TÉCNICAS DESCRIPTIVAS

CLASIFICACIÓN

Como métodos de clasificación supervisada (predicción de variables cualitativas), algunas técnicas son:

Clasificación basada en árboles de decisión

- Modelo de clasificación en forma de árbol de decisión

- Procesando tanto variables cuantitativas como cualitativas

- Técnicas de podado, que proporciona árboles de menor tamaño

- Son escalables, pudiendo procesar conjuntos con independencia del número de clases, atributos y registros.

CLASIFICACIÓN NEURONAL

- Basada en redes neuronales de propagación hacia atrás

- Detecta de forma automática la topología más adecuada para cada problema, aunque permite especificar una concreta

- Realiza un análisis de sensibilidad para detectar las variables más significativas para cada topología

ANÁLISIS DE ASOCIACIONES

Los análisis de asociaciones y patrones secuenciales permiten extraer información desconocida de los hábitos de compra:

Análisis de asociaciones

- Detecta elementos en una transacción que implican la presencia de otros elementos en ésta misma.

- Expresa las afinidades entre elementos en forma de reglas de asociación XàY, facilitando una serie de métricas como el soporte y confianza.

MÉTODOS DESCRIPTIVOS EN MINERÍA DE DATOS

Los Métodos Descriptivos o aprendizaje no supervisado permiten formar grupos de datos rápidamente, también son conocidos como métodos simétricos, no supervisados o indirectos. 

Las observaciones son generalmente clasificadas en grupos que no son conocidos con anterioridad, los elementos de las variables pueden estar conectados entre sí de acuerdo a vínculos desconocidos de antemano, de esta manera, todas las variables disponibles son tratados en el mismo nivel y no hay hipótesis de causalidad.

Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema.

• No se tiene información sobre las categorías de esos ejemplos.

• Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.

TÉCNICAS PREDICTIVAS

Las Técnicas Predictivas están orientadas a la predicción de valores de salida.

PREDICCIÓN

Para la estimación de variables cuantitativas, los métodos más empleados son:

 Funciones de base radial

- Pueden procesar variables cuantitativas y cualitativas a la vez.

- Detecta el número de centroides óptimo, predefiniendo el número máximo de éstos y el número mínimo de registros asignados a cada centro.

- Funciona especialmente bien cuando la estructura de los datos tiende a agruparse en conjuntos, ya que implementa cierto tipo de segmentación.

PREDICCIÓN NEURONAL

- Basada en redes neuronales de propagación hacia atrás.

- Detecta de forma automática la topología más adecuada para cada problema, aunque permite especificar una concreta.

- Permite predecir datos en forma de series temporales.

- Permite implementar regresión logística.

La predicción puede ser vista como la construcción y uso de modelos para evaluar las clases de una muestra sin clasificaciones, o para evaluar el valor, o rango de valores, que un atributo debería de tener para una muestra determinada. En el primer caso se dice que se está haciendo una clasificación de los datos, mientras que en el segundo, se dice que se está haciendo una predicción de valores, en otras palabras, la clasificación se refiere a predecir valores discretos o nominales, mientras que la predicción, propiamente dicha, se refiere al pronóstico de valores continuos.

MÉTODOS PREDICTIVOS EN MINERÍA DE DATOS

Los Métodos predictivos o de Aprendizaje supervisado se basan en entrenar a un modelo o método por medio de diferentes datos para poder predecir una variable partiendo de estos mismos datos.

Y con lo que el método ya aprendió, su respuesta será que eso es un cuadrado, porque ya lo aprendió con los datos anteriores, es por ello que se le llama aprendizaje supervisado o modelo predictivo porque queremos predecir ¿qué es? Esa nueva figura.

El objetivo de los modelos predictivos es describir una o más de las variables en relación con todas las demás, son conocidos como métodos asimétricos, supervisados o directos. Se llevan a cabo mediante la búsqueda de normas de clasificación o de predicción basada en los datos, estas normas nos ayudan a predecir o clasificar el resultado futuro de una o más variables de respuesta o de destino en relación a lo que ocurre en la práctica con los motivos que la causan o bien en relación con las variables de entrada. Los principales métodos de este tipo son los desarrollados en el ámbito de la máquina de aprendizaje, tales como las redes neuronales (perceptrón de multicapa y árboles de decisión), como también lo son modelos estadísticos clásicos, como los modelos de regresión lineal y logística.

Un modelo predictivo se basa en dos tablas, la tabla de aprendizaje o tabla de entrenamiento, con ella entrenamos al modelo.

Las variables Id, Reembolso, Estado civil e ingresos anuales se les llama predictores y la variable Fraude se le llama variable a predecir.

En esta tabla es dónde generamos el modelo con algún algoritmo, ya sea redes neuronales, árbol de decisión, etc. En la tabla de testing es dónde aplicamos el modelo generado para poder medir la calidad de nuestro modelo y saber si está prediciendo de manera correcta comparando lo que tenemos en la tabla de aprendizaje con lo que contiene la tabla de testing.

MINERÍA DE DATOS

La Minería de Datos es un proceso que tiene como propósito descubrir, extraer y almacenar información relevante de amplias bases de datos, a través de programas de búsqueda e identificación de patrones, y que sirva como base para la toma de decisiones.

Actualmente el proceso de Minería de Datos, al estar compuesto por varias etapas, hace el uso de diferentes disciplinas, como la visualización, la computación de alto rendimiento, la estadística, modelos matemáticos y la inteligencia artificial, los cuales le permiten obtener mejores resultados a la hora de extraer información de las bases de datos y entreguen información altamente significativa para la toma de decisiones en una organización.

Para poder obtener información que aporte conocimiento altamente valioso para las organizaciones, se requiere disponer de técnicas y métodos de análisis inteligente que aunque todavía no han sido perfectamente establecidos, están siendo desarrollados dentro de la inteligencia artificial con el fin de descubrir dicha información que se encuentra oculta en las bases de datos de la organizaciones.

MÉTODOS EN MINERÍA DE DATOS

Existen varios métodos y algoritmos que se pueden aplicar en el proceso de Minería de Datos, por lo que es importante tener una clasificación de los métodos existentes. La elección del método depende del problema en estudio o el tipo de datos disponibles, el proceso de extracción de datos se rige por las aplicaciones, por esta razón, los métodos utilizados se pueden clasificar de acuerdo con el objetivo de los análisis. Se pueden distinguir tres clases principales: