PPT

Corso di Basi di Dati
Introduzione al Data Mining
Home page del corso:
http://www.cs.unibo.it/~difelice/dbsi/
Introduzione al Data Mining
Data Mining: tecniche di apprendimento
computerizzato per analizzare ed estrarre
conoscenze da collezioni di dati.
Pattern e relazioni non note a priori e non
immediatamente identificabili.
Disciplina complessa: utilizzo di tecniche
di machine learning, intelligenza
artificiale e statistiche …
Introduzione al Data Mining
ESEMPI di APPLICAZIONI (aziendali)
 Previsioni di dati temporali (es. vendite)
 Market Basket Analysis (vi siete mai chiesti come
mai tanti tornei di golf sono sponsorizzati da societa’ di
brokeraggio?  )
 Scoperta di truffe (es. clonazioni di carte di credito)
 Campagne pubblicitarie mirate
 Churn Analysis (analisi della clientela che potrebbe
passare alla concorrenza)
 Segmentazione della clientela
 …
Introduzione al Data Mining
BUSINESS INTELLIGENCE (BI)  (def.)
Insieme di processi aziendali, metodologie tool per
raccogliere i dati di un’azienda, ed estrarre
informazioni
di
supporto
alla
decisioni
strategiche.
DATA MINING  componente essenziale del
processo di BI, si occupa di estrarre informazioni
utili dai dati per aiutare il processo decisionale …
Introduzione al Data Mining
BUSINESS INTELLIGENCE (BI)  (def.)
Insieme di processi aziendali, metodologie tool per
raccogliere i dati di un’azienda, ed estrarre
informazioni
di
supporto
alla
decisioni
strategiche.
DATA MINING  componente essenziale del
processo di BI, si occupa di estrarre informazioni
utili dai dati per aiutare il processo decisionale …
Sorgente: http://www.conbusinessintelligence.com/
Introduzione al Data Mining
 Data mining  estrae informazioni da un DB.
 Data query (SELECT)  estrae dati da un DB
relazionale (in particolare, dalle tabelle della FROM).
Q. Che differenza esiste tra i due approcci?
A. Il processo di data mining estrae regolarità e
pattern sui dati che non sono note a priori, e che
non possono essere ricavate da query SQL.
Introduzione al Data Mining
Q. Da dove derivano i dati da analizzare?
Dati posseduti da
un’azienda/organizzazione e
custodoti in un DB operazionale.
Dati estratti dal Web (es. OPEN DATA)
Dati estratti dai social media
Introduzione al Data Mining
Q. Da dove derivano i dati da analizzare?
Dati posseduti da
un’azienda/organizzazione e
custodoti in un DB operazionale.
+
Dati estratti dal Web (es. OPEN DATA)
+
Dati estratti dai social media
Big Data: grandi moli di dati, provenienti da
sorgenti eterogenee, difficili da gestire ed
analizzare utilizzando strumenti tradizionali.
Le 3 “V” dei Big-Data:




Volume
Varietà
Velocità
Valore
9
Fonte: http://www.datameer.com/product/big-data.html
Introduzione al Data Mining
Introduzione al Data Mining
Un esempio di sorgente di Big-Data: Dispositivi mobili
Fonte: Lane, Miluzzo et alt, A survey of mobile phone sensing, IEEE Communication Magazine, 2010
10
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
TRAINING PHASE
<timestamp, dato sensore 1, dato sensore 2,
dato sensore3, … CLASSE MOBILITA’>
TRAINING SET
<1/1/2014:08:50:23, 0.323, 0.123, 9.8, 1214,
134.121, 125.56, 5421, …, WALKING>
DATABASE relazionale contentente le osservazioni raccolte
11
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
ESTRAZIONE DELLA CONOSCENZA
Modello di classificazione
If (val1 < Y) and (val2 > Z) then WALKING
If (val2 > Y) and (val3 > W) then BIKING
else DRIVING CAR
12
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
PREDIZIONE E TESTING
<timestamp, dato sensore 1, dato sensore 2,
dato sensore3, … >
MODELLO
Output classificazione: WALKING
13
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
APP1
APP2
ANDROID
APPLICATIONS
PREDICTOR
MODEL
Model
Generation
RF
RT
DT
m(t)
TRAINING
SET
PREDICTED
m’(t)
Cascading Model
BUILDER
HISTORY
MODULE
SQLite
DB
m’(t)
BN
CONTENT
m(t)
m(t−h) ... m(t−1)
PROVIDER
+
Current
Features
FEATURES
EXTRACTOR
Sensor
Data
ACCELEROMETER
Current
Sensor
Data
Features
ANDROID
DEVICE
GYROSCOPE
L. Bedogni, M. Di Felice, L. Bononi, By Train or By Car? Detecting the User's Motion Type
through Smartphone Sensors Data, in Proc. of the 5th IFIP International Conference Wireless Days
2012 (WD 2012), Dublin, Ireland, November 21-23, 2012
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
L. Bedogni, M. Di Felice, L. Bononi, By Train or By Car? Detecting the User's Motion Type
through Smartphone Sensors Data, in Proc. of the 5th IFIP International Conference Wireless Days
2012 (WD 2012), Dublin, Ireland, November 21-23, 2012
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
L. Bedogni, M. Di Felice, L. Bononi, By Train or By Car? Detecting the User's Motion Type
through Smartphone Sensors Data, in Proc. of the 5th IFIP International Conference Wireless Days
2012 (WD 2012), Dublin, Ireland, November 21-23, 2012
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (1)
L. Bedogni, M. Di Felice, L. Bononi, By Train or By Car? Detecting the User's Motion Type
through Smartphone Sensors Data, in Proc. of the 5th IFIP International Conference Wireless Days
2012 (WD 2012), Dublin, Ireland, November 21-23, 2012
Introduzione al Data Mining
Q. Da dove derivano i dati da analizzare?
Dati posseduti da
un’azienda/organizzazione e
custodoti in un DB operazionale.
+
Dati estratti dal Web (es. OPEN DATA)
+
Dati estratti dai social media
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (2)
 Analisi pagine FB delle
Destination Management
Organizations (DMO) su
scala regionale
 Analisi utilizzo dei social
media per fini di marketing
del turismo
 Individuazione bestpractice per pubblicazione
dei contenuti
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (2)
 Impatto del profilo FB misurato attraverso l’engagement:
(Likes + Comments + Shares)
*100
(Total _ Posts *Total _ Fans(end _ of _ the _ month))
 Quale fattore incide positivamente sull’engagement?
 Quale fattore incide negativamente sull’engagement?
STRATEGIE PER PUBBLICAZIONE DEI CONTENUTI
Introduzione al Data Mining
Un esempio di applicazione di tecniche di data-mining (2)
REGRESSIONE LINEARE
COEFFICIENTI
Y = b0 + b1 *X1 + b2 *X2 +...+ bM *XM
Variabile dipendente:
Engagement
Variabile esplicativa:
Es. Geografia, Stagione,
Tipo Post, Frequenza Post, etc
Introduzione al Data Mining
Q. Dove memorizzare i dati necessari per l’analisi?
REPORT
ANALISI
Un data warehouse è una collezione di dati (non
volatile) finalizzata al supporto del processo decisionale.
Introduzione al Data Mining
Un data warehouse è un database relazionale
finalizzato all’analisi ed al processo decisionale.
Q. Che differenza c’è tra un data warehouse ed i
database operazionali visti fin qui nel corso?
R. A basso livello, nessuna (modello relazionale 
chiavi, tabelle, vincoli integrità, SQL, etc)
R. Le differenze principali sono nella progettazione!
Introduzione al Data Mining
 Differenze principali tra database operazionali
(visti fin qui) e data warehouse.
OPERAZIONI sui DATI
Database operazionali  Accessi multipli ai dati,
aggiornamenti costanti nel tempo, possibile alta
concorrenza delle operazioni lettura/scrittura.
Data warehouse  Accesso in sola lettura, dati
storici e non soggetti a cambiamento.
Introduzione al Data Mining
 Differenze principali tra database operazionali
(visti fin qui) e data warehouse.
RAPPRESENTAZIONI dei DATI
Database operazionali  I dati delle tabelle sono
normalizzati (Prima/Seconda/Terza Forma
Normale) per ridurre la ridondanza dei dati.
Data warehouse  I dati sono rappresentati in
forma denormalizzata per evitare operazioni
(costose) di join tra le tabelle troppo frequenti.
Introduzione al Data Mining
 Differenze principali tra database operazionali
(visti fin qui) e data warehouse.
GRANULARITA’ dei DATI
Database operazionali  Ogni riga contiene
informazioni relative ad operazioni di inserimento
(insert SQL), eseguite sul database.
Data warehouse  I dati rappresentano
informazioni aggregate, utili per la reportistica,
spesso ottenute processando altri dati (del db).
Introduzione al Data Mining
Esistono opportune metodologie (che non vedremo)
per progettare un data warehouse relazionale.
MODELLO A STELLA
MODELLO OLAP
Noi ci concentriamo ora sul processo di analisi dei dati …
Introduzione al Data Mining
ESEMPIO di PROCESSO di DATA-MINING
Un’azienda di telefonia vuole analizzare il data-set
dei propri clienti abbonati, in modo da:
 Costruire una profilazione della clientela, in modo da
individuare un possibile nuovo cliente, a partire dai suoi
dati (es. età, sesso, lavoro, etc).
 Determinare quali utenti abbonati possono essere
interessati ad una nuova offerta (es. abbonamento
Internet con tecnologia LTE).
Q. Da dove partire per effettuare l’analisi?
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
BUSINESS UNDERSTANDING
In questa fase, è necessario comprendere bene gli
obiettivi che il sistema dovrebbe raggiungere (es.
modello predizione costi?) ed i requisiti del
committente.




Inventario delle risorse disponibili.
Requisiti, presupposti e vincoli.
Analisi dei rischi/imprevisti.
Analisi dei costi/benefici.
Introduzione al Data Mining
ESEMPIO di PROCESSO di DATA-MINING
Nel caso di studio (azienda di telefonia), la fase di
business understanding include la formulazione
delle risposte ai seguenti quesiti:
 Che margine di profitto mi aspetto di ottenere dal
modello di previsione dei nuovi clienti?
 Che margine di risparmio mi aspetto di ottenere
effettuando pubblicita’ mirata delle nuove offerte?
 Quali sono i costi necessari per implementare il modello
di data-mining nel processo decisionale?
 …
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
DATA UNDERSTANDING
In questa fase, è necessario comprendere bene quali
dati sono fondamentali per la costruzione del
modello di data mining.




Report dei dati disponibili.
Costruzione del dataset.
Strategie di recupero dati mancanti.
Criteri di verifica della qualità dei dati.
Introduzione al Data Mining
ESEMPIO di PROCESSO di DATA-MINING
Nel caso di studio (azienda di telefonia), la fase di
data understanding include la formulazione delle
risposte ai seguenti quesiti:
 Ho a disposizione tutti i dati necessari per poter
classificare gli utenti del mio servizio?
 Devo prevedere campagne di raccolte dati (es. attraverso
survey o interviste telefoniche?)
 Posso estendere il mio data-set includendo dati
provenienti da altre fonti (es. social media)?
 …
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
DATA PREPARATION
Molti algoritmi di data-mining richiedono di
trasformare i dati in un opportuno formato per
poter essere eseguiti efficacemente.
 Es. Gli algoritmi di classificazione lavorano
spesso su un numero discreto di classi da
riconoscere, sebbene i dati in questione abbiano
un dominio “continuo”.
Introduzione al Data Mining
DATA PREPARATION
STORICO EROGAZIONI
Costruire un modello di data-mining
per decidere l’erogazione di una carta di credito
sulla base della segmentazione degli utenti.
Codice
Macchina
Eta
Casa
Reddito
Erogazione
1332
SI
26
SI
10500
SI
2232
NO
40
SI
20000
SI
4323
NO
60
NO
5000
NO
Se Reddito <= 10000  0
Se Reddito> 10000 & Reddito < 15000  1
Se Reddito >= 15000  2
REGOLE di CLASSIFICAZIONE
Reddito
1
2
0
Introduzione al Data Mining
DATA PREPARATION
Molti algoritmi di data-mining lavorano su dati
normalizzati su un intervallo (es. [0,1]).
Normalizzazione Massimo/Minimo:
Vali - Min(Val)
ValNewi =
Max(Val) - Min(Val)
ValMax
ValMin
0
1
15
0
20
0.11
40
0.55
60
1
Introduzione al Data Mining
DATA PREPARATION
Molti algoritmi di data-mining lavorano su dati
normalizzati in base alla media dei valori.
Normalizzazione con Deviazione Standard:
Vali - Media(Val)
ValNewi =
Std(Val)
Media
0
15
0
20
0.11
40
0.55
60
1
Introduzione al Data Mining
DATA PREPARATION
In molti data-set, possono essere presenti dati
anomali (out-lier) che possono alterare l’analisi.
Dati anomali …
1) Come identificarli?
2) Come gestirli?
1-Rischio
1
0
Reddito
1
In molti casi, l’obiettivo del
processo di data mining
consiste nella ricerca degli
outlier (es. analisi frodi)!
Introduzione al Data Mining
DATA PREPARATION
In molti data-set, possono essere presenti dati
anomali (outlier) che possono alterare l’analisi.
Dati anomali …
1) Come identificarli?
1-Rischio
1
0
Es. Range valori consentiti:
[Media – Y*Dev: Media+Y*Dev]
Reddito
1
Se X fuori dal range 
OUTLIER!
Introduzione al Data Mining
DATA PREPARATION
1
Dati anomali …
1) Come identificarli?
1-Rischio
In molti data-set, possono essere presenti dati
anomali (outlier) che possono alterare l’analisi.
Es. : Metodo dei vicini
X(x1,y1) e Y (x2,y2) sono vicini se:
(x1 - x2 )2 + (y1 - y2 )2 < R
0
Reddito
1
Se #Vicini(X) < Soglia  OUTLIER!
Introduzione al Data Mining
DATA PREPARATION
In molti data-set, possono essere presenti dati
anomali (outlier) che possono alterare l’analisi.
Dati anomali …
1) Come identificarli?
2) Come gestirli?
1-Rischio
1
0
Reddito
1




Rimovere gli outlier
Sostituirli con valori NULL
Sostituirli con Media(Val)
…
Introduzione al Data Mining
DATA PREPARATION
In molti data-set, possono essere presenti dati
incompleti che possono condizionare l’analisi.
STORICO EROGAZIONI
Codice
Macchina
Eta
Casa
Reddito
Erogazione
1332
SI
???
SI
10500
SI
2232
NO
40
???
20000
SI
4323
???
60
NO
???
NO
Q. Come gestire i record con informazioni incomplete?
Introduzione al Data Mining
DATA PREPARATION
In molti
data-set,
possono essere presenti dati
Diverse
possibilita’:
incompleti che possono condizionare l’analisi.
 Scartare record incompleti
 Rimpiazzare ??? con valori NULL
STORICO
EROGAZIONI
 Rimpiazzare
??? con il valore medio dell’attributo
Codice
Macchina??? Con
Eta un valore
Casa
Reddito
Erogazione
 Rimpiazzare
che non alteri
la deviazione
1332 Standard
SI dei valori
??? dell’attributo
SI
10500
SI
??? Con
dell’attributo
2232 Rimpiazzare
NO
40 valori “plausibili”
???
20000
SI sulla
base di valori simili.
4323
???
60
NO
???
NO
 …
Q. Come gestire i record con informazioni incomplete?
Introduzione al Data Mining
DATA PREPARATION
In molti contesti è opportuno ridurre il numero
di attributi del data-set da analizzare …
 Ragioni di efficienza  + Attributi: > Maggior tempo di computazione
 Ragioni di accuratezza  Alcuni attributi non sono utili per l’analisi
STORICO EROGAZIONI
Informazione non utile per il modello …
Codice
CF
Macchina
Eta
Casa
Reddito
Erogazione
1332
ADFDS802
M
SI
26
SI
10500
SI
2232
FSFSS102M
NO
40
SI
20000
SI
4323
MRGTY43R
NO
60
NO
5000
NO
Introduzione al Data Mining
DATA PREPARATION
In molti contesti è opportuno ridurre il numero
di attributi del data-set da analizzare …
 Ragioni di efficienza  + Attributi: > Maggior tempo di computazione
 Ragioni di accuratezza  Alcuni attributi non sono utili per l’analisi
STORICO EROGAZIONI
Informazione non utile per il modello …
Codice
CF
Macchina
Eta
Casa
Reddito
Erogazione
1332
ADFDS802
M
SI
26
SI
10500
SI
2232
FSFSS102M
NO
40
SI
20000
SI
4323
MRGTY43R
NO
60
NO
5000
NO
Introduzione al Data Mining
DATA PREPARATION
L’attività di data preparation è molto delicata, le
scelte effettuate possono condizionare l’analisi …
STORICO EROGAZIONI
Codice
Macchina
Eta
Casa
Reddito
Erogazione
1332
SI
20
SI
10500
SI
2232
NO
40
SI
20000
SI
4323
SI
60
NO
500000
NO
SCELTA 1: Seleziono la riga come outlier e la rimuovo …
Introduzione al Data Mining
DATA PREPARATION
L’attivita’ di data preparation e’ molto delicata, le
scelte effettuate possono condizionare l’analisi …
Valore medio Reddito: 15250
STORICO EROGAZIONI
Codice
Macchina
Eta
Casa
Reddito
Erogazione
1332
SI
20
SI
10500
SI
2232
NO
40
SI
20000
SI
4323
SI
60
NO
500000
NO
SCELTA 1: Seleziono la riga come outlier e la rimuovo …
Introduzione al Data Mining
DATA PREPARATION
L’attività di data preparation e’ molto delicata, le
scelte effettuate possono condizionare l’analisi …
Valore medio Reddito: 176833
STORICO EROGAZIONI
Codice
Macchina
Eta
Casa
Reddito
Erogazione
1332
SI
20
SI
10500
SI
2232
NO
40
SI
20000
SI
4323
SI
60
NO
500000
NO
SCELTA 2: Non rimuovo la riga, nessun outlier …
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
Algoritmi diversi, per risolvere problemi diversi:
 Classificazione
Determinare se gli attributi di una certa istanza
appartengono o meno ad una classe.
 Predizione
Predire il valore di una serie temporale (valori continui).
 Associazione
Determinare regole del tipo: Se X allora Y.
 Segmentazione
Scoprire pattern sui dati, raggruppare istanze simili in
gruppi (cluster) di istanze.
Introduzione al Data Mining
Algoritmi diversi, per risolvere problemi diversi:
 Classificazione
Determinare se gli attributi di una certa istanza
appartengono o meno ad una classe.
 Segmentazione
Scoprire pattern sui dati, raggruppare istanze simili in
gruppi (cluster) di istanze.
 Predizione
Predire il valore di una serie temporale (valori continui).
 Associazione
Determinare regole del tipo: Se X allora Y
Introduzione al Data Mining
INPUT
Data un’istanza (record) di dati su N attributi:
A(x1,x2,x3,x4,x5, … xN)
Dato un insieme di M possibili classi:
C={c1,c2, … cM}
OUTPUT
Determinare la classe cj cui appartiene l’istanza A.
COME?
Mediante apprendimento supervisionato … 
Introduzione al Data Mining
TRAINING-SET
Un Training-Set e’ definito come un insieme di record:
T={(Aj,cjk)}
 Aj e’ un record su N attributi: (xj1,xj2, … xjN)
 cjk e’ la classe cui appartiene il record Aj
Q. Da dove ottengo il Training-Set?
A. Spesso disponibile come storico di dati disponibili
nel DB o nel DW, o costruito da fonti esterne.
Introduzione al Data Mining
TRAINING-SET
Un Training-Set e’ definito come un insieme di record:
T={(Aj,cjk)}
 Aj e’ un record su N attributi: (xj1,xj2, … xjN)
 cjk e’ la classe cui appartiene il record Aj
Fase di TESTING
{<Aj,cij>}
DATA-SET
Fase di TRAINING
+
ALGORITMO
CLASSIFICAZIONE
Istanza Ai
MODELLO
Cj
Introduzione al Data Mining
Esempio. Determinare se un certo cliente può essere
interessato o meno ad acquistare un auto berlina, ai
fini di migliorare la campagna pubblicitaria.
Data-set derivato dai risultati di
precedenti campagne pubblicitarie
TRAINING SET
Nr
Utente
Stato
Coniugale
Sesso
#Nucleo
Familiare
Reddito
Annuo
Acquisto
1
Celibe
M
1
30000
SI
2
Nubile
F
1
45000
NO
3
Sposato
M
4
35000
SI
TESTING SET
<4, Sposato, M, 3, 38000>
ACQUISTO??
Introduzione al Data Mining
ALGORITMI di CLASSIFICAZIONE






Naïve Bayes
Reti Bayesiane
Alberi di decisione
Random Forest
Support Vector Machines (SVM)
…
A. Quale algoritmo usare?
Q. Non esiste un classificatore ottimo in assoluto,
dipende dallo scenario applicativo …
Introduzione al Data Mining
CLASSIFICATORE NAÏVE BAYES (NB)
Il classificatore NB utilizza una tecnica statistica
con la quale si cerca di stimare la probabilità di un
istanza di appartenere ad una certa classe.
 Istanza A(x1, …xN) da classificare.
 P(cj|A)  probabilità condizionata di avere una
classe cj, vedendo un’istanza A.
In NB, scelgo la classe ck, tale che:
Come calcolare P(cj|A)??
k = argmax j P(c j | A)
Introduzione al Data Mining
Probabilità condizionata:
P(E1 | E2 ) =
P(E1, E2 )
P(E2 )
Probabilità congiunta (in caso di eventi indipendenti):
P(E1, E2 ) = P(E1 )× P(E2 )
Teorema di Bayes:
P(E2 | E1 )× P(E1 )
P(E1 | E2 ) =
P(E2 )
Applicando il Teorema di Bayes al nostro problema:
argmax j P(c j | A) = argmax j
P(A | c j )× P(c j )
P(A)
Introduzione al Data Mining
Semplificando il problema …
argmax j
P(A | c j )× P(c j )
P(A)
argmax j P(A | c j )× P(c j )
Il record A è composto di N Attributi: A(x1,x2, …xN)
argmax j P(A | c j )× P(c j ) = argmax j P(x1, x2,..., xN | c j )× P(c j )
Assumendo che gli N attributi siano tutti indipendenti …
N
argmax j P(x1, x2 ,..., x N | c j )× P(c j ) = argmax j P(c j )× Õ P(xi | c j )
i=1
Introduzione al Data Mining
Conclusione  L’algoritmo di NB sceglie la classe
cj che massimizza la quantità:
N
P(c j )× Õ P(xi | c j )
i=1
PROBLEMA: Come stimare P(cj) e P(xi|cj)?
Possibile Soluzione: Si approssima le probabilità come
frequenze relative, rispetto ai valori del training set.
P(c j ) =
# is tan ze classificate c j
# is tan ze totali
Introduzione al Data Mining
Reddito <30000  0, Reddito >=30000  1
Nr
Utente
Sposato
Sesso
#Nucleo
Familiare
Reddito
Annuo
Acquisto
1
NO
M
4
0
NO
2
NO
F
1
1
NO
3
SI
M
4
1
SI
4
SI
F
3
0
NO
5
NO
M
1
1
NO
6
SI
F
3
1
SI
A=< Sposato, M, 3, 38000>
P(SI)=2/6=0.33
C={SI, NO}
P(NO)=4/6=0.67
Introduzione al Data Mining
A=<Sposato, M, 3, 38000>
Reddito <30000  0, Reddito >=30000  1
Nr
Utente
Sposato
Sesso
#Nucleo
Familiare
Reddito
Annuo
Acquisto
1
NO
M
4
0
NO
2
NO
F
1
1
NO
3
SI
M
4
1
SI
4
SI
F
3
0
NO
5
NO
M
1
1
NO
6
SI
F
3
1
SI
P(Sposato|SI)=2/2=1
P(Sposato|NO)=1/4=0.25
P(M|SI)=1/2=0.5
P(M|NO)=2/4=0.5
P(3|NO)=1/2=0.5
P(1|SI)=1/2=1
P(3|SI)=1/2=0.5
P(1|NO)=2/4=0.5
Introduzione al Data Mining
A=<Sposato, M, 3, 38000>
Reddito <30000  0, Reddito >=30000  1
Nr
Utente
Sposato
Sesso
#Nucleo
Familiare
Reddito
Annuo
Acquisto
1
NO
M
4
0
NO
2
NO
F
1
1
NO
3
SI
M
4
1
SI
4
SI
F
3
0
NO
5
NO
M
1
1
NO
6
SI
F
3
1
SI
C(SI|<Sposato,M,3,38000>)  0.33*1*0.5*0.5*1=0.08125
C(NO|<Sposato,M,3,38000>)  0.67*0.25*0.5*0.5*0.5=0.0408
Introduzione al Data Mining
A=<Sposato, M, 3, 38000>
Nr
Utente
Sposato
1
NO
#Nucleo
Familiare
Reddito
Annuo
Acquisto
M
4
0
NO
NO
F
1
1
NO
3
SI
M
4
1
SI
4
SI
F
3
0
NO
5
NO
M
1
1
NO
6
SI
F
3
1
SI
2
Sesso
Reddito <30000  0, Reddito >=30000  1
Classificata come SI
C(SI|<Sposato,M,3,38000>)  0.33*1*0.5*0.5*1=0.08125
C(NO|<Sposato,M,3,38000>)  0.67*0.25*0.5*0.5*0.5=0.0408
Introduzione al Data Mining
Un albero decisionale è una struttura dati (molto)
utilizzata nei problemi di classificazione.
 Nodi interni  attributi
utilizzati dal classificatore
(sottoinsieme degli attributi
disponibili)
 Arco  condizione sui
valori del nodo
 Foglie  classe (output) del
modello
A1
A1<k
C1
A2
A2<s
A1>= v
k<=A1> v
A2>=s
C1
A3
A3>=p
A3<p
C2
C3
Introduzione al Data Mining
Un albero decisionale è una struttura dati (molto)
utilizzata nei problemi di classificazione.
Sposato
 Nodi interni  attributi
utilizzati dal classificatore
(sottoinsieme degli attributi
disponibili)
 Arco  condizione sui
valori del nodo
 Foglie  classe (output) del
modello
NO
SI
NO
Reddito
<=20000
>20000
SI
Nucleo
<=4
SI
>4
NO
Introduzione al Data Mining
Un albero decisionale è una struttura dati (molto)
utilizzata nei problemi di classificazione.
Sposato
Classificazione di una nuova istanza:
NO
SI
NO
<Sposato=SI, Sesso=M, Reddito=4000,
Nucleo=5>
Reddito
<=20000
>20000
SI
Nucleo
CLASSE: SI
<=4
Problema: Come costruire l’albero?
SI
>4
NO
Introduzione al Data Mining
Una rete bayesiana è un modello (visuale) per
rappresentare le interazioni e le dipendenze tra
variabili casuali (random variable).
DAG
 Ogni nodo è una variabile casuale.
Grafo Diretto Aciclico
A
 Un arco da X ad Y indica che X ha
un’influenza su Y, ossia che le due variabili
NON sono indipendenti (P(Y|X) <> P(Y)).
 L’assenza di archi tra due nodi indica che
le due variabili sono indipendenti.
B
C
D
Introduzione al Data Mining
Una rete bayesiana e’ un modello (visuale) per
rappresentare le interazioni e le dipendenze tra
variabili casuali (random variable).
 Ogni nodo Xi dispone di una distribuzione
di probabilita’ P(Xi | Parents(Xi)) che
quantifica gli effetti dei nodi padre sui figli.
A
P(A)
false
0.6
true
0.4
DAG
Grafo Diretto Aciclico
A
B
C
D
Introduzione al Data Mining
Una rete bayesiana e’ un modello (visuale) per
rappresentare le interazioni e le dipendenze tra
variabili casuali (random variable).
 Ogni nodo Xi dispone di una distribuzione
di probabilita’ P(Xi | Parents(Xi)) che
quantifica gli effetti dei nodi padre sui figli.
A
B
P(B|A)
false
false
0.01
false
true
0.99
true
false
0.7
true
true
0.3
DAG
Grafo Diretto Aciclico
A
B
C
D
Introduzione al Data Mining
Tramite le reti Bayesiane, e’ possibile modellare
comportamenti causa-effetto tra variabili casuali, ed
effettuare diagnosi (= determinare la probabilita’
della causa dato l’effetto).
Irrigazione
ON
P(I=true)=0.2
P(I=false)=0.8
Pioggia
Erba
Bagnata
P(R=true)=0.4
P(R=false)=0.6
P(E|I=true, R=true)=0.05
P(E|I=true, R=false)=0.95
P(E|I=false, R=true)=0.90
P(E|I=false, R=false)=0.10
Introduzione al Data Mining
Irrigazione
ON
P(I=true)=0.2
P(I=false)=0.8
Pioggia
Erba
Bagnata
P(R=true)=0.4
P(R=false)=0.6
P(E|I=true, R=true)=0.05
P(E|I=true, R=false)=0.95
P(E|I=false, R=true)=0.90
P(E|I=false, R=false)=0.10
P(E = true | R = true)× P(R = true)
P(R = true | E = true) =
=
P(E = true)
=
P(E = true | R = true)× P(R = true)
P(E = true | R = true)× P(R = true) + P(E = true | R = false)× P(R = false)
Introduzione al Data Mining
P(R = true | E = true) =
0.95× 0.4
= 0.75
0.95× 0.4 + 0.2 × 0.6
Irrigazione
ON
P(I=true)=0.2
P(I=false)=0.8
Pioggia
Erba
Bagnata
P(R=true)=0.4
P(R=false)=0.6
P(E|I=true, R=true)=0.95
P(E|I=true, R=false)=0.90
P(E|I=false, R=true)=0.90
P(E|I=false, R=false)=0.10
P(E = true | R = true)× P(R = true)
P(R = true | E = true) =
=
P(E = true)
=
P(E = true | R = true)× P(R = true)
P(E = true | R = true)× P(R = true) + P(E = true | R = false)× P(R = false)
Introduzione al Data Mining
Tramite le reti Bayesiane, e’ possibile effettuare
classificazioni di istanze A(x1, …xN). In questo caso
la rete è composta da:
 Nodo padre della rete  Classi cj da determinare
 Nodi foglia ed intermedi  Singoli attributi xi
Si sceglie la classe ck, tale che:
k = argmax j P(C j | A) = arg max j
P(C j , A)
P(A)
Introduzione al Data Mining
Un esempio di classificatore basato su reti Bayesiane.
C={Spam, No Spam} A={a1,a2}  istanza da classificare
A1={true,false}  Contiene “Poste Mobili” nel subject della email?
A2={true,false}  Contiene dei link HTML nel testo?
Spam Email
A1
A2
Introduzione al Data Mining
Un esempio di classificatore basato su reti Bayesiane.
C={Spam, No Spam} A={a1,a2}  istanza da classificare
A1={true,false}  Contiene “Poste Mobili” nel subject?
A2={true,false}  Contiene dei link HTML nel testo?
P(C=Spam)=0.4
P(A1=true| C=Spam)=0.8 Spam Email
…
A1
P(A2=true|A1=true, C=Spam)=0.95
….
A2
Introduzione al Data Mining
Un esempio di classificatore basato su reti Bayesiane.
 Supponendo di dover classificare A(true, false):
P(C = Spam, A1 = true, A2 = false) P(C = NoSpam, A1 = true, A2 = false)
 Confronto i due valori, e scelgo la classe che
garantisce la probabilità più alta associata
all’istanza A.
Q. Come calcolare la probabilita’ congiunta?
Introduzione al Data Mining
Un esempio di classificatore basato su reti Bayesiane.
 Supponendo di dover classificare A(true, false):
P(C = Spam, A1 = true, A2 = false) P(C = NoSpam, A1 = true, A2 = false)
 In una rete bayesiana con variabili casuali X1, X2,
… XN, vale il seguente risultato:
d
P(X1, X2 ,...X N ) = Õ P(Xi | parents(Xi ))
i=1
Introduzione al Data Mining
Un esempio di classificatore basato su reti Bayesiane.
 Supponendo di dover classificare A(true, false):
P(C = Spam, A1 = true, A2 = false) P(C = NoSpam, A1 = true, A2 = false)
P(C = Spam)× P(A1 = true | C = Spam)× P(A2 = true | A1 = true,C = Spam)
(C = NoSpam)× P(A1 = true | C = NoSpam)× P(A2 = true | A1 = true,C = NoSpam
Introduzione al Data Mining
Algoritmi diversi, per risolvere problemi diversi:
 Classificazione
Determinare se gli attributi di una certa istanza
appartengono o meno ad una classe.
 Segmentazione
Scoprire pattern sui dati, raggruppare istanze simili in
gruppi (cluster) di istanze.
 Predizione
Predire il valore di una serie temporale (valori continui).
 Associazione
Determinare regole del tipo: Se X allora Y
Introduzione al Data Mining
La cluster/segmentation analysis è un insieme di
tecniche per raggruppare oggetti in classi tra loro
omogenee, ossia con caratteristiche simili.
INPUT
 Insieme di N elementi da partizionare
 Numero di Classi: NC
OUTPUT
Determinare la composizione di ogni classe c0<=i<nc
Introduzione al Data Mining
POSSIBILI APPLICAZIONI





Ricerche di mercato
Segmentazione della clientela
Analisi dei social media
Identificazione degli outlier
…
Es. Database dei correntisti di una banca.
 Quali attributi simili consentono di raggrupare i clienti?
 Quali differenze tra i valori degli attributi (es. tipo del conto,
età, sesso, etc) segmentano il database?
Introduzione al Data Mining
ALGORITMO DELLE K-MEDIE (K-MEANS CLUSTERING)
 Algoritmo di clusterizzazione non-gerarchico.
 Richiede di indicare il numero di cluster
(insiemi) che si vogliono creare (NC).
 Gli elementi da classificare sono attributi con
valori reali. Nel caso di attributi testuali, e’
necessaria una conversione di dominio.
Es. Colore: {rosso, blu, verde}  {0,1,2}
 Basata sul concetto di distanza tra elementi 
Introduzione al Data Mining
Distanza tra due elementi in uno spazio euclideo 2D
d(x, y) = (x1 - y1 )2 + (x2 - y2 )2
Distanza tra due elementi in uno spazio euclideo ND
d(x, y) =
n
å
(xi - yi )2
i=1
Centroide di un gruppo (2D):
c(a1,a2, … aM)
M
æM
ö
ç å ai,x å ai,y ÷
÷
c ç i=1
, i=1
ç M
M ÷
ç
÷
è
ø
Introduzione al Data Mining
1. Assegno casualmente gli elementi A={a1, …,aM} alle NC
classi di clusterizzazione.
2. Ripeto le seguenti operazioni:
2.1 Calcolo il centroide cj di ogni classe j
2.2 Calcolo la distanza tra ogni elemento ai ed ogni
centroide cj  d(ai,cj)
2.3 Assegno l’elemento ai al cluster j con centroide piu’
vicino  j=argmin(d(ai,cj))
3. Concludo il ciclo quando:
 Il passo 2.3 non produce differenze rispetto all’
assegnamento del passo precedente (convergenza).
 L’errore della clusterizzazione < Emin (soglia d’errore).
Introduzione al Data Mining
Q. Come definire l’errore della classificazione?
Dato un elemento ai(ai,x,ai,y)  c(ai) centroide del
cluster cui e’ assegnato l’elemento ai.
A. Errore quadratico medio somma (al quadrato)
delle distanze tra ai e c(ai), per tutti gli elementi ai.
M
e = å d(ai , c(ai ))2
i=1
La classificazione termina quando l’errore diventa
minore di una soglia Emin (e<Emin).
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*
20
*
** *
*
* *
*
* = ax,y
10
5
10
15
20
25
30
35
40
Stipendio x 10000
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*
20
*
** *
*
* *
*
Creazione
casuale dei cluster
* = ax,y
10
5
10
15
20
25
30
35
40
Stipendio x 10000
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*+*
20
+ *
**
*
*+*
*
Loop:
Calcolo centroidi
* = ax,y
10
5
10
15
20
25
30
35
40
Stipendio x 10000
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*+*
20
+ *
**
*
*+*
*
Loop:
Calcolo distanze
* = ax,y
10
5
10
15
20
25
30
35
40
Stipendio x 10000
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*
20
*
** *
*
* *
*
Loop:
Riassegnamento
* = ax,y
10
5
10
15
20
25
30
35
40
Stipendio x 10000
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*
20
*
** *
*
* *
*
CONVERGENZA?
Non ancora …
10
5
10
15
20
25
30
35
40
Loop:
Valuto condizione
* = ax,y
Stipendio x 10000
Introduzione al Data Mining
Es.: A={insieme di info sui clienti di una banca}
A={ax,y}
axReddito
ayEta’
A={(12000,24), (28000,28), (15000,24), (36000,39), (34000,35),
(19000,27), (39000,35), (26000,28), (32000,32) }
NC=#cluster da formare=3
Eta
30
*
20
*
** *
*
* *
*
RISULTATO
FINALE
* = ax,y
10
5
10
15
20
25
30
35
40
Stipendio x 10000
Introduzione al Data Mining
PROBLEMA: L’algoritmo
delle k-medie richiede di
conoscere a priori il numero di cluster (NC) da creare.
Q. Se non conosco il valore esatto di NC?
A. Provo con diversi valori di NC, e poi scelgo quello
che garantisce il minor errore quadratico medio.
Numero cluster (NC)
Errore quadratico medio
3
2.345
4
2.155
5
4.556
Introduzione al Data Mining
Algoritmi diversi, per risolvere problemi diversi:
 Classificazione
Determinare se gli attributi di una certa istanza
appartengono o meno ad una classe.
 Segmentazione
Scoprire pattern sui dati, raggruppare istanze simili in
gruppi (cluster) di istanze.
 Predizione
Predire il valore di una serie temporale (valori continui).
 Associazione
Determinare regole del tipo: Se X allora Y
Introduzione al Data Mining
Le regole associative rappresentano uno strumento
per scoprire relazioni (possibilmente non banali) tra
gli elementi di una base di dati.
INPUT
 Insieme di M elementi A={a1,…aM}
 Ogni elemento è composto da N attributi
OUTPUT
Determinare regole della forma Se X  allora Y
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Nr Transazione
Pane
Pasta
Burro
Olio
Marmellata
1
0
1
0
1
1
2
1
0
1
0
1
3
1
0
1
1
1
4
0
1
1
1
1
ESEMPIO DI
REGOLE
Pasta  Olio
Pane, Burro  Marmellata
Pane  Olio, Burro
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Nr Transazione
Pane
Pasta
Burro
Olio
Marmellata
1
0
1
0
1
1
2
1
0
1
0
1
3
1
0
1
1
1
4
0
1
1
1
1
ItemSet  Combinazione di valori degli attributi dello schema
Supporto(ItemSet)
# is tan ze _ di _ I
s(I ) =
# totale _ is tan ze
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Nr Transazione
Pane
Pasta
Burro
Olio
Marmellata
1
0
1
0
1
1
2
1
0
1
0
1
3
1
0
1
1
1
4
0
1
1
1
1
 Supporto{Pane}=2/4=0.5
 Supporto{Pane,Pasta}=0/4=0
 Supporto{Pane,Burro,Marmellata}=2/4=0.5
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Nr Transazione
Pane
Pasta
Burro
Olio
Marmellata
1
0
1
0
1
1
2
1
0
1
0
1
3
1
0
1
1
1
4
0
1
1
1
1
Data una regola associativa: XY
Supporto della regola XY
s(X- > Y ) =
S(X,Y )
S(X)
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Nr Transazione
Pane
Pasta
Burro
Olio
Marmellata
1
0
1
0
1
1
2
1
0
1
0
1
3
1
0
1
1
1
4
0
1
1
1
1
s(Pasta  Olio) = 2/3=0.66
s(Pane  Burro) = 1/3=0.33
s(Pane  Burro Marmellata) = 2/3=0.66
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Possibile algoritmo:
1. Per ogni possibile sottoinsieme di attributi Y: si calcola il
supporto s(Y).
2. Per ogni possibile coppia di combinazioni di attributi
(X,Y) : Si calcola il supporto della regola s(XY).
3. Si scelgono le regole per cui: s(XY) > Soglia
Introduzione al Data Mining
APPLICAZIONI
Market basket analysis  identificare correlazioni
(non banali) tra gli acquisti operati da un cliente.
Possibile algoritmo:
1. Per ogni possibile sottoinsieme di attributi Y  si calcola
il supporto s(Y).
2. Per ogni possibile coppia di combinazioni di attributi
(X,Y)  Si calcola il supporto della regola s(XY).
3. Si scelgono le regole per cui: s(XY) > Soglia
PROBLEMA: Costo computazionale dell’algoritmo?
Introduzione al Data Mining
ALGORITMO APRIORI
 L’algoritmo utilizza un approccio bottom-up.
 Si costruiscono insiemi di oggetti (itemset)
frequenti aggiungendo un elemento alla volta.
 Regole di pruning:
 Se un itemset è frequente  tutti i suoi
sottoinsiemi sono frequenti.
 Se un itemset non è frequente  neanche gli
insiemi che lo contengono sono frequenti.
Introduzione al Data Mining
ESEMPIO di FUNZIONAMENTO
ALGORITMO APRIORI
Promozione
giornali
Promozione
orologi
Assicurazione Assicurazione
vita
Carta
Sesso
SI
NO
NO
NO
Maschio
SI
SI
SI
NO
Femmina
NO
NO
NO
NO
Maschio
SI
SI
SI
SI
Maschio
SI
NO
SI
NO
Femmina
NO
NO
NO
NO
Femmina
SI
NO
SI
SI
Maschio
NO
SI
NO
NO
Maschio
SI
NO
NO
NO
Maschio
SI
SI
SI
NO
Femmina
Introduzione al Data Mining
ALGORITMO APRIORI
ItemSet
FREQUENZA ITEMSET (1 attributo)
# Oggetti
Promozione giornali=SI
7
Promozione giornale=NO
3
Promozione orologi=SI
4
Promozione orologi=NO
6
Promozione assicurazione vita=SI
5
Promozione assicurazione vita=NO
5
Promozione carta credito=SI
2
Promozione carta credito=NO
8
Sesso=Maschio
6
Sesso=Femming
4
Definisco cardinalita’
minima cmin=4
Scarto itemset con
cardinalita’ < cmin
Introduzione al Data Mining
ALGORITMO APRIORI
FREQUENZA ITEMSET (2 attributi)
ItemSet
# Oggetti
Promozione giornali=SI & Promozione Orologi =NO
7
Promozione giornali=SI & Promozione Assicurazione Vita = SI
4
Promozione giornali=SI & Assicurazione carta credito=NO
6
Promozione giornali=SI & Sesso=Maschio
5
Promozione orologi=NO & Promozione Assicurazione Vita=NO
5
Promozione orologi=NO & Assicurazione carta credito=NO
8
Promozione orologi=NO & Sesso=Maschio
6
Promozione Assicurazione Vita=NO & Assicurazione carta credito=NO
4
Promozione Assicurazione Vita=NO & Sesso=Maschio
4
Promozione Assicurazione Vita=NO & Sesso=Femmina
4
Assicurazione carta credito=NO & Sesso=Femmina
4
Introduzione al Data Mining
ALGORITMO APRIORI
FREQUENZA ITEMSET (3 attributi)
ItemSet
# Oggetti
Promozione orologi=NO & Promozione Assicurazione Vita=NO &
Assicurazione carta credito=NO
4
Genero le regole associative, partendo dalla tabella
con oggetti tripli e poi analizzando la tabella con
oggetti doppi.
 Definisco un livello minimo di supporto smin.
 Genero solo le regole (XY) per cui: s(XY)>smin.
Introduzione al Data Mining
ALGORITMO APRIORI
FREQUENZA ITEMSET (3 attributi)
ItemSet
# Oggetti
Promozione orologi=NO & Promozione Assicurazione Vita=NO &
Assicurazione carta credito=NO
4
POSSIBILI REGOLE (3 attributi):
SE (Promozione orologi=NO & Promozione Assicurazione Vita=NO)
ALLORA Assicurazione carta credito=NO
SE (Promozione orologi=NO) ALLORA (Promozione Assicurazione
Vita=NO) & (Assicurazione carta credito=NO)
SE (Promozione Assicurazione Vita=NO) & (Assicurazione carta
credito=NO) ALLORA (Promozione orologi=NO)
Introduzione al Data Mining
ALGORITMO APRIORI
FREQUENZA ITEMSET (3 attributi)
ItemSet
# Oggetti
Promozione orologi=NO & Promozione Assicurazione Vita=NO &
Assicurazione carta credito=NO
POSSIBILI REGOLE (3 attributi):
4
s(X->Y)=4/4=1
SE (Promozione orologi=NO & Promozione Assicurazione Vita=NO)
ALLORA Assicurazione carta credito=NO
s(X->Y)=4/6=0.6
SE (Promozione orologi=NO) ALLORA (Promozione Assicurazione
Vita=NO) & (Assicurazione carta credito=NO)
s(X->Y)=4/5=0.8
SE (Promozione Assicurazione Vita=NO) & (Assicurazione carta
credito=NO) ALLORA (Promozione orologi=NO)
Introduzione al Data Mining
ALGORITMO APRIORI
FREQUENZA ITEMSET (3 attributi)
ItemSet
# Oggetti
Promozione orologi=NO & Promozione Assicurazione Vita=NO &
Assicurazione carta credito=NO
4
Definisco una soglia minima smin=0.75
s(X->Y)=4/4=1
SE (Promozione orologi=NO & Promozione Assicurazione Vita=NO)
ALLORA Assicurazione carta credito=NO
s(X->Y)=4/5=0.8
SE (Promozione Assicurazione Vita=NO) & (Assicurazione carta
credito=NO) ALLORA (Promozione orologi=NO)
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
La fase di valutazione del modello è necessaria per
quantificarne l’accuratezza e quindi l’affidabilità.
 Necessari opportuni indici di stima per
quantificare la bontà del modello …
 In base agli indici, si può valutare se occorre
cambiare il modello oppure se si può procedere
con l’ultima fase del CRISP-DM (deployment).
 Necessaria una fase di testing del modello.
Introduzione al Data Mining
Esempio. Determinare se un certo cliente puo’ essere
interessato o meno ad acquistare un auto berlina, ai
fini di migliorare la campagna pubblicitaria.
1. Costruisco il classificatore (es. Naïve Bayes) a
partire dal Training Set.
2. Applico il classificatore su un certo insieme di
istanze di test, ed ottengo un insieme di risposte R.
3. Osservo la classificazione reale dei dati (Rreal).
4. Confronto R ed Rreal, e calcolo indici di stima.
Introduzione al Data Mining
MATRICE di CONFUSIONE (CONFUSION MATRIX)
Matrice di elementi a[x][y] #istanze appartenenti
alla classe x (da Rreal), classificate come y.
Classificazioni reali
N possibili classi da riconoscere: C1, C2, … CN
Classificazioni prodotte dal modello
C1
C2
…
C1
C2
CN
Casi in cui la
classificazione
del modello
coincide con
quella reale …
…
CN
CLASSIFICAZIONI
CORRETTE!
Introduzione al Data Mining
ACCURATEZZA DEL MODELLO
Classificazioni reali
Rapporto delle istanze classificate correttamente
sul numero totale di istanze di testing considerate.
Classificazioni prodotte dal modello
C1
C2
…
C1
C2
CN
Corrette
Corrette
…
CN
Riferendosi alla confusion matrix
Corrette
N
Corrette
accuracy =
å a[i][i]
i=1
# is tan ze
Introduzione al Data Mining
Classificazioni reali
Esempio. Determinare se un certo cliente può essere
interessato o meno ad acquistare un auto berlina, ai
fini di migliorare la campagna pubblicitaria.
Classificazioni prodotte dal modello
SI
NO
SI
50
75
NO
100
25
FALSI POSITIVI
FALSI NEGATIVI
ACCURACY=
(50+25)/(50+75+100+25)=
0.375
Introduzione al Data Mining
CRISP-DM (Cross Industry Data Process for Data
Mining)  metodologia standard e generale per
l’implementazione di un processo di data mining.
BUSINESS
UNDERSTANDING
DEPLOYMENT
EVALUATION
DATA
UNDERSTANDING
DB
DW
DATA
PREPARATION
MODELING
Introduzione al Data Mining
La fase di deployment prevede l’effettivo utilizzo
del modello di data mining all’interno di un
processo strategico/decisionale.
Esistono molti tool in commercio che facilitano le
operazioni del processo di data-mining:
 Pulizia dei dati
 Implementazione del modello
 Valutazione del modello
WEKA tool: http://www.cs.waikato.ac.nz/ml/weka/