Leamos lo que escribió en octubre de 1995 Edmun DeJesus, editor de la famosa revista BYTE Magazín:

"Gracias a la minería de datos, las computadoras se encargan de seleccionar vastos almacenes de datos. Con una incansable e incesante búsqueda, será posible encontrar la diminuta pepita de oro en una montaña de datos de desperdicio".

 

En data mining las búsquedas se hacen sobre datos dispersos, con poca o ninguna intervención del usuario. No se requiere formular un requerimiento estricto para que la herramienta entregue algunas relaciones ocultas y patrones interesantes, conseguidos a través de clasificación y predicción.

Puede ser:

Descriptiva. Información. Análisis dimensional.

Predictiva. Generar modelos. Esto realmente es minería de datos. Partir de un cúmulo de datos y descubrir relaciones ocultas y complejas a partir de diversas operaciones.

Ejemplos de esto son:

• El análisis de transacciones de tarjetas de crédito para encontrar patrones de fraudes.
• Búsqueda de tendencias de los compradores de acuerdo a sexo, edad, ubicación, etc.

Clustering. Agrupamiento-segmentación. Particionar un conjunto heterogéneo en subconjuntos mas homogéneos. Internamente el sistema define estas características.

Clasificación. Asignar un registro a una o varias posibles clases predefinidas.

Agrupamiento por afinidad. Análisis de correlaciones. Identifica eventos o transacciones que ocurran simultáneamente. Ejemplo de compra los días jueves en la noche de pañales y cervezas en mercado.

Estimación /predicción. Asignar un valor a una variable dependiente que toma valores numéricos continuos. Esto lo diferencia de la clasificación.

Un ejemplo tradicional de minería de datos es el relacionado con una búsqueda en una bodega de datos, de un negocio de cadena, de hechos comunes y relevantes: Luego del proceso se dio como resultado la siguiente:

Esto sirvió para que empresa tomara medidas relacionada con la ubicación de ciertos productos en sitios comunes.

Si edad < 35;

y sexo = masculino;

y dia = jueves

entonces compras incluyen

pañales;

y cerveza

Redes Neuronales.

• Clasificación
• Estimación Clustering

Arboles de decisión

Técnicas de Algoritmos genéticos

• Optimización de funciones, se usan con redes neuronales.

Análisis de Correlaciones

K-Vecinos.

Redes Neuronales artificiales (RNA). Como su nombre lo indica simula el sistema nervioso real en forma abstracta. Estas deben ser entrenadas para que den solución a los problemas. Esta enseñanza se realiza repitiendo sistemáticamente entradas clásicas, con sus respectivas salidas o respuestas. Son usadas para reconocimiento de patrones, clasificaciones de voz e imagen, procesamiento de lenguaje natural, predicción y optimización.

Reglas de Producción. Generalmente son transformaciones de árboles de decisión que han crecido mucho, llevándolos al plano proposicional, lo cual facilita el entendimiento.

Todas estas técnicas pueden ser mezcladas para obtener los resultados esperados.

K-Vecinos. Usa razonamiento basado en memoria (MBR) para las predicciones. Identifica los vecinos más cercanos (valores similares para igual atributo) y observa como se comporta la variable de salida. Parte de un conjunto de datos modelo, que representa el mecanismo de clasificación, se determina la cantidad de vecinos que participan en la clasificación (K). Es permitido ponderar atributos para expresar su importancia en la técnica.

Arboles de decisión (AD). Representan reglas donde atributos independientes determinan los valores finales. En estos árboles cada nodo representa una propiedad que puede tomar diversos valores, cada uno de los cuales genera una rama. Los nodos hojas representan las clasificaciones finales. Usadas donde se deben tomar decisiones a partir de varias alternativas combinadas y con pesos diferentes. Son útiles en problemas de alta dimensionalidad y pequeño numero de valores para cada atributo. Se usan, por enumerar unos, en dominios médicos y en simulaciones de juegos de ajedrez.

• Grandes volumen de información y altamente dimensionales, lo que dificulta el hallazgo de patrones.
• Valores inconsistentes o no existentes en algunos atributos importantes. Estas situaciones deberían haberse corregido en la fase de población y actualización, pero en caso de presentarse se debe tener una política para su manejo.
• La representación de los resultados no siempre es comprensible para todos los usuarios.
• Valor estadístico de los patrones hallados.

• Qué se espera?.
• Qué se quiere descubrir?
• Conjuntos de datos que se analizaran.
• Pre-procesamiento. Buscan desechar los valores con desviaciones muy altas, generados por ausencia o datos incorrectos.
• Limpieza. A partir de un previo conocimiento obtenido en los pasos anteriores se determinan las variables y registros que realmente representaran importancia.
• Elegir la función de la minería y sus algoritmos.