Data Miming-Introduction generale et dev.ppt
- 1. 1 Le Data Mining: Méthodologie Définition et introduction Principales applications Méthodologie du DM Exemples de fonctionnement
- 2. 2 1. Emergence du domaine Workshops 1991, 1993, 1994 International Conf. on KDD and DM 1995, 1996, 1997, 1998, 1999 Data Mining and Knowledge Discovery Journal (1997) Special Interest Group Knowledge Discovery in Databases (1999) de l’Association for Computing Machinery (ACM)
- 3. 3 Métaphore Par analogie à la recherche des pépites d ’or dans un gisement, la fouille de données vise : à extraire des informations cachées par analyse globale à découvrir des modèles (“patterns”) difficiles à percevoir car: le volume de données est très grand le nombre de variables à considérer est important ces “patterns” sont imprévisibles (même à titre d ’hypothèse à vérifier)
- 4. 4 Définition Data mining ensemble de techniques d'exploration de données afin d'en tirer des connaissances (la signification profonde) sous forme de modèles présentés à l ’utilisateur averti pour examen Données entrepôt Data mining Connaissances Découverte de modèles Compréhension Prédiction
- 5. 5 Entrées Sortie Confiance Découverte de modèles x1 x2 x3 c y MODELE x1 x2 x3 y 1 10 100 alpha 2 20 200 beta
- 6. 6 Découverte et Exploitation Mining Model DM Engine DM Engine Predicted Data Training Data Mining Model Mining ModelData to Predict
- 7. 7 Connaissances Knowledge Discovery in Databases (KDD) Processus complet d’Extraction de Connaissance des Données (ECD) Comprend plusieurs phases dont le data mining Exemples analyses (distribution du trafic en fonction de l ’heure) scores (fidélité d ’un client), classes (mauvais payeurs) règles (si facture > 10000 et mécontent > 0.5 alors départ à 70%)
- 8. 8 Le processus de KDD
- 9. 9 Etapes du processus 1. Compréhension du domaine d’application 2. Création du fichier cible (target data set) 3. Traitement des données brutes (data cleaning and preprocessing) 4. Réduction des données (data reduction and projection) 5. Définition des tâches de fouille de données 6. Choix des algorithmes appropriés de fouille de données 7. Fouille de données (data mining) 8. Interprétation des formes extraites (mined patterns) 9. Validation des connaissances extraites (source : Fayyat et al., 1996, p. 1-34)
- 10. 10 Mécanismes de base Déduction : base des systèmes experts schéma logique permettant de déduire un théorème à partir d'axiomes le résultat est sûr, mais la méthode nécessite la connaissance de règles Induction : base du data mining méthode permettant de tirer des conclusions à partir d'une série de faits généralisation un peu abusive indicateurs de confiance permettant la pondération
- 11. 11 2. Domaines d'application De plus en plus de domaines explosion des données historisées puissance des machines support nombreux datawarehouses OLAP limité nécessité de mieux comprendre rapports sophistiqués, prédictions aide efficace aux managers
- 12. 12 Quelques domaines réputés Analyse de risque (Assurance) Marketing Grande distribution Médecine, Pharmacie Analyse financière Gestion de stocks Maintenance Contrôle de qualité
- 13. 13 Exemples Targeted ads “What banner should I display to this visitor?” Cross sells “What other products is this customer likely to buy? Fraud detection “Is this insurance claim a fraud?” Churn analysis “Who are those customers likely to churn?” Risk Management “Should I approve the loan to this customer?”
- 14. 14 Churn Analysis Application de télécom Bases de données des clients et des appels Fichiers des réclamations Qui sont les clients le plus susceptibles de partir ? Application de techniques de DM Fichiers de 1000 clients les plus risqués 600 ont quittés dans les 3 mois
- 15. 15 Trading Advisor Application boursière conseil en achat / vente d'actions Données de base historique des cours portefeuille client Analyse du risque Analyse technique du signal Conseils d'achat – vente Mise à disposition sur portail Web
- 16. 16 3. Méthodologie -1 1. Identifier le problème cerner les objectifs trouver les sources définir les cibles vérifier les besoins 2. Préparer les données préciser les sources collecter les données nettoyer les données transformer les données intégrer les données
- 17. 17 Méthodologie - 2 3. Explorer des modèles choisir une technique échantillonner sur un groupe valider sur le reste (5% à 1/3) calculer le d ’erreurs 4. Utiliser le modèle observer la réalité recommander des actions 5. Suivre le modèle bâtir des estimateurs corriger et affiner le modèle
- 18. 18 Explorer des modèles : SEMMA Sampling = Échantillonner tirer un échantillon significatif pour extraire les modèles Exploration = Explorer devenir familier avec les données (patterns) Manipulation = Manipuler ajouter des informations, coder, grouper des attributs Modelling = Modéliser construire des modèles (statistiques, réseaux de neuronnes, arbres de décisions, règles associatives, …) Assessment = Valider comprendre, valider, expliquer, répondre aux questions
- 19. 19 Validation d’un modèle Matrice de confusion comparaison des cas observés par rapport aux prédictions exemple : prédiction de factures impayées Validité du modèle nombre exacte (diagonale) / nombre totale = 120/150 = 0.80 Prédit Observé Payé Retardé Impayé Total Payé 80 15 5 100 Retardé 1 17 2 20 Impayé 5 2 23 30 Total 86 34 30 150
- 20. 20 Principales Techniques Dérivées des statistiques (e.g., réseaux bayésiens) de l'analyse de données (e.g., analyse en composantes) de l'intelligence artificielle (e.g., arbres de décision, réseaux de neurones) des bases de données (e.g., règles associatives) Appliquées aux grandes bases de données Difficultés : passage à l'échelle et performance fonctionnement avec échantillon > qq milliers présentation et validation des résultats
- 21. 21 4. Quelques produits Intelligent Miner d'IBM modélisation prédictive (stat.), groupage, segmentation, analyse d'associations, détection de déviation, analyse de texte libre SAS de SAS Statistiques, groupage, arbres de décision, réseaux de neurones, associations, ... SPSS de SPSS statistiques, classification, réseaux de neurones Oracle 10g ODM SQL Server DM DB2 V8
- 22. 22 SAS
- 23. 23 INPUT Choix des variables
- 24. 24 SAMPLING Choix du type d'échantillon
- 25. 25 INSIGHT Analyse des données en 4D
- 26. 26 TRANSFORM Transformation pour préparer
- 27. 27 PARTITION Création de partition d'exploration parallèle
- 28. 28 REGRESSION Sélection de la méthode de régression
- 29. 29 DECISION TREE Construction d'un arbre par 2
- 30. 30 NEURONES Spécification d'un réseau de neurones
- 31. 31 ASSESSMENT Validation des résultats
- 32. 32 Approches De multiples approches: Statistiques Classification Clustering Règles associatives …
- 33. 33 Méthodes d'analyse 1 ... J ... p 1 . . Table Table = i . . n 1 ... J ... p 1 ... J ... p 1 1 . . . . Table = i Table = i . . . . n n Points dans Rp Points dans Rn
- 34. 34 Familles de méthodes Nuage de points Visualisation dans Le meilleur espace réduit Regroupement dans tout l'espace METHODES STATISTIQUES ET FACTORIELLES METHODES DE CLASSIFICATION, SUPERVISEE OU NON …
- 35. 35 5. Méthodes statistiques Quelques techniques de base A la limite du DM Calculs d'information sophistiqués
- 36. 36 Fonctions Statistiques Espérance permet de calculer la moyenne pondérée d'une colonne pi = 1/N par défaut Variance traduit la dispersion de la distribution de la v.a. autour de sa valeur moyenne. Variable centrée réduite Permet d'éliminer le facteur dimension
- 37. 37 Catégorie d'employé Catégorie d'employé Responsable Cadre Secrétariat Fréquence 400 300 200 100 0 Diagrammes en bâtons Comptage de fréquence COUNT Extension aux calculs d'agrégats AVG, MIN, MAX, … Possibilité d'étendre au 3D Apporte une vision synthétique 1st Qtr 2nd Qtr 3rd Qtr 4th Qtr East West North 0 20 40 60 80 100 1st Qtr 2nd Qtr 3rd Qtr 4th Qtr East West North East West North
- 38. 38 Tableau croisé Catégorie d'employé * Sexe de l'employé * Classe minoritaire ? Classe minoritaire ?: Non 110 144,7 166 131,3 276 276,0 14 7,3 0 6,7 14 14,0 70 41,9 10 38,1 80 80,0 194 194,0 176 176,0 370 370,0 Masculin Féminin Sexe de l'employé Total Masculin Féminin Sexe de l'employé Total Masculin Féminin Sexe de l'employé Total Masculin Féminin Sexe de l'employé Total Secrétariat Cadre Responsable Catégorie d'employé Total Effectif Effectif théorique Tableaux croisés (Vision 2D du Datacube) Effectif théorique = calculé par une loi de distribution (uniforme)
- 39. 39 Corrélation Covariance La covariance peut être vue comme le moment centré conjoint d'ordre 1 de deux v.a. Si les deux v.a. sont indépendantes, alors leur covariance est nulle (mais la réciproque n'est pas vraie en général). Coefficient de corrélation Elimine le facteur dimension mesure la qualité de la relation linéaire entre deux variables aléatoires
- 40. 40 Droite de régression $20,000 $40,000 $60,000 $80,000 Salaire d'embauche $40,000 $80,000 $120,000 $160,000 Salaire actue l 70 120 199 Salaire actuel = 1928,21 + 1,91 * saldeb R-Deux = 0,77 Régression linéaire Y = a X + b
- 41. 41 Test du 2 Détermine l'existence d'une dépendance entre deux variables Exemple : salaire d'embauche, niveau d'étude Compare la distribution des variables par rapport à une courbe théorique supposant l'indépendance
- 42. 42 De nombreuses fonctions Test t sur moyenne ANOVA Analyses de variance sophistiquées Corrélation partielle Régresion logistique Séries chronologiques Lissage exponentiel, Moyenne mobile, … Comparaison …
- 43. 43 Calculs en SQL Introduction de fonctions d'agrégats AVG = moyenne MAVG = moyenne mobile STDDEV = écart type VARIANCE = variance COVARIANCE = covariance … Exemple SELECT COVARIANCE(SALAIRE_ACTU, SALAIRE_EMB) FROM EMPLOYEE WHERE GRADE = "ingénieur" GROUP BY SEXE
- 44. 44 Statistiques: Conclusion Calculs statistiques sur variables Mono ou bi-variées Résumé des données Observation de dépendances Peu de modèles prédictifs ... La plupart sont faisables avec SQL OLAP Extensions cube et rollup Extensions avec fonctions d'agrégats
- 45. 45 6. Conclusion Le data mining vise à découvrir des modèles à partir de grandes bases de faits connus (datawarehouse) Le processus de construction de modèles est complexe préparer les données modéliser 1/3 de la base valider sur 2/3 expérimenter plusieurs modèles Questions ? Quoi de nouveau par rapport à l'IA et aux statistiques ?
- 46. 46 DM, Stat., IA DM Stat. Tableau individu -variable Calculs numériques IA Formalisme de la logique Induction/déduction Recherche de règles de classement Méthodes de discrimination Réseaux de neuronnes Segmentation Apprentissage supervisé/ex. -Génèr° de règles -Constr° d'arbre de décision -Raisonnement à base de cas Régression Méthodes de régression Réseaux de neuronnes _ Classification automatique Classif° automatique hiérarchique Partitionnement Réseaux de neuronnes Apprentissage non supervisé -Classif° conceptuelle Description synthétique Stat. Élémentaire (histogramme, moy, écart-type) Outils d'interprét° de classes Méthodes factorielles (ACP) Apprentissage non supervisé -Généralisation Recherche de dépendances Corrélations Analyse factorielles des corr. (AFC) Réseaux bayésiens Apprentissage non supervisé -Généralisation -Recherche d'associations Détection de déviations Test stat sur les écarts _