aprendizado - maquina, Notas de estudo de Sistemas de Informação

Baixe aprendizado - maquina e outras Notas de estudo em PDF para Sistemas de Informação, somente na Docsity!

Mineração de Dados e

Aprendizado de Máquinas.

Rodrigo Leite Durães.

Mineração de dados



Extrair informações úteis de bilhões de bits

de dados.



O processo nãotrivial de identificar padr ões

válidos, novos, potencialmente úteis e

compreensíveis em dados.



Técnicas/ferramentas para apresentar e

analisar dados.

Mineração de dados



descobre padrões, tendências, infere regras



suporta, revisa e examina decisões

Áreas de pesquisa relacionadas



Aprendizagem de máquina, reconhecimento

de padrões, bancos de dados, estatística e

Visualização de dados.

Machine Learning



Abordagens



Baseado em lógica

 Algoritmos genéticos



Programação genética

 Redes neurais



Tarefas



Associação



Agrupamento (Clustering)



Classificação

Exemplo: Extraído de Freitas & Lavington 98

 Uma editora internacional publica o livro “Guia

de Restaurantes Franceses na Inglaterra” em 3

países: Inglaterra, França e Alemanha.

 A editora tem um banco de dados sobre clientes

nesses 3 países, e deseja saber quais clientes

são mais prováveis compradores do livro (para

fins de mala direta direcionada).

 Atributo meta: comprar (sim/não)

 Para coletar mais dados: enviar material de

propaganda para uma amostra de clientes,

registrando se cada cliente que recebeu a

propaganda comprou ou não o livro.

Exemplo de Classificação Sexo País Idade Compra M França 25 Sim M Inglaterra 21 Sim F França 23 Sim F Inglaterra 34 Sim F França 30 Não M Alemanha 21 Não M Alemanha 20 Não F Alemanha 18 Não F França 34 Não M França 55 Não

Exemplo: [Freitas & Lavington 98]

leite café cerveja pão manteiga arroz feijão 1 não sim não sim sim não não 2 sim não sim sim sim não não 3 não sim não sim sim não não 4 sim sim não sim sim não não 5 não não sim não não não não 6 não não não não sim não não 7 não não não sim não não não 8 não não não não não não sim 9 não não não não não sim sim 10 não não não não não sim não

Descoberta de Regras de Associação

 Uma regra de associação é um relacionamento



SE (X) ENTÃO (Y), onde X e Y são conjuntos

de itens, com interseção vazia.

 A cada regra são atribuídos 2 fatores:



Suporte (Sup.) = No. de registros com X e

Y /No. Total de registros



Confiança (Conf.) = No. de registros com X e

Y/ No. de registros com X

 Tarefa: descobrir todas as regras de associação

com um mínimo Sup e um mínimo Conf.

Sup. = No. de registros com X e Y /No. Total de registros, Conf = No. de registros com X e Y/ No. de registros com X 

Regra: SE (manteiga) ENTÃO (pão). Conf. = 0,



Conjunto de Items Frequente:

café,pão,manteiga Sup.=0,

 Regra: SE (café E pão) ENTÃO (manteiga).

Conf.=

 Regra: SE (café E manteiga) ENTÃO (pão).

Conf.=

 Regra: SE (café) ENTÃO (manteiga E pão).

Conf.=

Descobrindo regras de associação  Algoritmo tem 2 fases.  Fase I: Descobrir conjuntos de itens frequentes. Descobrir todos os conjuntos de itens com suporte maior ou igual ao mínimo suporte especificado pelo usuário.  (^) Fase II: Descobrir regras com alto fator de confiança. A partir dos conjuntos de itens frequentes, descobrir regras de associação com fator de confiança maior ou igual ao especificado pelo usuário.

Calcular suporte de conjuntos com 2

itens

 Passo 2: Calcular suporte de conjuntos com 2 itens

 Otimização: Se um item I não é frequente, um

conjunto com 2 itens, um dois quais é o item I, não

pode ser frequente. Logo, conjuntos contendo item

I podem ser ignorados.

 Conjunto de itens: café, pão. Sup = 0,3.



Conjunto de itens: café, manteiga. Sup = 0,3.

 Conjunto de itens: manteiga, pão. Sup = 0,4.

 Conjuntos de itens frequentes (Sup > = 0,3):

 {café, pão}, {café, manteiga}, {manteiga, pão}

Calcular suporte de conjuntos com 3

itens.

 Passo 3: Calcular suporte de conjuntos com 3 itens. 

Otimização:Se o conjunto de itens {I, J} não

é frequente, um conjunto com 3 itens

incluindo os itens {I, J} não pode ser

frequente. Logo, conjuntos contendo itens

{I, J} podem ser ignorados.



Conjunto de itens: café, pão, manteiga. Sup



Conjuntos de itens frequentes (Sup >= 0,3):

{café, pão, manteiga}.