Data Mining : tecniche di trasformazione dei dati (Parte terza)
Pagina 1 di 5
Martedì, 17 Maggio 2004
chi siamo | catalogo | contatti@ | rivendite | registrati | help
HOME
WEBZINE
LIBRI
UNIVERSITA'
EBOOK
BUSINESS
Ok!
ricerca:
OPENPRESS
Newsletter gratuite
Resta aggiornato!
Iscriviti alle Newsletter Apogeonline
02 Novembre 2004 - Articoli
Riceverai via email l'aggiornamento su tu
novità editoriali e gli articoli.
[Inserisci il tuo email e clicca su O
di Giuseppe Moschese
NetNews di Davide Pellegrino
I motori di ricerca vanno sul cellulare
Telefonare gratis con Internet grazie a
Diritto e Tecnologia di Avv.Annarita Gil
Nel mondo delle frodi online arriva il "d
phishing"
ECommerceNews di Raffaella Scalisi
La nuova frontiera delle aste online
TechNews di Dario D'elia e Enrico Sola
"Green Button Award", a premiare il v
sarà Bill Gates
Le news di Apogeonline sul tuo sito
scoprire come clicca qui!
Data Mining : tecniche di
trasformazione dei dati
(Parte terza)
Apogeonline News
Lo scopo di questo articolo (il terzo di una
serie) è quello di dare indicazioni
specifiche, utili alla costruzione di sistemi
di Data Mining, in termini di metodologie
di sviluppo e di analisi
L'articolo, come si diceva nelle parti
precedenti, propone inoltre un'indagine sulle
tecniche che soddisfano le esigenze di analisi,
ne descrive la possibile applicabilit à e fornisce
dei parametri di valutazione.
Trasformazione dei dati
ALTRI ARTICOLI
Dello stesso autore
Giuseppe Moschese
Di argomento simile
Linguaggi e
programmazione
Link di riferimento
1/200410260101...
Dopo che i dati sono stati "puliti", trattati tutti i
valori non validi e mancanti e valutata la
consistenza dei dati si è pronti per effettuare le
trasformazioni necessarie. Le trasformazioni potrebbero essere dettate da
esigenze di migliore comprensione del fenomeno e dalla massimizzazione
delle informazioni contenute nei dati: una combinazione di variabili pu ò
portare alla creazione di una nuova dimensione maggiormente esplicativa.
La trasformazione è dettata anche da esigenze di sintesi: l'applicazione del
metodo delle componenti principali, ad esempio, riduce le dimensioni del
problema individuando un limitato numero di variabilit à essenziale del
fenomeno indagato.
Sostanzialmente le trasformazioni possono essere di due tipi:
1.
2.
Trasformazioni sulla distribuzione dei dati: modificazioni matematiche
alla distribuzione delle variabili.
Creazioni di dati: creazione di nuove variabili dalla combinazione di
variabili esistenti per eseguire tassi, differenze e cos ì via.
Per le analisi statistiche, la fase della trasformazione dei dati è critica
poich é alcune metodologie statistiche richiedono che i dati siano
linearmente collegate ad una variabile obiettivo, normalmente distribuiti e
liberi dagli outliers. Mentre i metodi dell'intelligenza artificiale e del
machine learning non richiedono rigorosamente che i dati siano
normalmente distribuiti o lineari, e alcuni metodi - gli alberi decisionali, per
esempio - non richiedono che gli outliers siano trattati preventivamente.
Questa è la maggiore differenza tra le analisi statistiche e il data mining.
Novità editoriali
Comportamento organizzativo
Il testo introduce ai temi della
diversità, della cultura
organizzativa, della socializzazione
e del management interculturale,
analizzando in maniera
approfondita il comportamento
individuale, i comportamenti di
gruppo e i processi organizzativi.
Ultimi articoli
Data Mining : tecniche di trasformazion
dati (Parte terza)
di Giuseppe Moschese
Smau: bilancio positivo per il 2004, nu
formula per il 2005
di Dario D'Elia
Data Mining : tecniche di trasformazion
dati (Parte seconda)
di Giuseppe Moschese
Speciali
OpenPress di Federica Masera
Migrare al pinguino: passo audace ma
positivo
Valtellinux Free Software Meeting 2004
UnusualBiz di Roberto Venturini
Spazio, ultima frontiera (del business)
Brainstorm di Bernardo Parrella
Come coniugare al meglio la radio e In
eGovernment di Alessandro Minelli
Il voto dei militari statunitensi in missi
viaggia online
Inizia bene la sperimentazione del call
unico della Pubblica Amministrazione
francese
file://I:\mining-warehouse\Data%20Mining%20%20tecniche%20di%20trasformazion... 17/05/2005
Data Mining : tecniche di trasformazione dei dati (Parte terza)
Gli algoritmi del machine learning hanno la capacit à di trattare
automaticamente con distribuzioni non lineari e non normali, anche se
in molti casi gli algoritmi lavoreranno meglio se questi criteri sono
verificati.
Per i metodi del machine learning le ragioni per il cambiamento delle
distribuzioni delle variabili (tipo 1. delle trasformazioni) possono
essere:
Eliminare gli effetti degli outliers . Se i valori degli outliers sono
estremi possono seriamente alterare l'accuratezza del modello che sarà
costruito. Qualche volta gli outliers sono utili e non devono essere
rimossi. Questo accade quando si è interessati al fraud detection o al
deviant detection, in questi casi gli outliers possono essere i record che
si stanno cercando e non dovrebbero essere toccati.
Pagina 2 di 5
Archivi webzine
Gli articoli e le news archiviati per argomento:
Computer, formazione
e scuola
Culture digitali
Diritto e Internet
Diritto e nuove
tecnologie
Diritto e nuove
teconologie
Eventi
Giornalismo e
giornalismi
Hardware e software
Internet
Linguaggi e
programmazione
Linguaggi e sistemi
operativi
Linux e Open Source
Marketing, aziende e
nuove tecnologie
Mondo Mac
Multimedia
Net economy e e
business
New economy e
trading online
Prodotti e mercati
Sistemi operativi
Tecnologia e societa
Telefonia
Videogames
Wireless
eGovernment
eLearning
Rendere i dati "facilmente" interpretabili . Molte variabili di
transazioni, come reddito e il numero di transazioni, hanno una
distribuzione asimmetrica. Utilizzando i dati in questo formato le loro
visualizzazioni sono difficili da interpretare. Usando uno schema di discretizzazione o prendendo il logaritmo, s
trasformano tali variabili in modo da distribuire normalmente i dati, in questo modo il risultato è facile da
interpretare e qualche volta si migliora anche la qualit à dei risultati.
Ci sono diverse trasformazioni di creazione di dati (tipo 2.) che sono molto utili e possono migliorare in modo
impressionante i risultati di un progetto di data mining.
Tra questi si hanno:
Variabili di tasso. Si creano delle nuove variabili più rappresentative e si ridurre il numero di variabili totali
migliorando le performance del modello. Per esempio si può scegliere di prevedere il rischio di credito dal
rapporto debito/reddito piuttosto che debito e reddito come variabili indipendenti.
Termini derivati dal tempo. La creazione di questi termini è importante nelle predizioni poich é la variazione
dei dati nel tempo è fondamentale per questa attività.
Discretizzazioni usando range. La discretizzazione dei dati numerici usando dei range (di tutti i possibili
valori) è un buon modo per normalizzare i dati. La creazione di range discreti permette una facile comprension
dei dati. Altre volte sono proprio i tool a dettare la rappresentazione dei dati. Per esempio, le reti neurali
lavorano bene su variabili dicotomiche "1" o "0" e molti alberi decisionali usati per le classificazioni richiedono
che valori continui, come il reddito, siano raggruppati in range come "Alto", "Medio" e "Basso". La
trasformazione in range dei dati pu ò essere utile anche a rimuovere gli effetti degli outliers. Da notare che la
codifica che si sceglie pu ò influenzare il risultato del modello che si sta generando.
Trasformazioni matematiche . Le funzioni matematiche applicate per trasformare i dati sono utili per
standardizzare distribuzioni anormali e quando si tenta di linearizzare una variabile. Alcune funzioni
matematiche includono trasformazioni logaritmiche, trasformazioni ad hoc e trasformazioni polinomiali.
Le trasformazioni logaritmiche sono usate per normalizzare una variabile che ha una distribuzione asimmetrica
Queste tendono anche a ridurre gli effetti degli outliers.
Le trasformazioni polinomiali sono utili quando si vogliono linearizzare i dati che sono distribuiti in modo
continuo.
Conversioni da testo a numerico. Alcuni strumenti di data mining possono lavorare solo su input numerici.
In questi casi, ai discreti valori testuali occorre assegnare un codice. Ma è possibile fare questo soltanto quand
un tool di data mining è abbastanza intelligente da trattare queste informazioni in modo corretto. Per esempio
se vengono convertite i nomi delle citt à con i corrispondenti CAP, non ha alcun senso effettuare computazione
su tali codici.
file://I:\mining-warehouse\Data%20Mining%20%20tecniche%20di%20trasformazion... 17/05/2005
Data Mining : tecniche di trasformazione dei dati (Parte terza)
Pagina 3 di 5
Dopo che i dati sono stati preparati, selezionati e trasformati, si è pronti a far girare gli algoritmi di data
mining.
Costruzione del modello
In questa fase il focus del processo riguarda la costruzione di regole generali a partire dai dati osservati.
Da un punto di vista generale si possono distinguere tecniche per lo studio dell' interdipendenza da quelle
utilizzate per lo studio della dipendenza. Una ulteriore distinzione riguarda il tipo di variabili utilizzate per
descrivere il fenomeno oggetto di studio: variabili qualitative o variabili quantitative.
Lo studio dell' interdipendenza per variabili di tipo qualitativo si avvale di tecniche quali l'analisi delle
corrispondenze o i modelli log lineari; per variabili di tipo quantitativo si ricorda, a titolo esemplificativo, l'anal
dei gruppi, l'analisi delle componenti principali. Tecniche di questo tipo vengono impiegate nei progetti di
segmentazione comportamentale della clientela, definizione di nuovi prodotti, costruzione della scheda cliente
della scheda agenzia.
L'analisi di dipendenza riguarda lo studio di una variabile rispetto ad altre variabili considerate esplicative.
Anche in questo caso i modelli possono essere impiegati a seconda della natura delle variabili considerate: nel
caso di variabili categoriche, ad esempio, modelli logit; nel caso di variabili quantitative, modelli di regressione
lineare o logistica, a seconda della natura della variabile dipendente.
Tecniche di analisi delle dipendenze vengono impiegate nei progetti di costruzione di scoring system o di
valutazione del potenziale a livello di singolo cliente o a livello di area territoriale.
Questo tipo di modellistica è piuttosto tradizionale. In genere la possibilit à di capire a fondo i modelli e
soprattutto la trasparenza degli stessi portano ad una preferenza nel loro utilizzo rispetto a metodi pi
complessi e di più difficile analisi. In molti casi però considerazioni sullo spazio delle variabili, sulla dimensione
del problema, sulla complessità del modello esplicativo sottostante portano alla necessit à di utilizzare altro tip
di modellistica: reti neurali, alberi decisionali, algoritmi genetici. Si tratta di modelli che trattano diverse
tipologie di variabili e che hanno il pregio di funzionare anche quando la dimensione del problema
decisamente ampia.
Sono proprio gli avanzamenti tecnologici recenti che hanno reso possibile l'impiego di queste tecniche,
destinate a diventare una parte fondamentale del bagaglio degli attrezzi dell'analista.
Alle nuove tecnologie è legato il concetto di training o learning che deriva direttamente dal campo
dell'intelligenza artificiale del machine learning. Con esso si intende quella fase della costruzione del modello
dove il modello stesso (tramite un algoritmo di apprendimento) apprende le informazioni contenute nel
dataset - un particolare sottoinsieme dei dati preparati ai passi precedenti. Se si tratta della costruzione di un
modello predittivo, il training dataset, conterr à tutte variabili necessarie per le predizioni, dette variabili
indipendenti, e la variabile che contiene il risultato, detta variabile dipendente o target. L'apprendimento in cu
si conosce anche il risultato viene detto supervised learning (apprendimento supervisionato), come il caso d
fraud detection e del risk management. Mentre l'apprendimento in cui non è noto il risultato viene detto
unsupervised learning (apprendimento non supervisionato), un esempio sono gli algoritmi di clustering dov
il gruppo target non è noto a priori.
Una volta che il modello è stato addestrato sul training dataset viene controllato su un altro insieme di dati
(differente dal precedente e contenente ancora anche le risposte) che viene solitamente chiamato
Mentre ci sono sempre almeno due dataset, training e testing, è possibile che ci siano tre o meglio quattro
dataset usati per generare e validare un modello predittivo. Questi dataset chiamati solitamente training
control , test e validation sono usati nel modo seguente:
?
training : usato per la costruzione del modello,
?
control: opzionale, usato per controllare l'overtraining del modello, la tendenza di apprendere
file://I:\mining-warehouse\Data%20Mining%20%20tecniche%20di%20trasformazion... 17/05/2005
Data Mining : tecniche di trasformazione dei dati (Parte terza)
Pagina 4 di 5
l'istanza di addestramento piuttosto che generalizzare,
?
?
test : usato dal tool di costruzione del modello per valutare l'accuratezza di un particolare modello,
validation : spesso usato dall'esperto di metodi quantitativi per valutare l'accuratezza del modello
finale dalla comparazione del valori predetti dal modello e le risposte note.
La ragione della presenza di molti dataset è dovuta al fatto che il processo di data mining è un processo
interattivo con diversi livelli di cicli annidati. Ad ogni livello è necessario un nuovo dataset indipendente che
possa veramente testare o validare il modello prodotto al precedente livello di ciclo.
Durante il processo di data mining non viene creato un unico modello, ma lo stesso tool che si utilizza mette a
disposizione tecnologie diverse, per poter creare modelli diversi e valutare quale si comporta meglio sul
problema in esame e sui dati disponibili.
Scelta dell'approccio, della tecnologia e dell'algoritmo
La costruzione pratica del modello inizia con la scelta dell'approccio con cui si vuole studiare il problema di
business delineato nella prima fase del processo di sviluppo di un sistema di Data Mining. Per un determinato
problema di business non esiste un'unica tecnica di analisi così come per una tecnica di analisi non esiste
un'unica tecnologia che la supporta.
Interpretiamo la cardinalit à ('1' o 'm') delle relazioni tra le fasi fondamentali di un processo di data mining
mostrate in figura:
?
?
?
Tra problema di business e approcci di data mining (m:m). Un problema di business pu ò essere
studiato usando più di una classe di modelli, e naturalmente un approccio di modellazione pu
applicato a molti problemi di business.
Tra approcci di data mining e tecnologie (m:m). Più di una tecnologia pu ò essere usata per ogni
classe di modelli, e ogni tecnologia pu ò essere usata per più classi di modelli.
Tra tecnologie e algoritmi (1:m). Una tecnologia pu ò essere implementata in più modi.
?
Tra tecnologie e prodotti (m:m). I tool di Data Mining possono supportare più di una tecnologia, e
naturalmente una tecnologia è supportata da più fornitori di prodotti.
?
Tra algoritmi e prodotti (1:1). Per ogni data tecnologia (dalla lieve diversit à d'interpretazione della
notazione del modello), ogni particolare prodotto supporta una particolare implementazione del
relativo algoritmo.
Con maggiore precisione si può dire che esistono sei maggiori classi di approcci di data mining (o tecniche di
analisi o classi di modelli), esse sono: le classificazioni, le regressioni, le serie storiche, il clustering, le
associazioni e la scoperta delle sequenze. Si vedranno più in dettaglio nel prossimo capitolo.
Per quanto riguarda le tecnologie esse sono la base dei sistemi di data mining, e agli iniziali metodi statistici s
sono aggiunti col tempo nuove tecnologie per la scoperta di pattern nei dati. Tra esse si ricordano gli alberi
decisionali, le reti neurali, i sistemi basati su logica fuzzy e così via come mostrato nei capitoli successivi.
Sebbene ogni tecnologia rappresenta uno specifico tipo di analisi, i prodotti implementano più tecnologie, e il
progetto di un algoritmo di data mining pu ò avere significative differenze dalle performance e dalla scalabilit
del prodotto. Questo è cruciale quando al prodotto è richiesto di esplorare dei VLDB; non si fanno assunzioni
sulla lineare scalabilit à di un tool di data mining quando il volume dei dati cresce.
Col tempo sono stati sviluppati, e messi a disposizione dei tool di data mining, degli algoritmi sempre pi
sofisticati. Ad esempio per l'implementazione (di metodi) degli alberi decisionali si ricordano: il CART
(Classification and Regression Tree), il CHAID (CHi -squared Automatic Interaction Detection), l'Entropy
Variance, l'ANOVA, il Gini Variance. Per l'implementazione delle varie architetture delle reti neurali si ricordano
il MLP (Multi-Layer Perceptron), la PPN (Probabilistic Neural Network), le RBF (Radial Basic Functions), le map
auto -organizzate di Kohonen, le MBR (Memory Based Reasoning) e così via, e per le cluster analysis il K
file://I:\mining-warehouse\Data%20Mining%20%20tecniche%20di%20trasformazion... 17/05/2005
Data Mining : tecniche di trasformazione dei dati (Parte terza)
Pagina 5 di 5
Valutazione e interpretazione dei risultati
Dopo che è stato costruito un modello, bisogna valutare i suoi risultati e interpretare il loro significato. Quand
si conduce la validazione del modello, bisogna trovare un tasso di accuratezza.
È importante ricordare che questo tasso di accuratezza è applicato solo ai dati sul quale il modello
costruito. In pratica, l'accuratezza pu ò variare se i dati che si applicano al modello si differiscono
significativamente dai dati originari.
Per problemi di classificazione, una matrice di confusione è molto utile per comprendere i risultati. Una matric
di confusione mostra il numero dei valori reali delle classificazioni e il numero dei valori previsti. Non solo
mostra come il modello predice bene ma presenta anche i dettagli necessari per indicare con precisione dove
cose vanno male.
Di grande aiuto sulla valutazione dell'utilità di un modello sono i lift chart o gain chart . Esso mostra come le
risposte (ad una mailing list o un trattamento chirurgico) sono cambiate con l'applicazione del modello.
Si vede ad esempio che se si prende casualmente (random) il 10% del target, la risposta al trattamento
10%, mentre se si prende il 10% del target selezionato dal modello (target con punteggio - scored
sono superiori al 30%. Questo miglioramento delle risposte è chiamato lift.
Un altro importante componente di interpretazione è la valutazione del "valore" del modello. Il modello
sicuramente interessante, ma le operazioni per costruirlo possono costare più dei ritorni o dei risparmi genera
Un diagramma del ROI che fornisce i valori delle risposte e i costi per ottenerli d à un ulteriore aiuto per le
decisioni di marketing.
Da tenere sempre presente che i risultati di un modello sono solo profittevoli se si può agire con essi. Bisogna
essere sicuri di avere un vantaggio pratico dalla conoscenza che si guadagna.
file://I:\mining-warehouse\Data%20Mining%20%20tecniche%20di%20trasformazion... 17/05/2005
