Preprocesamiento de Datos Francisco Herrera Grupo de Investigación SCI 2 S Dpto. Ciencias de la...

Preprocesamiento de Datos

Francisco HerreraGrupo de Investigación SCI2SDpto. Ciencias de la Computación e I.A.Universidad de Granada

José Riquelme, Roberto RuizGrupo de Investigación MLGDpto. Lenguajes y Sistemas InformáticosUniversidad de Sevilla

Reunión Red Nacional DM & MLMadrid, 6-7 Mayo, 2004


Sumario

Introducción

Importancia de la Preparación de Datos

¿Qué incluye la Preparación de Datos?

Reducción de Datos

Selección de Instancias

Selección de Características


D. Pyle, 1999, pp. 90:

“The fundamental purpose of data preparation is to manipulate and transforrm raw data so that the information content enfolded in the data set can be exposed, or made more easily accesible.”

Introducción

Dorian PyleData Preparation for Data Mining Morgan Kaufmann Publishers, 1999


Problem Specificati

on

Data Mining

Data Preparation

Data CollectingData cleaningData TransformationData Reduction

Post Data Mining

EvaluationInterpretationExploitationResourcin

g

Introducción


1. Los datos reales pueden ser impuros, pueden conducir a la extracción de patrones/reglas poco útiles.

Esto se puede deber a:

Datos Incompletos: falta de valores de atributos, …Datos con RuidoDatos inconsistentes (incluyendo discrepancias)



2. La preparación de datos puede generar un conjunto de datos más pequeño que el original, lo cual puede mejorar la eficiencia del proceso de Minería de Datos.

Esta actuación incluye:

Selección relevante de datos: eliminando registros duplicados, eliminando anomalías, …Reduccion de Datos: Selección de características, muestreo o selección de instancias, discretización.



3. La preparación de datos genera “datos de calidad”, los cuales pueden conducir a patrones/reglas de calidad.

Por ejemplo, se puede:

Recuperar información incompleta.Eliminar outliersResolver conflictos, …



“El Preprocesamiento de Datos” / “La Preparación de Datos” engloba a todas aquellas técnicas de análisis de datos que permite mejorar la calidad de un conjunto de datos de modo que las técnicas de extracción de conocimiento/minería de datos puedan obtener mayor y mejor información (mejor porcentaje de clasificación, reglas con más completitud, etc.)


Bibliografía:S. Zhang, C. Zhang, Q. Yang. Data preparation for data mining.Applied Artificial Intelligence 17:5-6, 375-381, 2003.

Special Issue Data Cleaning and Preprocessing: 13 artículos


Es difícil dar una lista exacta de tareas o tópicos. Diferentes autores dan diferentes tareas y clasificaciónes.

Se pueden incluir las siguientes tareas o tópicos:

- Data collecting and integration

- Data cleaning

- Data transformation

- Data reduction (Feature Selection, Instance Selection,

Discretization)



Data collecting and integration

Obtiene los datos de diferentes fuentes de información

Resuelve problemas de representación y codificación

Integra los datos desde diferentes tablas para crear información homogénea, ...


Bibliografía:V. Detours, J. E. Dumont, H. Bersini and C. Maenhaut. Integration and cross-validation of high-throughout gene expression data: comparing heterogeneous data sets, FEBS Letters 546:1, 2003, 98-102.

Bibliografíaespecífica paracada aplicación.

Ejemplo en el ámbito de la Bioinformática


Data cleaning

Resuelve conflictos entre datos

Elimina outliers

Chequea y resuelve problemas de ruido, valores perdidos, …


Bibliografía:W. Kim, B. Choi, E-K. Hong, S-K. Kim. A Taxonomy of Dirty Data.Data Mining and Knowledge Discovery 7, 81-99, 2003.


Data transformation

Los datos son transformados o consolidados de forma apropiada para la extracción de información.

Diferentes vías:

Sumarización de datos

Operaciones de agregación, etc.


Bibliografía:T. Y. Lin. Attribute Transformation for Data Mining I: TheoreticalExplorations. International Journal of Intelligent Systems 17, 213-222, 2002.


Data reduction

Selecciona datos relevantes para la tarea de la minería de datos/extracción de información.

Diferentes vías para la Reducción de Datos:



Discretización



Reducción de Datos

Selección deCaracterístic

as


Apretujamiento de Instancias

Data Squashing

Discretización

Reducción de Datos


Reducción de Datos


as



Data Squashing

Discretización

Bibliografía:H. Liu, H. Motoda. Feature Selection for Knowledge Discoveryand Data Mining. Kluwer Academic, 1998.H. Liu, H. Motoda (Eds.) Feature Extraction, Construction, andSelection: A Data Mining Perspective, Kluwer Ac., 1998.

Reducción de Datos


Reducción de Datos


as



Data Squashing

Discretización

Bibliografía:H. Liu, F. Hussain, C.L. Tan, M. Dash. Discretization: An EnablingTechnique. Data mining and Knowledge Discovery 6, 393-423, 2002.

Reducción de Datos


Reducción de Datos


as



Data Squashing

Discretización

Bibliografía:A. Owen, Data Squashing by Empirical Likelihood. Data Mining and Knowledge Discovery 7, 101-113, 2003.

Reducción de Datos


Reducción de Datos


as



Data Squashing

Discretización

Bibliografía:T. Reinartz. A Unifying View on Instance Selection. Data Mining and Knowledge Discovery 6, 191-210, 2002.

Reducción de Datos



Sampling Boosting Selección de Prototipos ó Aprendizaje basado en Instancias

AprendizajeActivo



Selección de Prototipos

Selección Basada en Reglas NN

Selección Basada en Eliminación Ordenada

Algoritmos Evolutivos

Sampling

Muestreo Aleatorio



Estrategia de Selección de Prototipos



Estrategia de Selección de Conjuntos de Entrenamiento


Data Mining Algorithm


J.R. Cano, F. Herrera, M. Lozano. Using Evolutionary Algorithms as Instance Selection for Data Reduction in KDD: An Experimental Study. IEEE Trans. on Evolutionary Computation 7:6, 561-575, 2003.


.Medium size data sets

Algunos Resultados

Classification con reduction rate > 70%.

Selección de Prototipos

CHC PBIL CHC

Ib2 Ib3 Ennsr

Drop1 CHC Drop3

Cnn Ennrs Rmhc

Drop3 Cnn Drop2

Rnn Rmhc Cnn

Rmhc Drop2 Drop1

Icf Ib2 Ib3

Drop2 Drop3 Ib2

Ennrs Rnn PBIL

Ib3 Drop1 Icf

%Reducción %Ac. test 1-NN

(%Ac. 1-NN+%Rd.)/2

PBIL Icf Rnn



Classification con reduction rate > 70%. Selección de Conjuntos de Entrenamiento

CHC PBIL CHC

Ib2 Rmhc Rmhc

Drop1 CHC Ennrs

Cnn Ib3 Drop1

Drop3 Ennrs Drop3

Rnn Drop2 Icf

Rmhc Icf Cnn

Icf Drop1 Ib3

Drop2 Drop3 PBIL

Ennrs Cnn Drop2

Ib3 Rnn Rnn

%Reduction %Ac. test C4.5 (%Ac. C4.5+%Rd.)/2

PBIL Ib2 Ib2





El orden de los algoritmos es superior a O(n2) y suele estar en orden O(n3) .

¿Cómo realizar la selección de instancias con grandes bases de datos?

Combinamos una estrategia de estratificación con los algoritmos de selección de instancias.

Estrategia de Estratificación

Data Set

T1 T2 T3 Tt

SS1 SS2 SS3 SSt

TR1 TR2

TR3

TRt

TS1

TS2 TS3

TSt

IS IS IS IS



Name

Number of

Instances

Number of

Features

Number of

Classes

Adult 30132 14 2

Kdd Cup’99 494022 41 23

Conjuntos de datos:



ExecutionTime(sec)

Rules Number

% Reduction

C4.5

%Ac. Trn %Ac. Test

C4.5 2 327 88.72% 85.40%

Cnn Strat 1 21 97.34% 52.17% 36.45%

Drop1 Strat 44 1 95.09% 24.92% 26.31%

Drop2 Strat 48 179 70.33% 85.61% 83.09%

Drop3 Strat 41 75 95.57% 82.96% 77.29%

Ib2 Strat 1 12 99.57% 49.42% 36.37%

Ib3 Strat 3 162 76.69% 85.17% 82.73%

Icf Strat 33 138 85.62% 79.99% 82.21%

CHC Strat 20172 4 99.38% 83.78% 82.76%

Adult. Número de estratos: 10



Kdd Cup’99. Número de estratos: 100

ExecutionTime(sec)

Rules Number

% Reduction

C4.5

%Ac Trn %Ac Test

C4.5 265 252 99.97% 99.94%

Cnn Strat 8 83 81.61% 98.48% 96.43%

Drop1 Strat 111 3 99.97% 38.63% 34.97%

Drop2 Strat 105 82 76.66% 81.40% 76.58%

Drop3 Strat 131 49 56.74% 77.02% 75.38%

Ib2 Strat 7 48 82.01% 95.81% 95.05%

Ib3 Strat 3 74 78.92% 99.13% 96.77%

Icf Strat 242 68 23.62% 99.98% 99.53%

CHC Strat 1960 9 99.68% 98.97% 97.53%




ADULT: Algunos datos a destacar: Partición 1


No.Instan-cias - N

No.Varia-bles

No. ReglasNo. Variables/

regla

Confidencia de las Reglas

N(Cond,Clas)/N

Adult 30132 14C4.5

IS-CHC/C4.5

C4.5IS-CHC/

C4.5C4.5 IS-CHC/

C4.5

359 5 14 3 0.003 0.167

La selección de instancias nos permite obtener conjuntos de reglas más interpretables y con aporte de mayor información.Dos líneas de actuación futura: Sistema de Clasificación más preciso: Avanzar en la combinación

de la estratificación y técnicas evolutivas para mejorar la precisión. Subgroup Discovery: La obtención de reglas de calidad que aporten

información.N. Lavrac, B. Kavsek, P. Flach, L. Todorowski. Subgroup Discovery with CN2-SD. Journal of Machine Learning Research 5 (2004) 153-188.



Recientemente se han publicado diferentes aproximaciones al problema de Selección de Instancias.

J.C. Riquelme, J.S. Aguilar-Ruiz, M. Toro. Finding representative patterns with ordered projections. Pattern Recogition 36 (2003) 1009-1018.

POP: Algoritmo de selección de instancias vía proyección seleccionando regiones para cada clase. Métodos de aprendizaje: k-NN, C4.5.



S-W. Kim, B.J. Oommen. Enhancing prototype reduction schemes with LVQ3-type algorithms. Pattern Recognition 36 (2003) 1083-1093.

LVQ3: Utilizan LVQ y SVM para la selección de instancias.

S-W. Kim, B.J. Oommen. Enhancing Prototype Reduction Schemes with Recursion: A Method Applicable for “Larga Data Sets”. IEEE Trans. on SMC, 2004.

Combina un método recursivo para la partición de bases de datos con LVQ y SVM.



S. Papadimitriou, S. Mavroudi, L. Vladutu, A.Bezerianos. Generalized radial basis function neural networks trained with instance based learning for data mining of symbolic data. Applied Intelligence 16 (2002) 223-234.

P.C. Pendaharkar, J.A. Rodger. Technical efficiency-based selection of learning cases to improve forecasting accuracy of neural networks under monotonicity assumption. Decision Support Systems 36 (2003)117-136.

Se utiliza la selección de instancias para el entrenamiento de redes neuronales.

K.W. Lau, Q.H. Wu. Online training of support vector classifier. Pattern Recognition 36 (2003) 1913-1920.

Se utiliza la selección de instancias para SVM.



Conclusiones

La selección de instancias puede permitir mejorar la precisión/interpretabilidad de los métodos de aprendizaje automático.

Existen evidencias de buen comportamiento combinando selección de instancias y los métodos de aprendizaje.

Para cada método de aprendizaje puede ser necesario diseñar un mecanismo de selección de instancias que sea cooperativo con el propio método de aprendizaje.

Introducción

Proceso general para la SA

Esquemas/Framework

Catalogación de algoritmos existentes

Distintas Clasificaciones

Tendencias



Sumario

La SA pretende elegir atributos que sean relevantes para una aplicación y lograr el máximo rendimiento con el mínimo esfuerzo. El resultado de la SA sería:

Menos datos los algoritmos pueden aprender más rápidos

Mayor exactitud el clasificador generaliza mejor

Resultados más simples más fácil de entender

Menos atributos evitar obtenerlos posteriormente

SA y Transformación (extracción y construcción)



Introducción

Bibliografía:H. Liu, H. Motoda. Feature Selection for Knowledge Discoveryand Data Mining. Kluwer Academic, 1998.


{}

{1} {2} {3} {4}

{1}{3} {2,3} {1,4} {2,4}{1,2} {3,4}

{1,2,3} {1,2,4} {1,3,4} {2,3,4}

{1,2,3,4}

(GS) Generación

Subconjuntos

(CE) Criterio

Evaluation

SubconjuntoSeleccionado

CriterioParada

no

Subconjunto

atributos

Datos originales

si

La SA se puede considerar como en problema de búsqueda


Proceso para la SA

P. Langley (1994). Selection of Relevant Features in Machine Learning. Procs. of the AAAI Fall Symposium on Relevance. AAAI Press, New Orleans, LA.

Agrupa las funciones de evaluación: Filtro y Envolvente (wrapper).

A.L. Blum and P. Langley (1997). Selection of Relevant Features and Examples in Machine Learning. Artificial Intelligence on Relevance, pp. 245-271.

Utiliza la dependencia con el proceso de inducción: Filtro, wrapper, Empotrados (embedded) y Ponderados.



Estudios realizados

J. Doak (1994). An Evaluation of Search Algorithms for Feature Selection. Informe técnico, Safeguards Systems Group. Los Alamos National Laboratory.

Establece tres categorías para las estrategias de búsqueda: exponencial O(2N), secuencial O(N2) y aleatoria O(¿?).

Clasifica las medidas de evaluación basándose en la naturaleza de estas: filtro, wrapper y wrapper modificado.

M. Dash and H. Liu (1997). Feature Selection for Classification. Intelligent Data Analisys.

Establece tres categorías para las estrategias de búsqueda: completa, heurística y aleatoria.

Clasifica las medidas de evaluación basándose en la naturaleza de estas: filtro (distancia, información, dependencia y consistencia) y wrapper.



Estudios realizados

L.C. Molina, L. Belanche and A. Nebot (2002). Feature Selection Algorithms: A Survey and Experimental Evaluation. In Proc. of the International Conference on Data Mining (ICDM'02), IEEE C.S.

Propone un criterio para evaluar el rendimiento de un algoritmo de SA con respecto a las particularidades de relevancia, irrelevancia, redundancia y tamaño de la muestra.Caracterización de algoritmos de SA.

M. Dash and H. Liu (1997). Feature Selection for Classification. Intelligent Data Analisys, 1 (3). H. Liu and L. Yu (2002). Feature Selection for Data Mining.http://www.public.asu.edu/~huanliu/feature_selection.html

Clasificación de los algoritmos existentes.Incluye SA no supervisada y propone una plataforma unificada.



Esquemas



CaracterizaciónDivergencia

Precisión

Consistencia

Información

Dependencia

Distancia

Medida de Evaluación

Organizaciónde la Búsqueda

Generación de sucesoresEsquema de Generación

Completa Heurística No-determinista

Exponencial Secuencial Aleatoria

Adelante

Atrás

Aleatoria

Compuesta

Ponderada

Creterio deevaluación

Estrategia de Búsqueda

Exponencial / Completa

Secuencial / Heurística

Aleatoria / No determinista

DistanciaAd: BFFAt: B&B , Bobr88

Ad: SegenP: ReliefF

P: ReliefF

Información

At: MDLM Ad: SFGAt: SBG, DTM, Koller

Dependencia

Ad: CFS Ad: POE+ACCP: PRESETC: FCBC

Consistencia

Ad: Focus, SchlimmerAt: MIFES1, ABB

Al: LVF, LVI, QBB*

Precisión

Al/Ad: BSAt: AMB&B, OBLIVIONAd: Ichi-Skla

Ad: WSFG, Quei-GelsAt: WSBG,SBS-SLASH,RCC: PQSS, BDS, RACE

Al: LVW,GA,SA, RMHC-PF1Al/C: RGSSFSS-EBNA

CualquieraAd: SFGAt: SBG

Inf+PresicAd: BBHFSC: Xing





Distintas Clasificaciones

4. Según la salida del algoritmo:

Ranking

Subconjunto de atributos

1. Según la evaluación:

filter

wrapper

2. Disponibilidad de la clase:

Supervisados

No supervisado

3. Según la búsqueda:

Completa O(2N)Heurística O(N2)Aleatoria ¿?

Entrada: x atributos - U criterio evaluación

Lista = {}

Para cada Atributo xi, i {1,...,N}

vi = calcular(xi,U)

situar xi dentro de Lista conforme vi

Salida: Lista, atts más relevantes al principio



Algoritmos Ranking

Devuelven una lista de atributos ordenados según algún criterio de evaluación.

Entrada: x atributos - U criterio evaluación

Subconjunto = {}

Repetir

Sk = generarSubconjunto(x)

si existeMejora(S, Sk,U)

Subconjunto = Sk

Hasta CriterioParada()

Salida: Lista, atts más relevantes al principio



Algoritmos Subconjunto de atributos

Devuelven un subconjunto de atributos optimizado según algún criterio de evaluación.

Dash, Liu and Motoda (2000). Consystency based feature selection (PAKDD). Kyoto, Japan. Springer-Verlag.

Elige automáticamente el mejor algoritmo de SA (Basado en consistencia).



Sistemas de SA



Comparison table of the discussed method.

Method Generation Evaluation Contin. Discrete NominalLarge

DatasetMultiple Classes

Handle Noise

Optimal Subset

B & B complete distance y y n - y - y++MDLM complete information y y n - y - nFocus complete consistency n y y n y n y

Relief heuristic distance y y y y n y nDTM heuristic information y y y y y - n

POE+ACC heuristic dependency y y y - y - n

LVF random consistency n y y y y y* y**

- method does not discuss about the particular characteristic.y++ if certain assumptions are valid.y* user is required to provide the noise level. y** provided there are enough resources.

*note : "classifier error rate" not included (ie. Depend on specify classifier).



Sistemas de SAClasifica según objetivo: A, B y C según tamaño BD: small, medium, L,VLSegún criterio: Monotono, aprox. y no

M. Kudo and J. Sklansky (2000). Comparison of Algorithms that Select Features for Pattern Classifiers, Elsevier Science.

Algoritmos híbridos: Combinan las ventajas de los algoritmos tipo filtro (rapidez) y wrapper (precisión)

S. Das (2001). Filters, Wrappers and a Boosting-Based Hybrid for Feature Selection, ICML, p. 74-81. Morgan Kaufmann Publishers.

Utiliza el concepto de Boosting.

E.P. Xing, M.I. Jordan and R.M. Karp (2001). Feature Selection for High-Dimensional Genomic Microarray Data, ICML, p. 601-608. Morgan Kaufmann Publishers.

Selecciona atts con IG alta y se reducen mediante Markov.



Incremento de los datos

H. Liu, H. Lu and L. Yu (2003). Active Sampling: An Effective Approach to Feature Selection. SIAM ICDM.

Selecciona las instancias con mayor probabilidad de tener información determinante de la relevancia de los atributos.

L. Yu and H. Liu (2003). Feature Selection for High-Dimensional: A fast Correlation-Based Filter Solution, ICML. Morgan Kaufmann Publishers.

Selecciona atts altamente correlados con la clase y después elimina redundantes.



Incremento de los datos



Validaciones

Selectors

Classifier

10 fcv

Training File(E 90%)

Test File(10%)

ReducedTrainingFile (E’)

Classifier

% Acc.Size Nº Att´s

% Acc.SizeNº Att´s

Reduce

10 Runs

BDs



Validaciones

Classifier


BDs

Selectors

BDsReduced

Classifier



Validación algoritmos ranking

Atributos A1 A2 A3 A4 A5 A6 A7 A8 A9

Ranking A5 A7 A4 A3 A1 A8 A6 A2 A9

Mejor Subconjunto

80 82 81 83 83 85 84 83 84

A5 A7 A4 A3 A1 A8 (6 atributos)


Validación algoritmos ranking

Segment-NB

Glass2-C4.5

Sonar-C4.5

Conclusiones

La selección de atributos puede permitir mejorar la precisión e interpretabilidad de los métodos de aprendizaje automático, además de reducir el tamaño de la BD y el tiempo de los algoritmos de aprendizaje.

Para diferentes aplicaciones puede convenir distintos algoritmos de selección de característica.




Conclusiones

El preprocesamiento de datos suele ser una necesidad cuando se trabaja con una aplicación real, con datos obtenidos directamente del problema.

Una ventaja: El preprocesamiento de datos permite aplicar los modelos de Aprendizaje/Minería de Datos de forma más rápida y sencilla, obteniendo modelos/patrones de más calidad: precisión e/o interpretabilidad.

Un inconveniente: El preprocesamiento de datos no es un área totalmente estructura con una metodología concreta de actuación para todos los problemas. Cada problema puede requerir una actuación diferente, utilizando diferentes herramientas de preprocesamiento.

Preprocesamiento de Datos Francisco Herrera Grupo de Investigación SCI 2 S Dpto. Ciencias de la...

Documents

Transcript of Preprocesamiento de Datos Francisco Herrera Grupo de Investigación SCI 2 S Dpto. Ciencias de la...