MINERIA DE DATOS Data Mining

ObjetivosDescubrimientoExtraer informacin de un conjunto de datos, para convertirlos en un conocimiento til.Realiza el anlisis automtico o semiautomtico de grandes cantidades de datos para extraer patrones.

Tcnicas AplicadasPredictivas o de aprendizaje supervisado: Orientadas a estimar valores de salida.Clasificacin.Regresin.Descriptivas o aprendizaje no supervisado: Orientadas a describir un conjunto de datos.AgrupamientoAsociacinSecuenciacinPredictivas - Clasificacin

Predictivas - Regresin

Algunos EjemplosDescriptivas - Agrupamiento

Descriptivas - Asociacin

Descriptivas - Secuenciacin

ClasificacinAprendizaje basado en casos o instancias.Metodos basados en vecindad.K-Vecinos mas CercanosN = numero de casosn = variables predictoriask = numero de casos mas cercanos a tener en cuenta del nuevo caso a clasificar.m = Posibles valores.

Dicho de otra forma

Algoritmodi = distancia desde el caso ya clasificado hasta el nuevo caso a clasificarD = Conjunto de N casos ya clasificadosx = nuevo caso a clasificar

COMIENZO:D = {(x1, c1), . . . ,(xN , cN )} -> Conjunto de N casos ya clasificadosx = (x1, . . . , xn) ->nuevo caso a clasificarPARA todo objeto ya clasificado (xi , ci)calcular di = d(xi , x) Ordenar di(i = 1, . . . , N) -> en orden ascendenteQuedarnos con los K casos de D sub x hasta k ya clasificados mas cercanos a xAsignar a x la clase mas frecuente en D sub x hasta kFINComplejidadO(DxN) siendo N el numero de tuplas y D su numero de caractersticas.