Датамайнинг (Data mining)

.
.



Определение:
____Добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Термин введён Григорием Пятецким-Шапиро в 1989 году.

«обнаружение знаний в базах данных» (knowledge discovery in databases, KDD)


____Основу методов Data Mining составляют всевозможные методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, искусственных нейронных сетей, генетических алгоритмов, эволюционного программирования, ассоциативной памяти, нечёткой логики. К методам дейтамайнинга нередко относят статистические методы (дескриптивный анализ, корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов, анализ выживаемости, анализ связей). Такие методы, однако, предполагают некоторые априорные представления об анализируемых данных, что несколько расходится с целями дейтамайнинга (обнаружение ранее неизвестных нетривиальных и практически полезных знаний).
____Одно из важнейших назначений методов дейтамайнинга состоит в наглядном представлении результатов вычислений (визуализация), что позволяет использовать инструментарий дейтамайнинга людьми, не имеющими специальной математической подготовки. В то же время, применение статистических методов анализа данных требует хорошего владения теорией вероятностей и математической статистикой.
____Методы дейтамайнинга (или, что то же самое, Knowledge Discovery In Data, сокращённо, KDD) лежат на стыке баз данных, статистики и искусственного интеллекта.
Область дейтамайнинг началась с семинара (workshop), проведённого Григорием Пятецким-Шапиро в 1989 году.
____Ранее, работая в компании GTE Labs, Григорий Пятецкий-Шапиро заинтересовался вопросом: можно ли автоматически находить определённые правила, чтобы ускорить некоторые запросы к крупным базам данных. Тогда же было предложено два термина — Data Mining («добыча данных») и Knowledge Discovery In Data (который следует переводить как «открытие знаний в базах данных»).
____В 1993 году вышла первая рассылка «Knowledge Discovery Nuggets», а в 1994 году был создан один из первых сайтов по Data Mining (дейтамайнингу).

Постановка задачи

____Первоначально задача ставится следующим образом:

• имеется достаточно крупная база данных;
  
• предполагается, что в базе данных находятся некие «скрытые знания».
  

____Необходимо разработать методы обнаружения знаний, скрытых в больших объёмах исходных «сырых» данных. В текущих условиях глобальной конкуренции именно найденные закономерности (знания) могут быть источником дополнительного конкурентного преимущества.
____Что означает «скрытые знания»? Это должны быть обязательно знания:

• ранее неизвестные — то есть такие знания, которые должны быть новыми (а не подтверждающими какие-то ранее полученные сведения);
  
• нетривиальные — то есть такие, которые нельзя просто так увидеть (при непосредственном визуальном анализе данных или при вычислении простых статистических характеристик);
  
• практически полезные — то есть такие знания, которые представляют ценность для исследователя или потребителя;
  
• доступные для интерпретации — то есть такие знания, которые легко представить в наглядной для пользователя форме и легко объяснить в терминах предметной области.
  

____Эти требования во многом определяют суть методов дейтамайнинга (Data mining) и то, в каком виде и в каком соотношении в технологии дейтамайнинг (Data mining) используются системы управления базами данных, статистические методы анализа и методы искусственного интеллекта.

Дейтамайнинг (Data mining) и базы данных

____Методы дейтамайнинга могут быть применены как для работы с большими данными, так и для обработки сравнительно малых объемов данных (полученных, например, по результатам отдельных экспериментов, либо при анализе данных о деятельности компании). В качестве критерия достаточного количества данных, рассматривается как область исследования, так и применяемый алгоритм анализа.
____Развитие технологий баз данных сначала привело к созданию специализированного языка — языка запросов к базам данных. Для реляционных баз данных — это язык SQL, который предоставил широкие возможности для создания, изменения и извлечения хранимых данных. Затем возникла необходимость в получении аналитической информации (например, информации о деятельности предприятия за определённый период), и тут оказалось, что традиционные реляционные базы данных, хорошо приспособленные, например, для ведения оперативного учёта на предприятии, плохо приспособлены для проведения анализа. Это привело, в свою очередь, к созданию т. н. «хранилищ данных», сама структура которых наилучшим способом соответствует проведению всестороннего математического анализа.

Дейтамайнинг и искусственный интеллект

____Знания, добываемые методами дейтамайнинга, принято представлять в виде закономерностей (паттернов). В качестве таких выступают:

• ассоциативные правила;
  
• деревья решений;
  
• кластеры;
  
• математические функции.
  

____Алгоритмы поиска таких закономерностей находятся на пересечении областей: Искусственный интеллект, Математическая статистика, Математическое программирование, Визуализация, OLAP.

Задачи

____Задачи, решаемые методами дейтамайнинга, принято разделять на описательные (descriptive) и предсказательные (predictive).
____В описательных задачах самое главное — это дать наглядное описание имеющихся скрытых закономерностей, в то время как в предсказательных задачах на первом плане стоит вопрос о предсказании для тех случаев, для которых данных ещё нет.
____К описательным задачам относятся:

• поиск ассоциативных правил или паттернов (образцов);
  
• группировка объектов, кластерный анализ;
  
• построение регрессионной модели.
  

____К предсказательным задачам относятся:

• классификация объектов (для заранее заданных классов);
  
• регрессионный анализ, анализ временных рядов.
  

Алгоритмы обучения

____Для задач классификации характерно «обучение с учителем», при котором построение (обучение) модели производится по выборке, содержащей входные и выходные векторы.
____Для задач кластеризации и ассоциации применяется «обучение без учителя», при котором построение модели производится по выборке, в которой нет выходного параметра. Значение выходного параметра («относится к кластеру …», «похож на вектор …») подбирается автоматически в процессе обучения.
____Для задач сокращения описания характерно отсутствие разделения на входные и выходные векторы. Начиная с классических работ К. Пирсона по методу главных компонент, основное внимание уделяется аппроксимации данных.

Этапы обучения

____Ряд этапов решения задач методами дейтамайнинга:

1. Постановка задачи анализа;
   
2. Сбор данных;
   
3. Подготовка данных (фильтрация, дополнение, кодирование);
   
4. Выбор модели (алгоритма анализа данных);
   
5. Подбор параметров модели и алгоритма обучения;
   
6. Обучение модели (автоматический поиск остальных параметров модели);
   
7. Анализ качества обучения, если неудовлетворительный переход на п. 5 или п. 4;
   
8. Анализ выявленных закономерностей, если неудовлетворительный переход на п. 1, 4 или 5.
   

Подготовка данных

____Перед использованием алгоритмов дейтамайнинга необходимо произвести подготовку набора анализируемых данных. Так как ИАД может обнаружить только присутствующие в данных закономерности, исходные данные с одной стороны должны иметь достаточный объём, чтобы эти закономерности в них присутствовали, а с другой — быть достаточно компактными, чтобы анализ занял приемлемое время. Чаще всего в качестве исходных данных выступают хранилища или витрины данных. Подготовка необходима для анализа многомерных данных до кластеризации или интеллектуального анализа данных.
____Далее данные очищаются. Очистка удаляет выборки с шумами и пропущенными данными.
____Очищенные данные сводятся к наборам признаков (или векторам, если алгоритм может работать только с векторами фиксированной размерности), один набор признаков на наблюдение. Набор признаков формируется в соответствии с гипотезами о том, какие признаки сырых данных имеют высокую прогнозную силу в расчете на требуемую вычислительную мощность для обработки. Например, черно-белое изображение лица размером 100×100 пикселей содержит 10 тыс. бит сырых данных. Они могут быть преобразованы в вектор признаков путём обнаружения в изображении глаз и рта. В итоге происходит уменьшение объёма данных с 10 тыс. бит до списка кодов положения, значительно уменьшая объём анализируемых данных, а значит и время анализа.
____Ряд алгоритмов умеют обрабатывать пропущенные данные, имеющие прогностическую силу (например, отсутствие у клиента покупок определенного вида). Скажем, при использовании метода ассоциативных правил обрабатываются не векторы признаков, а наборы переменной размерности.
____Выбор целевой функции будет зависеть от того, что является целью анализа; выбор «правильной» функции имеет основополагающее значение для успешного интеллектуального анализа данных.
____Наблюдения делятся на две категории — обучающий набор и тестовый набор. Обучающий набор используется для «обучения» алгоритма дейтамайнинга, а тестовый набор — для проверки найденных закономерностей.


.