Файл: Технологии интеллектуального анализа данных. ( ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ КАК ПРОЦЕСС).pdf

3.8. Обработка с запоминанием

При всех основных методах часто имеет смысл записывать и

впоследствии изучать полученную информацию. Для некоторых методов это

совершенно очевидно. Например, при построении последовательных моделей и

обучении в целях прогнозирования анализируются исторические данные из

разных источников и экземпляров информации.

В других случаях этот процесс может быть более ярко выраженным.

Деревья решений редко строятся один раз и никогда не забываются. При

выявлении новой информации, событий и точек данных может понадобиться

построение дополнительных ветвей или даже совершенно новых деревьев.

Некоторые из этих процессов можно автоматизировать. Например,

построение прогностической модели для выявления мошенничества с

кредитными картами сводится к определению вероятностей, которые можно

использовать для текущей транзакции, с последующим обновлением этой

модели при добавлении новых (подтвержденных) транзакций. Затем эта

информация регистрируется, так что в следующий раз решение можно будет

принять быстрее.

4. ПОЛУЧЕНИЕ И ПОДГОТОВКА ДАННЫХ

Сам интеллектуальный анализ данных опирается на построение

подходящей модели и структуры, которые можно использовать для обработки,

выявления и создания необходимой информации. Независимо от формы и

структуры источника данных, информация структурируется и организуется в

соответствии с форматом, который позволяет выполнять интеллектуальный

анализ данных с максимально эффективной моделью.

Подумайте о комбинировании бизнес-требований по интеллектуальному

анализу данных с выявлением существующих переменных (покупатель,

стоимость, страна) и созданием новых переменных, которые можно

использовать для анализа данных на подготовительном этапе.

Аналитические переменные для данных, полученных из множества

различных источников, можно составить в единую, определенную структуру

(например, создать класс покупателей определенных уровней и возрастов или

класс ошибок определенного типа).

В зависимости от источника данных важно выбрать правильный способ

построения и преобразования этой информации, каким бы ни был метод

окончательного анализа данных. Этот шаг также ведет к более сложному

процессу выявления, сбора, упрощения или расширения информации в

соответствии с входными данными (см. рисунок 5).

Рисунок 5. Подготовка данных

Источник данных, местоположение и база данных влияют на то, как

будет обрабатываться и объединяться информация.

4.1. Опора на SQL

Наиболее простым из всех подходов часто служит опора на базы данных

SQL. SQL (и соответствующая структура таблицы) хорошо понятен, но

структуру и формат информации нельзя игнорировать полностью. Например,

при изучении поведения пользователей по данным о продажах в модели данных

SQL (и интеллектуального анализа данных в целом) существуют два основных

формата, которые можно использовать: транзакционный и поведенческодемографический.

При работе с InfoSphere Warehouse создание поведенческодемографической модели в целях анализа данных о покупателях для понимания

моделей их поведения предусматривает использование исходных данных SQL,

основанных на информации о транзакциях, и известных параметров

покупателей с организацией этой информации в заранее определенную

табличную структуру. Затем InfoSphere Warehouse может использовать эту

информацию для интеллектуального анализа данных методом кластеризации и

классификации с целью получения нужного результата. Демографические

данные о покупателях и данные о транзакциях можно скомбинировать, а затем

преобразовать в формат, который допускает анализ определенных данных, как

показано на рисунке 6.

Рисунок 6. Специальный формат анализа данных

Например, по данным о продажах можно выявить тенденции продаж

конкретных товаров. Исходные данные о продажах отдельных товаров можно

преобразовать в информацию о транзакциях, в которой идентификаторы

покупателей сопоставляются с данными транзакций и кодами товаров.

Используя эту информацию, легко выявить последовательности и отношения

для отдельных товаров и отдельных покупателей с течением времени. Это

позволяет InfoSphere Warehouse вычислять последовательную информацию,

определяя, например, когда покупатель, скорее всего, снова приобретет тот же

товар.

Из исходных данных можно создавать новые точки анализа данных.

Например, можно развернуть (или доработать) информацию о товаре путем

сопоставления или классификации отдельных товаров в более широких

группах, а затем проанализировать данные для этих групп, вместо отдельных

покупателей.

В таблице 1 приведен пример расширения информации.

Таблица 1. Расширенная таблица товаров

product_id product_name product_group product_type

101 Клубника неупакованная Клубника Фрукты

102 Клубника в коробках Клубника Фрукты

110 Бананы неупакованные Бананы Фрукты

5. ЛАБОРАТОРНЫЕ РАБОТЫ

5.1. Цель лабораторной работы

Освоение методов интеллектуального анализа данных, в частности:

классификации объектов БД методом построения дерева решений; выявление

связей между объектами БД методом ассоциаций.

5.2. Задачи лабораторной работы

1. На основании модели предметной области из перечня объектовклассов выбрать 1-2 наиболее важных, для которых могут существовать

варианты (экземпляры классов). Определить для этих объектов – классов не

менее 3-х свойств, на основе которых экземпляры классов могут быть разбиты

на подклассы. Например, по содержанию предметной области, необходимо

арендовать помещение (под офис, под магазин и т.п.). Выбор осуществляется

на основе следующих свойств: цена за кв.м.; площадь, качество отделки

помещения (высокое, среднее, низкое); расстояние от метро (0 мин., до 10

минут, до 20 минут) и т.п. На основе этих параметров сформировать прототип

реляционной Базы Данных (РБД) из 15 записей с описанием конкретных

помещений. Задача состоит в том, чтобы разбить имеющиеся варианты на 3

класса (например: евро-класс (1), бизнес – класс (2), эконом – класс (3)).

2. На основе той же модели предметной области сформировать прототип

РБД из 15-ти транзакций, т.е. последовательности записей типа: (письменный

стол, кресло, компьютер, офис), (обеденный стол, меню, кафе), (кресло, стол,

настольная лампа, кабинет) и т.п.

3. Решить задачу классификации записей БД (п. 1) методом построения

дерева решений. Обосновать порядок применения свойств для классификации

объектов, выявить взаимосвязь данных, разработать правила классификации

применить метод прироста информации (метод энтропии).

4. Выявить наиболее сильные взаимосвязи между элементами

транзакций (гипотезами правил типа «если, то….») на основе вычисления

значений достоверности, поддержки, лифта, левериджа, улучшения для

разработанных гипотез, применить метод ассоциации.

5.3. Порядок решения задачи

1. Создать два прототипа РБД (15 записей).

2. Наполнить Хранилище Данных первичной информацией из

прототипов РБД.

3. Провести анализ данных и их классификацию на основе метода дерева

решений. Результат представить в виде дерева.

4. Сформировать множество гипотез правил на основании метода

ассоциаций, найти наиболее сильное и наиболее слабое правила и доказать это

расчетами. Расчеты лифта, левереджа осуществить вручную.

5.4. Представление результатов

В отчет о результатах лабораторной работы входят:

результаты по дереву решений:

 Прототип РБД;

 Имена классов для разбиения объектов РБД на классы;

 Расчеты по выбору порядка применения свойств для классификации

объектов (видеоформы);

 Дерево решений, классы объектов, классификационные правила

(видеоформы и вручную).

результаты по методу ассоциации:

 Прототип РБД;

 наиболее вероятное ассоциативное правило и расчеты его

достоверности, поддержки, лифта, левереджа и улучшения (видеоформы и

вручную);

 Результаты сравнения расчетов по ассоциативному правилу и

обоснованный вывод о наиболее значимом ассоциативном правиле.

6. ТЕОРЕТИЧЕСКИЕ УКАЗАНИЯ ПО ВЫПОЛНЕНИЮ ЛАБОРАТОРНОЙ РАБОТЫ

Классификацию данных можно рассматривать как процесс, состоящий

из двух этапов. На первом этапе строится модель, описывающая

предварительно определенный набор классов или категорий. Модель строится

на основе анализа данных, содержащих признаки (атрибуты) объектов и

соответствующую им метку класса. Такой набор называется обучающей

выборкой. В контексте классификации записи могут упоминаться как

наблюдения, примеры, прецеденты или объекты.

Поскольку метка класса каждого примера предварительно задана,

построение классификационной модели часто называют обучением с учителем.

В процессе обучения формируются правила, по которым производится