Introduccin a Data Mining

Data Mining como un conjunto de tcnicas estadsticas

No existe una nica definicin del trmino Data Mining (DM). Se puede decir que DM
se refiere a un conjunto de mtodos estadsticos que proporcionan informacin (correla-
ciones o patrones) cuando se dispone de muchos datos (de aqu viene el nombre Minera
de Datos). Esta idea de DM lleva a la siguiente estructura de conocimiento:

Datos + Estadstica Informacin

El smbolo tiene el siguiente sentido: los datos estn bien recogidos y la estadstica
bien aplicada.
Segn algunos autores, el Data Mining es aquella parte de la estadstica (principal-
mente estadstica no paramtrica) que se usa para problemas que se presentan actualmente
en Anlisis de Datos. Los problemas actuales se diferencian de los clsicos en que el nmero
de datos a analizar es mucho mayor y, como consecuencia, las tcnicas estadsticas clsicas
no pueden ser aplicadas.
Generalmente, el Data Mining es el proceso de analizar datos desde diferentes per-
spectivas con el objetivo de resumir los datos en segmentos de informacin tiles. Esta
informacin que puede ser usada para incrementar rditos o beneficios, reducir costos,
etc. El DM permite a los usuarios analizar datos desde diferentes dimensiones o ngulos,
categorizndolos y resumiendo las relaciones identificadas.
Con estas tcnicas es posible, a veces, hacer evidente las relaciones ocultas entre suce-
sos. Un ejemplo simple sera averiguar la relacin entre la compra de paales y de cerveza
el sbado por la tarde en los supermercados. Este ejemplo ilustra muy bien la necesidad de

1
conocer el campo de trabajo para aplicar el Data Mining: slo un especialista que conozca
a su clientela es capaz de interpretar una correlacin bruta que permita realizar el retrato
tpico de una pareja haciendo sus compras. Encontrar las relaciones causales que llevan a
correlaciones como la anterior puede ser ms rpido y sencillo con el Data Mining.
Adems el DM permite trabajar con grandes cantidades de observaciones (varios mil-
lones) sin ningn inconveniente. Tambin permite tratar una gran cantidad de variables
predictivas (hasta varios millares). Esto ltimo es de gran utilidad para seleccionar vari-
ables (determinar las ms tiles dentro de una gran masa).

Algunas cosas que se puede hacer con el DM

El usuario del DM usualmente busca los siguientes cuatro tipos de relaciones:

(i ) Clases: las observaciones se asignan a grupos predeterminados. El proceso de clasi-

ficacin consiste en asignar un conjunto de datos a grupos fijados de manera que
se minimice la probabilidad de una clasificacin errnea. Por ejemplo, un problema
tpico de clasificacin es el de dividir una base de datos de bancos en grupos que sean
lo ms homogneos posibles con respecto a variables como posibilidades de crdito
en trminos de valores tales como bueno o malo.

(ii) Clusters: se construyen grupos de observaciones similares segn un criterio prefija-

do. El proceso de clustering (agrupamiento) consiste en subdividir un conjunto de
datos en grupos mutuamente excluyentes de tal manera que cada miembro de un
grupo est lo ms cercano posible a otro elemento, y grupos diferentes estn lo ms
lejos posible entre s, de modo que la distancia est medida respecto a todas las vari-
ables disponibles. Un tpico ejemplo de aplicacin de clustering es la clasificacin de
segmentos de mercado. Por ejemplo, una empresa quiere introducirse en el mercado
de bebidas alcohlicas, pero antes hace una encuesta de mercado para averiguar si
existen grupos de clientes con costumbres particulares en el consumo de bebidas.
La empresa quiere introducirse en el grupo (si existe) que est menos servido por la

2
 competencia. En este ejemplo no existen grupos de clientes predeterminados

(iii) Asociaciones: las observaciones son usadas para identificar asociaciones entre vari-
ables. La bsqueda de asociaciones es diferente a la bsqueda de relaciones causales.
Las relaciones causales son mucho ms difciles de encontrar que las asociaciones, de-
bido a la presencia de variables no observadas. Las relaciones causales y asociaciones
no son equivalentes: si hay asociaciones no tiene por qu haber causalidad.

(iv) Patrones secuenciales: se trata de identificar patrones de comportamiento y ten-

dencias. Un ejemplo sera intensidades de expresin en microarrays que permiten
distinguir entre diferentes expresiones de genes para individuos con cancer o sin l.

Ejemplos de aplicacin del Data Mining

Algunas reas de aplicacin del DM son:

Toma de Decisiones. Ejemplos: banca, finanzas, seguros, marketing, polticas sani-

tarias o demogrficas.

Procesos Industriales.

Investigacin Cientfica Ejemplos: medicina, epidemiologa, bioinformtica, psicologa.

Soporte al Diseo de Bases de Datos.

Mejora de Calidad de Datos.

Mejora en el rea de empresas de Consulting.

A continuacin se indican algunos ejemplos de aplicacin del DM.

1. Comercio/Marketing

a) Identificacin de patrones de compra de los clientes.

3
 b) Bsqueda de asociaciones entre clientes y caractersticas demogrficas.

c) Prediccin de respuesta a campaas de correo.

d) Anlisis de cestas de la compra.

2. Banca

a) Deteccin de patrones de uso fraudulento de tarjetas de crdito.

b) Identificacin de clientes leales.

c) Prediccin de clientes con probabilidad de cambiar su afiliacin.

d) Determinacin del gasto de tarjeta de crdito por grupos.

e) Bsqueda de correlaciones entre indicadores financieros.

f ) Identificacin de reglas de mercado de valores a partir de histricos.

3. Seguros y Salud Privada

a) Anlisis de procedimientos mdicos solicitados.

b) Prediccin de qu clientes compran nuevas plizas.

c) Identificacin patrones de comportamiento para clientes con riesgo.

d) Identificacin de comportamiento fraudulento.

4. Transportes

a) Determinacin de la planificacin de la distribucin entre tiendas.

b) Anlisis de patrones de carga.

5. Medicina

a) Identificacin de terapias mdicas adecuadas para diferentes enfermedades.

b) Asociacin de sntomas y clasificacin diferencial de patologas.

4
 c) Estudio de factores (genticos, precedentes, hbitos, alimenticios, etc.) de riesgo
en distintas patologas.

d) Segmentacin de pacientes para una atencin ms adecuada segn su grupo.

e) Predicciones temporales de los centros asistenciales para el mejor uso de recur-

sos, consultas, salas y habitaciones.

f ) Estudios epidemiolgicos, anlisis de rendimientos de campaas de informa-

cin, prevencin, sustitucin de frmacos, etc.

Ejemplos de xito en la aplicacin del Data Mining

Este coche conduce automticamente en la autova.

Utilizas una cmara digital y las imgenes se elaboran para reconocer las lneas blancas.

5
Algunas Tcnicas Estadsticas utilizadas en Data Mining

Como en todo procedimiento automtico, las predicciones estadsticas de Data Mining

deben ser inspeccionadas por personas familiarizadas con la materia de trabajo, de manera
que comprendan y verifiquen lo que se ha producido.
Hay que encontrar un trmino medio entre la capacidad explicativa del modelo (clar-
idad) y su poder de prediccin. En general, conforme aumenta el poder de prediccin del
modelo baja su capacidad de interpretar el fenmeno objeto de estudio. Mientras ms
sencilla sea la forma del modelo, ms fcil ser su comprensin, pero tendr menor ca-
pacidad para tener en cuenta dependencias sutiles o demasiado variadas (no lineales). Por
ejemplo, los rboles de decisin conducen a modelos de fcil interpretacin, pero tienen
un bajo poder predictivo porque las decisiones son tomadas al contestar a preguntas de
tipo binario SiNo. Al contrario, las redes neuronales tienen una gran poder predictivo
(y tienen tambin la posibilidad de adaptarse a valores bastante indefinidos e incluso
ausentes), pero resulta muy difcil asignar una interpretacin a su funcionamiento: seria,
un poco, como si quisiramos examinar el cerebro de alguien para saber lo que piensa.

6
Sin embargo, una buena herramienta de visualizacin le da la posibilidad al usuario de
reconstruir el razonamiento de la red neuronal. Segn cul sea el precio a pagar, y una
vez que se haya establecido la confianza en la herramienta establecida, el usuario notar,
la mayora de las veces, que la prdida parcial de comprensin ser ms que compensada
por la calidad de las predicciones.
Ninguno de los modelos estadsticos presentados es nuevo. Los rboles de decisin y
de regresin han sido utilizados en ciencias sociales en los aos 60; las bases de reglas
fueron popularizadas durante el auge de los sistemas expertos en los 80 y la evaluacin
por puntuacin apreciada por los banqueros durante largos decenios. Incluso las redes
neuronales aparecieron ya en los aos 40, pero ha sido preciso el desarrollo del poder de
clculo de estos ltimos aos para que, por fin, fueran utilizables de manera sencilla.
La mayora de estos previsores se fabrican, no por clculo directo partiendo de los datos
como antes, sino a travs de mtodos tomados del campo de la inteligencia artificial. Las
dos tcnicas principales son el aprendizaje (a partir de un modelo cualquiera que se ajusta
progresivamente a la realidad) y la evolucin (o vida artificial, un conglomerado de varios
miles de modelos cualquiera son susceptibles de evolucionar de manera competitiva o
darwiniana). Adems, todas las herramientas permiten que se determine la importancia de
cada variable para la decisin (distintividad o carcter pertinente). Esto resulta de extrema
utilidad para proceder a la seleccin de variables. Al haber determinado con precisin
las variables ms pertinentes, se podr optar por retomar el problema con tcnicas ms
convencionales si ciertas restricciones de explotacin lo imponen.
Las tcnicas hasta ahora descritas slo tratan datos numricos o cualitativos. El mining
surge ante el problema cada vez ms apremiante de extraer informacin automticamente
a partir de masas de textos. La enorme cantidad de referencias recogidas durante una
bsqueda en Internet ilustra muy bien este problema. La investigacin literal simple se ha
mostrado limitada desde hace ya mucho tiempo; hay muchos problemas como los errores
al teclear, la sinonimia, las acepciones mltiples, etc. En definitiva, es necesario inyectarle

7
al ordenador un cierto sentido comn o conocimiento del mundo. An en ese caso, la
memoria y el poder de clculo disponibles en nuestra poca permiten ciertas soluciones
que no siempre son las ms elegantes pero s potentes y rpidas.
Las tcnicas de DM suelen dividirse en dos grupos segn los objetivos de los anlisis:
tcnicas supervisadas: donde hay una variable que debe ser explicada por las otras;
tcnicas no supervisadas: donde no hay una variable preferente que debe ser explicada
por las otras.
A continuacin se indican algunas de las tcnicas estadsticas ms utilizadas en DM.
Algunas de estas tcnicas sern estudiadas a lo largo del curso.

Redes neuronales

Se trata de una herramienta de anlisis estadstico que permite la construccin de un

modelo de comportamiento a partir de una determinada cantidad de ejemplos (constitui-
dos por una determinada cantidad de variables descriptivas de dicho comportamiento. La
red neuronal, completamente ignorante al principio, efecta un aprendizaje partiendo de
los ejemplos, para luego transformarse, a travs de modificaciones sucesivas, en un mode-
lo susceptible de rendir cuenta del comportamiento observado en funcin de las variables
descriptivas.
Por ejemplo, al impartir a una red neuronal un aprendizaje relacionado con descrip-
ciones de personas que piden prstamos (estado civil, profesin, etc.), junto a su com-
portamiento adoptado frente al reintegro del dinero, nos encontramos con capacidad de
construir un modelo del riesgo asociado con la descripcin de los clientes. Si luego le ped-
imos a ese modelo predicciones sobre nuevos expedientes, podemos constatar que la red
neuronal predice con buena precisin si el cliente pagar bien o no. En todo caso, la red
neuronal, una vez construida, constituye une verdadero modelo a la medida que acta
en funcin de lo que percibe. Tampoco se trata de ir a buscar dentro de una biblioteca
un modelo ms o menos adaptado. Si en realidad existe una relacin de causaefecto en
medio de las descripciones introducidas (perfil del prestatario, cotizaciones anteriores de

8
una accin, relaciones de medidas, punto de funcionamiento deseado) y los valores a pre-
ver (riesgo de ruptura del prstamo, curso de la accin 10 das ms tarde, naturaleza de
la avera, variables de mando), la red intentar descubrirla.
La red neuronal es robusta respecto a valores aberrantes en la muestra de aprendizaje.
No se queda invalidada con algunos ejemplos enredados o falsos: estos sern descartados
del resto por su incoherencia. Los valores ausentes son tambin hbilmente manejados y
no perturban la construccin del modelo. En un mbito completamente diferente, se puede
aprender a asociar en una mquinaherramienta relaciones de medidas y sus averas: el
previsor despejado realiza una manutencin preventiva indicando la posibilidad de avera
desde el momento en que las medidas tomarn valores que l estimar como sospechosas
(o realizando un diagnstico a partir de las ltimas relaciones si es demasiado tarde).
As mismo, en funcin automtica y en funcin mando es posible modelizar el compor-
tamiento de un reactor qumico o de un robot. La red neuronal indica segn el modo de
funcionamiento que se desee cules son los valores necesarios de las variables de mando.
Esta capacidad para aprender todo aquello que tenga un sentido ha sido establecida
de manera rigurosa (Teorema de Kolmogorov). Este mtodo no se ha popularizado sino
en la poca actual por la simple razn de que ahora es cuando se ha llegado a un cierto
poder de clculo necesario para su puesta en aplicacin.

rboles de decisin

Son modelos que tienen estructuras de forma de rbol que representan conjuntos de
decisiones. Estas decisiones generan reglas para la clasificacin de un conjunto de datos.
Mtodos especficos de rboles de decisin incluyen rboles de Clasificacin y Regre-
sin (CART : Classification And Regression Tree). Bsicamente, los rboles de decisin,
son representaciones grficas de la lgica de las probabilidades aplicada a las alternati-
vas de decisin. El tronco del rbol es el punto de partida de la decisin. Las ramas de
ste comienzan con la probabilidad del primer acontecimiento. La probabilidad de cada
acontecimiento produce dos o ms efectos posibles, algunos de los cuales conducen a otros

9
acontecimientos de probabilidad y a puntos de decisin subconsecuentes. Los valores en
los que se cifran las ramas del rbol, provienen de un anlisis muy cuidadoso que se basa
en el establecimiento de un criterio para la toma de decisin.

Algoritmos Genticos

Este conjunto de tcnicas no sern considerada en el seguimiento del curso, pero se

trata de tcnicas tpicas de la literatura de DM. El algoritmo gentico permite obtener
soluciones a un problema que no tiene ningn mtodo de resolucin descrito de forma pre-
cisa, o cuya solucin exacta, si es conocida, es demasiado complicada para ser calculada en
un tiempo aceptable. Es el caso particular de cuando se encuentran restricciones mltiples
y complejas, e incluso contradictorias, que deben ser satisfechas simultneamente como,
por ejemplo, para formar equipos de trabajo, planificar rondas de entregas, implantar
puntos de venta de manera ptima, construir modelos estadsticos.
Segn el algoritmo gentico, numerosas soluciones ms o menos correctas inherentes a
dicho problema son creadas al azar, segn una forma ya definida: itinerario, horarios, base
de reglas de decisin, evaluacin por puntuacin, red neuronal, etc. Cada solucin ser
representada a travs de una cadena de 0 y de 1 en cromosomas que se vern entonces
sometidos a una imitacin de la evolucin de las especies: mutaciones y reproduccin por
hibridacin. Al favorecer la supervivencia de los ms aptos (las soluciones ms correctas),
se provoca la aparicin de hbridos cada vez mejores que sus padres. La poblacin inicial
da paso de esta manera a generaciones sucesivas mutadas y procreadas por hibridacin
a partir de sus padres. Al despejar los elementos ms aptos presin de la evolucin se
garantiza que las generaciones sucesivas sern cada vez ms adaptadas a la resolucin
del problema. Este mecanismo sorprendente de clasificacin ha sido validado matemti-
camente con el rigor que le corresponde.
El mecanismo de evolucin y de seleccin es independiente del problema por resolver:
slo varan la funcin que descodifica el genotipo en una solucin posible (cualquier tipo
de descodificacin tiene la posibilidad de ser utilizado de la manera ms sencilla posible)

10
y la funcin que evala la justeza de la solucin (en el caso de los previsores probndolos
en unas cuantas centenas de casos). Esta tcnica es de aplicacin general. El algoritmo
gentico puede aplicarse a la produccin de una variedad de objetos mientras sea posible
obtener una calificacin que represente la justeza de la solucin. En particular, es posible
fabricar previsores estadsticos no a travs de clculos de datos como en la estadstica
clsica sino haciendo evolucionar los datos por algoritmo gentico (induccin. Por proble-
mas de clasificacin o de segmentacin, la justeza significa simple y llanamente la tasa de
reordenacin del previsor con respecto a un conjunto dado de ejemplos. El mecanismo de
estimulacin de lo ms apto permite entonces la aparicin del previsor que reordenar los
datos lo mejor posible. Este tipo de construccin de previsor forma parte de las tcnicas
de algoritmo gentico utilizadas en DM.
La tcnica del algoritmo gentico da enfoque un poco brutal que necesita un gran
poder de clculo pero que posee la inmensa ventaja de proporcionar soluciones no muy
lejos de lo ptimo incluso sin conocer mtodos de soluciones. El algoritmo gentico no
exige ningn conocimiento acerca de la manera ms idnea de resolver el problema; slo
es necesario la capacidad de evaluar la calidad de una solucin. Tambin es muy ligero
para ponerlo en prctica (el motor es comn, no hay mucha programacin especfica que
hacer). En la resolucin de un mismo problema el enfoque algortmico es especfico, muy
rpido, mientras el algoritmo gentico se caracteriza por ser general pero muy lento.

Criterios para la toma de decisin (clasificacin)

Es posible utilizar diversos criterios para la toma de decisiones. El termino decisiones se

puede bien referir a la toma de decisiones de clasificacin, as que los criterios presentados a
continuacin podrn ser utilizados para resolver problemas de clasificacin. Entre distintos
criterios destacamos los siguientes:
Criterio de Laplace
Criterio de Wald
Criterio de Hurwicz

11
 Criterio de Savage
Criterio de Bayes

Criterio de Laplace

Este criterio, supone que los distintos estados de la naturaleza, tienen todos la misma
probabilidad de ocurrencia unos que otros. Este criterio, es pues un criterio de racionali-
dad, y se basa en el principio de razn insuficiente: no tengo insuficiente razn de pensar
que un estado de la naturaleza tenga mas probabilidades que otros. Dicho en otras pal-
abras: si somos totalmente ignorantes (estamos en una situacin de incertidumbre total
sobre las posibilidades de los distintos estados de la naturaleza), debemos pensar que
todos ellos tienen la misma probabilidad de producirse.
Este criterio, propone seleccionar aquella estrategia cuyo pago esperado sea mximo.
Para calcular el pago esperado, se suman los pagos de cada estrategia, y se divide esta
suma por l numero de estados de la naturaleza. Este criterio, conduce a una asignacin
de probabilidades a los distintos estados de la naturaleza. Si estamos en incertidumbre
total o ignorancia completa, debemos de asignar probabilidades iguales y elegir aquella
cuyo pago esperado sea mximo.

Criterio de Wald

Wald sugiere que los responsables de tomar decisiones, son siempre pesimistas o con-
servadores puesto que siempre deben de esperar lo peor (la naturaleza actuara contra
ellos) y, por lo tanto, deben elegir aquella estrategia que maximize el pago mnimo. Esta
definicin, es la que hace que este criterio, reciba el nombre de maximn.
El criterio de Wald, supone pensar que la naturaleza actuar siempre de forma malvola,
produciendo siempre el estado de la naturaleza que ms nos perjudique. En estas circun-
stancias, continuamente adversas, se debe seleccionar la estrategia que ofrezca un pago
mnimo tan grande como sea posible.

12
Criterio de Hurwicz

El criterio de Hurwicz es un criterio de optimismo apoyado en la idea de que los

humanos tenemos golpes de suerte favorables. Como la naturaleza nos suele ser propicia,
los encargados de tomar decisiones, debern seleccionar aquel estado de la naturaleza que
ofrezca el mximo pago para la estrategia seleccionada.
Este criterio, es el tpico de los jugadores puros, que no abandonan la mesa de juego
mientras exista esperanza por mnima que sta sea de obtener ganancias. Es el criterio de
ganancia mxima, o perdida o riesgo mximo. Se le conoce as mismo con el nombre de
maximax, ya que trata de seleccionar aquella estrategia que maximice el pago mximo.
Hurwicz no sugiere que los responsables de la toma de decisiones sean absolutamente
optimistas en todos los casos. Esto equivaldra a vivir en un estado utpico y no en un
mundo real. Para vencer este optimismo total, Hurwicz introdujo el concepto de coeficiente
de optimismo. Este coeficiente de optimismo, implica que los decisores deben considerar
tanto el pago ms alto, como el ms bajo y deben considerar la importancia de ambos,
atendiendo a ciertos factores de probabilidad. Las probabilidades asignadas a los pagos
ms altos y ms bajos deben sumar 1 en total, basndose en la posicin del responsable
de la toma de decisiones respecto a las condiciones optimistas.

Criterio de Savage

Savage, considera que los decisores podran lamentarse despus de haber tomado una
decisin y que el estado de la naturaleza ocurra. Podra llegar a desear haber seleccionado
una estrategia completamente diferente.
El criterio de Savage, trata de minimizar el arrepentimiento antes de seleccionar real-
mente una estrategia en particular. Savage sugiere que la magnitud del arrepentimiento
se puede medir con la diferencia que existe entre el pago que realmente puede recibirse y
el que podra haberse recibido al haber seleccionado la estrategia ms adecuada al estado
de la naturaleza que se ha producido.

13
 Los costes condicionales de oportunidad se deben a la falta de informacin perfecta.
Una vez obtenida la matriz de costes condicionales de oportunidad, Savage propone un
criterio similar al de Wald. Se muestra tambin pesimista. Considera que la naturaleza
va a obrar en contra nuestra y, en consecuencia, debe minimizar el coste condicional de
oportunidad mximo. De este modo se calcula el coste condicional de oportunidad mximo
de cada estrategia y se elige el mnimo de estos mximos. Por esta razn, se conoce al
criterio de Savage, como el criterio del minimax.

Criterio de Bayes

En la Teora de la Informacin existe actualmente un concepto, tomado de la elec-

trnica feed-back (retroaccin o retroalimentacin).
Un sencillo ejemplo en electrnica seria, por ejemplo, el de un regulador de un motor
elctrico. Este regulador informa al motor de las revoluciones que debe de llevar el eje en
funcin de la carga soportada. Un simple termostato de un aparato de aire acondicionado,
o de una nevera, sera otro sencillo smil de esta retroalimentacin.
En nuestro caso, estas nociones pueden aprovecharse con xito, puesto que planteada
una situacin a priori, los resultados pueden llevar a conclusiones diferentes de las que
s pens. En este sentido el problema se concibe, por as decirlo, en forma pasiva y se
modifica la estimacin inicial en aras de los resultados que se van obteniendo.
El teorema de Bayes, viene en auxilio de esta situacin planteada, sugiriendo una
frmula de arreglo que, independientemente de su rigor matemtico, viene avalada por
el sentido comn. Bayes postula la obtencin de una probabilidad combinada a base de
ejecutar una ponderacin entre ambas fuentes: credencial a priori y datos observados.
Sean, por ejemplo, 1 , 2 y 3 las probabilidades de que sucedan {{1},{2},{3}}, bajo
el punto de vista subjetivo, y supongamos que sean f1 , f2 , y f3 las verosimilitudes de los
estados de naturaleza. La probabilidad combinada resultante que rene la informacin

14
aportada (probabilidad a posteriori), seria:

1 f1
p1 = ,
1 f1 + 2 f2 + 3 f3
2 f2
p2 = ,
1 f1 + 2 f2 + 3 f3
3 f3
p3 =
1 f1 + 2 f2 + 3 f3

Se aprecia cmo las formulas posteriores, no son mas que una ponderacin combinada
de ambas estructuras probabilsticas. Los pi (para i = 1, 2, 3) son expresiones coherentes
con el sentido que tiene la probabilidad cuando sta abarca todos los casos posibles que
pueden darse. As, la suma de sus probabilidades ser la unidad.
Se entiende que slo en el limite, cuando el numero de experiencias fuera muy grande,
la influencia de la probabilidad objetiva en las frmulas de probabilidad finales, anulara la
de la probabilidad subjetiva original la cual depende del sujeto y que podemos considerar
como probabilidad de partida. As pues, dos decisores u observadores, partiendo de posi-
ciones diferentes, pero recibiendo ambos el mismo conjunto de informaciones, corregirn
progresivamente sus estimaciones iniciales, descubriendo finalmente que sus sistemas de
probabilidad se van aproximando. Pero mientras que no se disponga de una informacin
infinita, permanecer al menos vestigios de su subjetividad inicial.
En esta misma idea inicial de la probabilidad subjetiva, est implcito el conocimiento
por parte del decisor, de tal forma que le sita con cierta operatividad frente al problema.
Sin embargo, pudiera suceder que, por ignorancia o por un criterio conservador a ultranza,
no se decida a asignar diferentes pesos especficos, es decir probabilidades a los diversos
casos posibles que se presentan. Para paliar esta situacin, habr que utilizar un sistema
de reglas formales para asignar probabilidades a priori.

15
 Introduction to Data Mining

Slides based on documentation from SAS training courses and Data Mining: Practical

Machine Learning Tools and Techniques (2th Ed.) by I.H. Witten and E. Frank (2005).

We are overwhelmed with data. The amount of data in the world, in our

lives, seems to go on and on increasing. As the volume of data increases,

inexorably, the proportion of it that people understand decreases, alarm-

ingly.

Lying hidden in all this data is information, potentially useful information,

that is rarely made explicit or taken advantage of.

People have been seeking patterns in data since human life began: Hunters

seek patterns in animal migration behavior, farmers seek patterns in crop

growth, politicians seek patterns in voter opinion, and lovers seek patterns

in their partners responses...

A scientists job is to make sense of data, to discover the patterns that govern

how the physical world works and encapsulate them in theories that can be

used for predicting what will happen in new situations.

1
 A tentative definition of Data Mining: Advanced methods for exploring

and modeling relationships in large amounts of data.

There are other similar definitions. However, exploring and modeling rela-

tionships in data has a much longer history than the term data mining.

Data mining analysis was limited by the computing power of the time. The

IBM 7090 is a transistorized mainframe introduced in 1959. It had a pro-

cessor speed of approximately 0.5 MHz and roughly 0.2 MB of RAM using

ferrite magnetic cores.

Data sets were stored on cards and then transferred to magnetic tape using

separate equipment. A data set with 600 rows and 4 columns would have used

approximately 3000 cards. Tape storage was limited by the size of the room. The

room pictured below contains the tape drives and controllers for the IBM 7090.

The computer itself would need a larger room.

2
 In data mining, the data is stored electronically and the search is automated

by computer.

Computer performance has been doubling every 18 to 24 months. This

has led to technological advances in storage structures and a corresponding

increase in MB of storage space per dollar.

Parkinsons law of data: Data expands to fill the space available for storage.

The amount of data in the world has been doubling every 18 to 24 months.

Multi-gigabyte commercial databases are now commonplace.

Economists, statisticians, forecasters, and communication engineers have

long worked with the idea that patterns in data can be sought automatically,

identified, validated, and used for prediction.

3
 The unbridled growth of databases in recent years, databases on such ev-

eryday activities as customer choices, brings data mining to the forefront of

new business technologies.

It has been estimated that the amount of data stored in the worlds databases

doubles every 20 months.

Data mining is about solving problems by analyzing data already present in

databases.

The data deluge is the result of the prevalence of automatic data collection,

electronic instrumentation, and online transactional processing (OLTP).

There is a growing recognition of the untapped value in these databases.

This recognition is driving the development of data mining and data ware-

housing.

Historically, most data was generated or collected for research purposes.

But, today, businesses have massive amounts of operational data and were

not generated with data analysis in mind. It is aptly characterized as oppor-

tunistic. This is in contrast to experimental data where factors are controlled

and varied in order to answer specific questions.

4
 The owners of the data and sponsors of the analyses are typically not re-

searchers. The objectives are usually to support crucial business decisions.

Database marketing makes use of customer and transaction databases to im-

prove product introduction, cross-sell, trade-up, and customer loyalty pro-

motions.

One of the facets of customer relationship management is concerned with

identifying and profiling customers who are likely to switch brands or can-

cel services (churn). These customers can then be targeted for loyalty pro-

motions.

Example: Credit scoring is chiefly concerned with whether to extend credit

to an applicant. The aim is to anticipate and reduce defaults and serious

delinquencies. Other credit risk management concerns are the maintenance

of existing credit lines (should the credit limit be raised?) and determining

the best action to be taken on delinquent accounts.

The aim of fraud detection is to uncover the patterns that characterize de-

liberate deception. These patterns are used by banks to prevent fraudulent

credit card transactions and bad checks, by telecommunication companies

to prevent fraudulent calling card transactions, and by insurance companies

to identify fictitious or abusive claims.

5
 Healthcare informatics is concerned with decision-support systems that re-

late clinical information to patient outcomes. Practitioners and healthcare

administrators use the information to improve the quality and cost effective-

ness of different therapies and practices.

The analytical tools used in data mining were developed mainly by statisti-

cians, artificial intelligence (AI) researchers, and database system researchers.

KDD (knowledge discovery in databases) is a multidisciplinary research

area concerned with the extraction of patterns from large databases. KDD

is often used synonymously with data mining. More precisely, data mining

is considered a single step in the overall discovery process.

Machine learning is a branch of AI concerned with creating and understand-

ing semiautomatic learning methods.

Pattern recognition has its roots in engineering and is typically concerned

with image classification.

Neurocomputing is, itself, a multidisciplinary field concerned with neural

networks.

6
 One consequence of the multidisciplinary lineage of data mining methods

is confusing terminology. The same terms are often used in different senses,

and synonyms abound.

A related pitfall is to specify the objectives in terms of analytical methods:

Implement neural networks.

Apply visualization tools.

7
 Cluster the database.

The same analytical tools may be applied (or misapplied) to many different

problems. The choice of the most appropriate analytical tool often depends

on subtle differences in the objectives. The objectives eventually must be

translated in terms of analytical methods. This should occur only after they

are specified in ordinary language.

Many people think data mining means magically discovering hidden nuggets

of information without having to formulate the problem and without regard

to the structure or content of the data. This is an unfortunate misconception.

The database community has a tendency to view data mining methods as

more complicated types of database queries.

For example, standard query tools can answer questions such as how many

surgeries resulted in hospital stays longer than 10 days? But data mining is

needed for more complicated queries such as what are the important preop-

erative predictors of excessive length of stay?

This view has led many to confuse data mining with query tools.

The problem translation step involves determining what analytical methods

are relevant to the objectives.

8
 Predictive modeling (supervised prediction, supervised learning) is the fun-

damental data mining task. The training data set consists of cases (observa-

tions, examples, instances, records).

Associated with each case is a vector of input variables (predictors, fea-

tures, explanatory variables, independent variables) and a target variable

(response, outcome, dependent variable). The training data is used to con-

struct a model (rule) that can predict the values of the target from the inputs.

9
 The task is referred to as supervised because the prediction model is con-

structed from data where the target is known. It allows you to predict new

cases when the target is unknown. Typically, the target is unknown because

it refers to a future event. In addition, the target may be difficult, expensive,

or destructive to measure.

The measurement scale of the inputs can be varied. The inputs may be

numeric variables such as income. They may be nominal variables such as

occupation. They are often binary variables such as home ownership.

The main differences among the analytical methods for predictive modeling

depend on the type of target variable.

In supervised classification, the target is a class label (categorical). The

training data consists of labeled cases. The aim is to construct a model

(classifier) that can allocate cases to the classes using only the values of the

inputs.

Regression analysis is supervised prediction where the target is a continu-

ous variable (it can also be used more generally; for example, logistic re-

gression). The aim is to construct a model that can predict the values of the

target from the inputs.

10
 In survival analysis, the target is the time until some event occurs. The

outcome for some cases is censored; all that is known is that the event has

not yet occurred.

EXAMPLE: The weather problem

Consider a fictitious weather problem with 14 examples in the training set

and four attributes: outlook, temperature, humidity, and windy. The outcome is

whether to play or not.

This creates 36 possible combinations (3 3 2 2 = 36).

A set of rules learned from this information might look as follows:

If outlook=sunny and humidity=high then play=no

If outlook=rainy and windy=true then play=no

11
If outlook=overcast then play=yes

If humidity=normal then play=yes

If none of the above then play=yes

These rules are interpreted in order: the first one, then if it doesnt apply

the second, and so on.

A set of rules that are intended to be interpreted in sequence is called a

decision list.

Interpreted as a decision list, the rules correctly classify all of the examples

in the table, whereas taken individually, out of context, some of the rules

are incorrect.

The previous rules are classification rules: they predict the classification of

the example in terms of whether to play or not.

It is also possible to just look for any rules that strongly associate different

attribute values. These are called association rules.

Many association rules can be derived from the weather data. Some good

ones are as follows:

If temperature=cool then humidity=normal

If humidity=normal and windy=false then play=yes

12
 If outlook=sunny and play=no then humidity=high

If windy=false and play=no then outlook=sunny and humidity=high

All these rules are 100% correct on the given data; they make no false pre-

dictions.

There are many more rules that are less than 100% correct because unlike

classification rules, association rules can predict any of the attributes, not

just a specified class, and can even predict more than one thing.

For example, the fourth rule predicts both that outlook will be sunny and

that humidity will be high.

The search space, although finite, is extremely big, and it is generally quite

impractical to enumerate all possible descriptions and then see which ones

fit.

In the weather problem there are 4 4 3 3 2 = 288 possibilities for

each rule.

If we restrict the rule set to contain no more than 14 rules (because there

are 14 examples in the training set), there are around 28814 = 2.7 1034

possible different rule sets!!!

13
 Another way of looking at generalization as search is to imagine it as a kind

of hill-climbing in description space to find the description that best matches

the set of examples according to some pre-specified matching criterion.

This is the way that most practical machine learning methods work. How-

ever, except in the most trivial cases, it is impractical to search the whole

space exhaustively; most practical algorithms involve heuristic search and

cannot guarantee to find the optimal description.

EXAMPLE: Iris, a classic numeric dataset

The iris dataset, which dates back to 1935 and is arguably the most famous

dataset used in data mining, contains 50 examples each of three types of plant:

Iris setosa, Iris versicolor, and Iris virginica. There are four attributes: sepal

length, sepal width, petal length, and petal width (all measured in centimeters).

14
 All attributes have values that are numeric. The following set of rules might

be learned from this dataset:

If petal length < 2.45 then Iris setosa

If sepal width < 2.10 then Iris versicolor

If sepal width < 2.45 and petal length < 4.55 then Iris

versicolor

If sepal width < 2.95 and petal width < 1.35 then Iris

versicolor

If petal length >= 2.45 and petal length < 4.45 then

Iris versicolor

If sepal length >= 5.85 and petal length < 4.75 then

Iris versicolor

If sepal width < 2.55 and petal length < 4.95 and

petal width < 1.55 then Iris versicolor

If petal length >= 2.45 and petal length < 4.95 and

petal width < 1.55 then Iris versicolor

If sepal length >= 6.55 and petal length < 5.05 then

Iris versicolor

15
 If sepal width < 2.75 and petal width < 1.65 and

sepal length < 6.05 then Iris versicolor

If sepal length >= 5.85 and sepal length < 5.95 and

petal length < 4.85 then Iris versicolor

If petal length >= 5.15 then Iris virginica

If petal width >= 1.85 then Iris virginica

If petal width >= 1.75 and sepal width < 3.05 then Iris

virginica

If petal length >= 4.95 and petal width < 1.55 then Iris

virginica

Concepts, Instances, and Attributes

We begin by looking at the different forms the input might take.

The input takes the form of concepts, instances, and attributes. We call

which is to be learned as a concept description.

The information that the learner is given takes the form of a set of instances.

In the previous examples, each instance was an individual, independent ex-

ample of the concept to be learned.

Each instance is characterized by the values of attributes that measure dif-

ferent aspects of the instance.

16
 There are many different types of attributes, although typical data mining

methods deal only with numeric and nominal (categorical) ones.

What is a concept?

In classification learning, the learning scheme is presented with a set of

classified examples from which it is expected to learn a way of classifying

unseen examples.

In association learning, any association among features is sought, not just

ones that predict a particular class value.

In clustering, groups of examples that belong together are sought.

In numeric prediction, the outcome to be predicted is not a discrete class but

a numeric quantity.

Regardless of the type of learning involved, we call the thing to be learned

the concept and the output produced by a learning scheme the concept

description.

The weather example is a classification problem. It presents a set of days

together with a decision for each as to whether to play the game or not.

17
 Classification learning is sometimes called supervised because the method

operates under supervision by being provided with the actual outcome for

each of the training examples.

The outcome is called the class of the example.

The success of classification learning can be judged by trying out the con-

cept description that is learned, on an independent set of test data for which

the true classifications are known but not made available to the machine.

The success rate on test data gives an objective measure of how well the

concept has been learned.

In association learning there is no specified class. The problem is to dis-

cover any structure in the data that is interesting.

Association rules differ from classification rules in two ways: they can pre-

dict any attribute, not just the class, and they can predict more than one

attributes value at a time.

Association rules usually involve only nonnumeric attributes: thus you would

not normally look for association rules in the iris dataset.

When there is no specified class, clustering is used to group items that seem

to fall naturally together.

18
 Imagine a version of the iris data in which the type of iris is omitted. Then

it is likely that the 150 instances fall into natural clusters corresponding to

the three iris types.

The challenge is to find these clusters and assign the instances to them and

to be able to assign new instances to the clusters as well.

It may be that one or more of the iris types splits naturally into subtypes, in

which case the data will exhibit more than three natural clusters.

Clustering may be followed by a second step of classification learning in

which rules are learned that give an intelligible description of how new in-

stances should be placed into the clusters.

Numeric prediction is a variant of classification learning in which the out-

come is a numeric value rather than a category.

With numeric prediction problems, the predicted value for new instances

is often of less interest than the structure of the description that is learned,

expressed in terms of what the important attributes are and how they relate

to the numeric outcome.

19