¿Qué tipo de patrones puede
encontrar la Minería de Datos?.
Dependiendo del conjunto de datos a analizar y del tipo de patrones que se quiera encontrar en el proceso a utilizar.Las técnicas de Minería de Datos pueden ser descriptivas o predictivas. Las descriptivas caracterizan las propiedades generales de los datos en una base de datos y por el contrario, la predictiva realiza inferencias en los datos para poder realizar predicciones.
Dependiendo del conjunto de datos a analizar y del tipo de patrones que se quiera encontrar en el proceso a utilizar.Las técnicas de Minería de Datos pueden ser descriptivas o predictivas. Las descriptivas caracterizan las propiedades generales de los datos en una base de datos y por el contrario, la predictiva realiza inferencias en los datos para poder realizar predicciones.
Técnicas Descriptivas.
Descripción de
clases:Hay tres formas de ver este punto, la primera se
denomina
Caracterización de los datos
(Data Caracterizatión), el cuál realiza un resumen de las características
generales de una clase particular de datos; los resultados suelen representarse
en términos de reglas de caracterización. La segunda es la discriminación de
datos (Data Discrimination), que es una comparación entre las características
generales de los objetos de una clase respecto a las de otro
conjunto contrastante. Finalmente, también se puede aplicar una combinación de
ambas.
Análisis de asociación: Es el descubrimiento de
reglas de asociación que muestran condiciones del tipo atributo-valor que ocurre
con frecuencia dentro de un conjunto de datos.
La minería mediante reglas de
asociación es el proceso de búsqueda interesante de correlaciones entre un
conjunto grande de datos. El descubrimiento de reglas
de asociación en grandes volúmenes de transacciones de negocios, puede facilitar
el proceso de toma de decisiones.
Análisis de
clusters:
Aquí
se analizan objetos sin consultar clases conocidas.
El proceso trabaja agrupando
objetos según el principio de ”maximizar la similitud dentro de una clase y
minimizar la similitud entre clases”. Un cluster es una colección de objetos de
datos mutuamente similares. Clustering es el proceso de agrupamiento de objetos. El análisis de clustering,tiene una gran variedad de
aplicaciones, incluyendo procesos de imágenes,análisis
Técnicas Predictivas.
Clasificación y
predicción:Son dos tipos de
análisis de datos, aquellos que puedenser usados para clasificar datos y los
que se usan para predecir tendencias. Laclasificación de datos predice clases
de etiquetas mientras la predicción de datospredice funciones de valores
continuos. Aplicaciones típicas incluyen análisis deriesgo para préstamos y
predicciones de crecimiento. Algunas técnicas para clasificaciónde datos
incluyen: clasificación bayesianas. K-NearestNeighbor, algoritmosgen éticos,
entre otros.
Arboles de
decisión:Definen
un conjunto de clases, asignando a cada dato de entra da una clase y determina la
probabilidad de que ese registro pertenezca a la clase.
Podemos distinguir dos tipos de
´arboles, el primero es el árbol de decisión de clasificación, donde cada
registro a clasificar fluye por una rama del árbol. La rama a seguir es
determinada por una serie de preguntas definidas por los nodos de la rama.
Cuando el registro llega a un nodo hoja, se le asigna a la clase del nodo
hoja.El segundo es el árbol de decisión de regresión, cuando el registro llega
a un nodo hoja, a la variable de salida de ese nodo, se le asigna el promedio de
los valores de la variable de salida de los registros que cayeron en ese nodo
hoja durante el proceso de entrenamiento.
Técnicas de Minería de Datos
|
|
Métodos Descriptivos
|
Métodos Predictivos
|
a. Visualización
|
a. Regresión Estadísticas (interpolación y predicción)
- Regresión Lineal
- Regresión no lineal
- Regresión
-Regresión Adaptativa Lineal Ponderada Localmente
|
b. Aprendizaje no supervisado
-Clustering
Métodos no jerárquicos (Partición)
Métodos Jerárquicos (N-TREE)
Métodos Paramétricos (Algoritmo EM)
Métodos no Paramétricos (KNN
K-means Clustering, Centroides,
Redes Kohonen, Algoritmo CobWeb,
Algoritmo Autoclass)
|
b. Aprendizaje Supervisado
-Clasificación
Arboles de Decisión, ID3,
C4.5, CART
-Inducción de Reglas
Redes Neuronales (simple,
multicapa)
- Aprendizaje Relacional y Recursivo
IFP (Inductive Functional Programming),
IFLP (Inductive Functional Logic Programming),
Aprendizaje de Orden Superior,
Macro Average,Matrices de Coste y Confusión,
Análisis ROC (Receiver Operating Characteristic)
|
c. Asociación
|
|
d. Asociación Secuencial
|
|
e. Análisis Estadístico
|
|
f. Análisis Estadístico
-Estudio de la Distribución de los Datos
-Detección de Datos Anómalos
-Análisis de Dispersión
|
|
g. Correlaciones y Estudios Factoriales
|
No hay comentarios.:
Publicar un comentario