

Aurora Trinidad Ramirez Pozo

[email protected]

Departamento de Informática

Universidade Federal do Paraná

Page 2: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Motivação

A informatização dos meios produtivos permitiu a geração de grandes volumes de dados:• Transações eletrônicas;• Novos equipamentos científicos e industriais

para observação e controle;• Dispositivos de armazenamento em massa;

Aproveitamento da informação permite ganho de competitividade: “conhecimento é poder (e poder = $$!)”

Page 3: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Conhecimento

Dados

Informação

Conhec.

$Volume Valor

agreguem valor aos seus negócios

Page 4: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Motivação

Os recursos de análise de dados tradicionais são inviáveis para acompanhar esta evolução

Solução: • ferramentas de automatização das tarefas repetitivas e

sistemática de análise de dados• ferramentas de auxílio para as tarefas cognitivas da análise• integração das ferramentas em sistemas apoiando o processo

completo de descoberta de conhecimento para tomada de decisão

Page 5: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Aplicação

Um problema do mundo dos negócios: entender o perfil dos clientes• desenvolvimento de novos produtos;• controle de estoque em postos de distribuição;• propaganda mal direcionada gera maiores gastos e

desestimula o possível interessado a procurar as ofertas adequadas;

Quais são meus clientes típicos?

Page 6: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Descoberta de Conhecimento em Bancos de Dados

“O processo não trivial de extração de informações implícitas, anteriormente desconhecidas, e potencialmente úteis de uma fonte de dados”;

O que é um padrão interessante ? (válido, novo, útil e interpretável)

Page 7: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Transformar dados

em informação e conhecimento• úteis para o suporte à decisão,• gerenciamento de negócios, controle de

produção • análise de mercado ao projeto de

engenharia e exploração científica

Page 8: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

KDD x Data Mining

Mineração de dados é o passo do processo de KDD que produz um conjunto de padrões sob um custo computacional aceitável;

KDD utiliza algoritmos de data mining para extrair padrões classificados como “conhecimento”. Incorpora também tarefas como escolha do algoritmo adequado, processamento e amostragem de dados e interpretação de resultados;

Page 9: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Posicionamento

Page 10: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Etapas do Processo

Seleção Pré-processamento Transformação Data mining (aprendizagem) Interpretação e Avaliação

Processo

Page 11: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Processo mínimo de descoberta do conhecimentoCompreensão do domínio e dos objetivos da tarefa;Criação do conjunto de dados envolvendo as variáveis necessárias;

Processo

Page 12: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

12

Seleção de Dados

Selecionar ou segmentar dados de acordo com critérios definidos:

• Ex.: Todas as pessoas que são proprietárias de carros é um subconjunto de dados determinado.

Processo

Page 13: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Processo mínimo

Operações como identificação de ruídos, outliers, como tratar falta de dados em alguns campos, etc.

Processo

Page 14: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

14

Pré-Processamento

Estágio de limpeza dos dados, onde informações julgadas desnecessárias são removidas.

Reconfiguração dos dados para assegurar formatos consistentes (identificação)

– Ex. : sexo = “F” ou “M”

sexo = “M” ou “H”

Processo

Page 15: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Processo mínimo

Redução de dimensionalidade, combinação de atributos;

Processo

Page 16: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

16

Transformação

Transformam-se os dados em formatos utilizáveis. Esta depende da técnica data mining usada.

Disponibilizar os dados de maneira usável e navegável.

Processo

Page 17: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Processo mínimo

Escolha e execução do algoritmo de aprendizagem de acordo com a tarefa a ser cumprida

Processo

Page 18: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

18

Data Mining

É a verdadeira extração dos padrões de comportamento dos dados (exemplos)

Processo

Page 19: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Processo mínimo

Interpretação dos resultados, com possível retorno aos passos anteriores;

ProcessoConsolidação: incorporação e documentação do conhecimento e comunicação aos interessados;

Page 20: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

20

Interpretação e Avaliação

Identificado os padrões pelo sistema, estes são interpretados em conhecimentos, os quais darão suporte a tomada de decisões humanas

Processo

Page 21: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Etapas do Processo

O processo de KDD é interativo, iterativo, cognitivo e exploratório, envolvendo vários passos

muitas decisões sendo feitas pelo analista ( especialista do domínio dos dados)

Page 22: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Técnicas de pré-processamento e transformação de dados são aplicadas para aumentar a qualidade e o poder de expressão dos dados a serem minerados.

Estas fases tendem a consumir a maior parte do tempo dedicado ao processo de KDD (aproximadamente 70%).

Page 23: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Métodos de mineração de dados

Métodos de mineração de dados normalmente são extensões ou combinações de uns poucos métodos fundamentais;

Porém, não é viável a criação de um único método universal: cada algoritmo possui sua própria tendência indutiva; Métodos

Page 24: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Tarefas básicas

Previsão• Cálculo de variáveis de interesse a partir dos

valores de um conjunto de variáveis de explicação;

• É comumente visada em aprendizado de máquina/estatística;

• Exemplos: classificação e regressão;

Métodos

Page 25: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Tarefas básicas

Descrição• Reportar relações entre as variáveis do

modelo de forma simétrica;• À princípio, está mais relacionada ao processo

de KDD;• Exemplos: agrupamento, sumarização

(incluindo sumário de textos), dependências, análise de desvio; Métodos

Page 26: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplo de previsão (I)

Um hiperplano paralelo de separação: pode ser interpretado diretamente como uma regra:• se a renda é menor que t,

então o crédito não deve ser liberado

Exemplo: • árvores de decisão;• indução de regrasrenda

déb

ito

xx

xx

x

x

x

o

oo

oo

o

o

o

o

t

sem crédito

o

o: exemplo aceitox: exemplo recusado

Análise de crédito

Métodos

Page 27: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplos

Áreas de aplicações potenciais:• Vendas e Marketing

• Identificar padrões de comportamento de consumidores

• Associar comportamentos à características demográficas de consumidores

• Campanhas de marketing direto (mailing campaigns)

• Identificar consumidores “leais”Exemplos

Page 28: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplo de previsão (II)

Hiperplano oblíquo: melhor separação:

Exemplos: • regressão linear;• perceptron;

Análise de crédito

renda

déb

ito

xx

xx

x

x

x

o

oo

oo

o

o

o

o

t

sem crédito

o

o: exemplo aceitox: exemplo recusado

Métodos

Page 29: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplo de previsão (III)

Superfície não linear: melhor poder de classificação, pior interpretação;

Exemplos: • perceptrons

multicamadas;• regressão não-linear;

Análise de crédito

renda

déb

ito

xx

xx

x

x

x

o

oo

oo

o

o

o

o

t

sem crédito

o

o: exemplo aceitox: exemplo recusado

Métodos

Page 30: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplo de previsão (IV)

Métodos baseado em exemplos;

Exemplos:• k-vizinhos mais

próximos;• raciocínio baseado

em casos;

Análise de crédito

renda

déb

ito

xx

xx

x

x

x

o

oo

oo

o

o

o

o

t

sem crédito

o

o: exemplo aceitox: exemplo recusado

Métodos

Page 31: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplo de descrição (I)

Agrupamento Exemplo:

• vector quantization;

renda

déb

ito

++

++

+

+

+

+

++

++

+

+

+

+

t

+

+: exemplo

Análise de crédito

Métodos

Page 32: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplo de descrição (II)

Regras de associação• “98% dos consumidores que adquiriram

pneus e acessórios de automóveis também se interessaram por serviços automotivos”;

• descoberta simétrica de relações, ao contrário de métodos de classificação

qualquer atributo pode ser uma classe ou um atributo de discriminação;

Métodos

Page 33: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Revisão geral de Aprendizagem:

Técnicas

CBR

Page 34: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplos

Áreas de aplicações potenciais:• Bancos

• Identificar padrões de fraudes (cartões de crédito)

• Identificar características de correntistas • Mercado Financeiro ($$$)

Exemplos

Page 35: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplos

Áreas de aplicações potenciais• Médica

• Comportamento de pacientes• Identificar terapias de sucessos para diferentes

tratamentos• Fraudes em planos de saúdes• Comportamento de usuários de planos de saúde

Exemplos

Page 36: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Introdução

Exemplo (1) - Fraldas e cervejas• O que as cervejas tem a ver com as fraldas ?• homens casados, entre 25 e 30 anos;• compravam fraldas e/ou cervejas às sextas-feiras à

tarde no caminho do trabalho para casa;• Wal-Mart otimizou às gôndolas nos pontos de vendas,

colocando as fraldas ao lado das cervejas;• Resultado: o consumo cresceu 30% .

Exemplos

Page 37: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplos

Exemplo (2) - Lojas Brasileiras (Info 03/98)• Aplicou 1 milhão de dólares em técnicas de

data mining • Reduziu de 51000 produtos para 14000

produtos oferecidos em suas lojas.• Exemplo de anomalias detectadas:

–Roupas de inverno e guarda chuvas encalhadas no nordeste

–Batedeiras 110v a venda em SC onde a corrente elétrica é 220v Exemplos

Page 38: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Exemplos

Exemplo (3) - Bank of America (Info 3/98)• Selecionou entre seus 36 milhões de clientes

• Aqueles com menor risco de dar calotes • Tinham filhos com idades entre 18 e 21 anos• Resultado em três anos o banco lucrou 30

milhões de dólares com a carteira de empréstimos.

Exemplos

Page 39: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Software Weka

Waikato 2004, Witten & Frank 2000

Page 40: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Ferramenta

algoritmos de • preparação de dados• aprendizagem de máquina (mineração) • validação de resultados

/public/soft/linux/weka... Java –jar weka.jar

Page 41: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Software Weka

Software para data mining/machine learning escrito em Java (distribuído sob GNU Public License)

Utilizado em pesquisa e educação Principais características:

• Extenso conjunto de rotinas para pré-processamento, esquemas de aprendizagem, além de métodos de avaliação

• GUIs (inclusive para visualização dos dados)• Ambiente para comparação de algortimos de

aprendizagem.

Page 42: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Versões Weka

WEKA 3.0: “book version” compatível com a descrição do livro

WEKA 3.4: Última versão (utilizada na apresentação)

Esquema de versões Linux

Page 43: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka trabalha com 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...

Page 44: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka trabalha com 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...

Atributo numérico

Atributo nominal

Page 45: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka: vários ambientes

Page 46: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Explorer: Pre-processing

Importação dos dados em vários formatos: ARFF, CSV, C4.5, binary

Dados também podem ser lidos de uma URL ou de um banco de dados (utilizando o pacote JDBC)

Rotinas de pré-processamento no Weka são chamados de filtros

Weka tem filtros para:• Discretização, normalização, amostragem, seleção de

atributos, transformação e combinação de atributos, entre outros.

Page 47: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Filtros: Redução dos dados

Metodos supervisados weka.filters.supervised.instance.*• Resample : Faz uma amostragem estratificada com o

dataset fornecido. O dataset deve ter um atributo nominal informando a classe. Bias para distribuição das classes na amostra seja uniforme.

• StratifiedRemoveFolds: Cria um fold estratificado para o cross-validation.

• SpreadSubsample: Produz uma amostra aleatória dos dados. Este filtro permite definir o máximo spread entre a classe mais rara e a classe mais comum. Por exemplo, 5:1

Page 48: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Filtros: Redução dos dados

Metodos não-supervisados weka.filters.unsupervised.instance.*• Resample: amostragem aleatória (não estratificada) do

dataset

• Randomize - embaralha conjunto de dados

• RemoveFolds – Define um fold para o crossvalidation

• RemovePercentage – Remove uma proporção do dataset

• RemoveRange - Remove um determinado intervalo de instâncias do dataset.

Page 49: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Filtros: Redução dos Atributos

Metodos não-supervisados weka.filters.unsupervised.attribute.*• Normalize: valores no intervalo [0,1], exceto o atributo de classe• NumericTransform - Aplica uma função matemática qualquer

aos valores do atributo (classe Java)• ReplaceMissingValues – Preenche com a média (atrib.

numerico ) ou a moda (atrib.nominal)• Standardize – transformação dos valores para uma• RemoveUseless - Remove atribs. nominais que variam muito

(threshold definido pelo usuário, ex.: 95%) e atributos constantes (nme/nml)

)1,0(N

Page 50: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Filtros: Redução dos Atributos

Metodos supervisados weka.filters.supervised.attribute.*• AttributeSelection : Permite a combinacao de varios

metodos de avaliacao e busca de atributos.• Avaliação: ganho de info., PCA e vários outros• Busca: best first, greedy, genetic search, exhaustive search,

rank search

• Discretize: Discretiza um intervalo de atributos numericos utilizando a tecnica MDL (Fayyad & Irani's) ou MDL (Kononenko)

• NominalToBinary: Converte todos os atributos nominais para atributos binários numéricos

Page 51: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Explorer: Attribute Selection

Usado para investigar quais atributos (subconjuntos deles) são mais preditivos

AttributeSelection em 2 etapas:• Um método de busca

• Um método de avaliação

Flexibilidade: (quase) qualquer combinação de busca/avaliação

Page 52: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka:Clustering

Metódos para variáveis numéricas e nominais:• EM

• k-Means

• CobWeb

Exemplo

Page 53: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka: Classificadores

Modelos para a previsão de classes (nominal ou númerica):

Weka implementa:• Árvore de decisão, listas, classificadores baseado em

instâncias, multi-layer perceptrons, regressão, redes bayesianas, ...

“Meta”-classificadores:• Bagging, boosting, stacking, error-correcting output

code, locally weighted learning, ...

Page 54: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka: Associações

Identificar dependências estatísticas entre grupos de atributos

3 algorítimos para aprender associações:• Apriori;

• PredictiveApriori;

• Tertius;

• Trabalha somente com dados nominais;

• Computa regras que dêem um suporte mínimo e ultrapasse um nível de confiança.

Page 55: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka: Visualização

Ajuda a identificar a dificuldade na aprendizagem do problema

Visualização 2D

Difere as classes por cor

Page 56: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka Aurora Trinidad Ramirez Pozo aurora@inf.ufpr.br Departamento de Informática Universidade.

Weka: Experimentos em conjunto Experimenter: permite a comparação de diferentes

estratégias de aprendizagem. Para problemas de classificação e regressão Resultados escritos em um arquivo ou base de

dados Opções de avaliação: cross-validation, curva de

aprendizagem, hold-out Pode ser executado com diferentes configurações

de parâmetros Teste de significância acoplado