Open Analytics - Minería de Datos con Knime
Descargar como PPTX, PDF3 recomendaciones3,019 vistas
El documento presenta una introducción a la minería de datos utilizando KNIME, explicando su importancia en la extracción de información de grandes volúmenes de datos en diversos contextos. Se definen las técnicas de minería de datos, que incluyen agrupamiento, reglas de asociación y predicción, ilustrando con ejemplos prácticos como la clasificación de perfiles de usuarios y la evaluación de campañas de marketing. Además, se muestra cómo estas técnicas pueden ayudar en la toma de decisiones en negocios, educación, y otros ámbitos.
Open Analytics - Minería de Datos con Knime
- 1. Introducción a la Minería de Datos con KNIME Diego García Saiz Grupo de Lenguajes y Sistemas Informáticos Universidad de Cantabria
- 2. Introducción al contexto • Gran cantidad de datos almacenados. – Por parte de empresas: marketing, hipermercados, servicios, banca, etc. – Redes Sociales: Facebook, Twitter, Tuenti, LinkedIn y otras muchas. – Y en muchos otros ámbitos: educativo (cursos online), institucional (gobierno), médico, etc. • ¿Qué hacer con todos esos datos?. – Podríamos utilizarlos para extraer información relevante con el objeto de ayudar a la toma de decisiones en el negocio, el gobierno, la sanidad, la educación, las ventas, etc. – Para esto tenemos la Minería de Datos.
- 3. ¿Minería de datos?. Definición formal • El datamining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explotar grandes cantidades de datos, de forma automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto. Más simple: La minería de datos es un proceso consistente en entender y extraer información relevante para el desarrollo del negocio, que no podría extraerse de otra forma.
- 4. No sólo de extraer patrones viven los “datamineros”: CRIPS-DM
- 5. Tres grandes grupos de algoritmos • Agrupamiento (clustering). • Reglas de asociación. • Predicción: clasificación.
- 7. • Conjunto de técnicas de Minería de Datos que determinan y asignan a los individuos o elementos a grupos de similares características. Consiste en diferenciar subconjuntos de datos que comparten características similares. Ejemplos: Identificar rasgo comunes en un conjunto de la población. Conocer los perfiles de usuario de una red social según su actividad. Agrupar los datos de una campaña de marketing según sus resultados. Agrupamiento (clustering)
- 9. • Ejemplo: Perfil de los alumnos en un curso online según la actividad que desarrollan. • Como datos, tenemos su actividad en el curso medida en, tiempo dedicado, número de sesiones, mensajes leídos y escritos en el foro, etc. Resultado de aplicar el algoritmo Kmeans: Agrupamiento (clustering) Cluster 1 Cluster 2 Cluster 3 Tiempo Dedicado 103 minutos 1394 minutos 2917 minutos Sesiones dedicadas 10 sesiones 90 sesiones 180 sesiones Mensajes escritos en el foro 5 mensajes 21 mensajes 89 mensajes
- 10. Predicción: Clasificación • Consiste en la clasificación de individuos en una determinada clase según sus características, para poder inferir predicciones en un futuro. • Ejemplos: conocer si… • … un cliente realizará una hipoteca con el banco. • … las acciones de una empresa subirán o bajarán en un momento determinado. • … un alumno aprobará o suspenderá una asignatura. • … un paciente tiene una enfermedad concreta según sus síntomas y datos personales. • … una campaña de marketing tendrá éxito.
- 11. Clasificación: Ejemplo • Campaña de marketing telefónico de un banco portugués para atraer clientes de depósitos • Conjunto de datos: contiene información personal de los clientes, incluida información bancaria. • Estado civil (soltero, casado, viudo) • Sexo • Edad • Mes de la llamada • Hipotecas del cliente en el banco • Créditos del cliente en el banco • Y muchos otros…
- 12. • Resultados (algoritmo C4.5) Duration Age Married Credit <= 211 > 211 and <=645 Clasificación: Ejemplo > 645 > 60 yes yesno no … … … NO YES NO