5.4.- Minería De Datos (data Mining)
La minería de datos (DM) por las siglas en inglés data mining (es la etapa de análisis de Knowledge Discovery in Databases o KDD) es el proceso de extraer conocimiento útil y comprensible, previamente desconocido, desde grandes cantidades de datos almacenados en distintos formatos, es un campo de las ciencias de la computación. Las herramientas de data mining predicen futuras tendencias y comportamientos, permitiendo por ejemplo la toma de decisiones en los negocios.
El término es una palabra de moda,
y es frecuentemente mal utilizado para referirse a cualquier forma
de datos a gran escala o procesamiento de la información
(recolección, extracción, almacenamiento, análisis y estadísticas),
pero también se ha generalizado a cualquier tipo de sistema de
apoyo informático decisión, incluyendo la inteligencia artificial,
aprendizaje automático y la inteligencia empresarial.
La principal diferencia entre la minería de datos y las
estadísticas tradicionales es que la primera consiste en trabajar
con los datos de observación, mientras que la segunda comprende
datos experimentales controlados.
El data mining utiliza el análisis matemático para deducir
los patrones y tendencias que existen en los datos. Normalmente,
estos patrones no se pueden detectar mediante la exploración
tradicional de los datos porque las relaciones son demasiado
complejas o porque hay demasiado datos.
Un ejemplo de la aplicación práctica de la minería de datos sería
la de clasificar a los estudiantes de una universidad de acuerdo a
su rendimiento académico, para posteriormente encontrar patrones
ocultos y reglas que los caractericen; basado en las relaciones que
se establecen entre el centro de procedencia de los estudiantes,
nivel de escolaridad de los padres y provincia de origen con sus
resultados académicos en el primer curso en la universidad. Estos
resultados pueden mejorar el proceso de formación académica y
elevar la calidad de la enseñanza en la Universidad.
Otra de las aplicaciones prácticas más habituales es analizar el
comportamiento de compra de los clientes de las grandes superficies
para colocar ciertos productos en la misma zona, provocando una
mayor compra por impulso y asociación.
Un proceso típico de minería de datos consta de los siguientes
pasos generales:
- Análisis de las propiedades de los datos, en especial los histogramas, diagramas de dispersión, presencia de valores atípicos y ausencia de datos (valores nulos).
- Transformación del conjunto de datos de entrada, se realizará de diversas formas en función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se adapte a los datos y al problema, a este paso también se le conoce como preprocesamiento de los datos.
- Extracción de conocimiento, mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente de los datos.
- Interpretación y evaluación de datos, una vez obtenido el modelo, se debe proceder a su validación comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.Si el modelo final no superara esta evaluación el proceso se podría repetir desde el principio o, si el experto lo considera oportuno, a partir de cualquiera de los pasos anteriores. Esta retroalimentación se podrá repetir cuantas veces se considere necesario hasta obtener un modelo válido.
En la web de Universidad de Toronto se puede encontrar este práctico Mapa de Introducción al data mining, en el se muestran organizadas las diferentes fases habituales de un proceso de minería de datos, y las técnicas o algoritmos que se pueden utilizar en cada fase. Cada fase, agrupación o algoritmo está representado en un botón en el que se puede hacer click y llegar a una página de detalle del mismo.
Programas gratuitos de código abierto de minería de
datosOrange es una base de datos de minería y de los componentes y de aprendizaje automático suite de software que cuenta con fácil y potente, rápido y versátil de programación visual frontal-end para el análisis exploratorio de datos y visualización, y los enlaces de Python y bibliotecas de secuencias de comandos. Contiene juego completo de componentes para preprocesamiento de datos, característica que anota y filtrado, modelado, evaluación del modelo, y las técnicas de exploración. Está escrito en C + + y Python, y su interfaz gráfica de usuario se basa en el marco de Qt multiplataforma.
RapidMiner, antes llamado YALE (Yet Another Learning Enviroment), es un ambiente para aprendizaje automático y minería de datos de los experimentos que se utiliza para la investigación y en el mundo real los datos de tareas de minería de ambos. Permite a los experimentos que se compone de un gran número de operadores arbitrariamente encajables, que se detallan en los archivos XML y se hacen con la interfaz gráfica de usuario de RapidMiner. RapidMiner ofrece más de 500 operadores de máquina principal para todos los procedimientos de aprendizaje, y también se combina el aprendizaje de los regímenes y los evaluadores de atributos del medio ambiente de Weka aprendizaje. Está disponible como una herramienta independiente para el análisis de datos y como un motor de datos, minería de datos que se pueden integrar en sus propios productos.
Escrito en Java, Weka (Waikato Enviroment for Knowledge Analysis) es una conocidasuite de software para el aprendizaje y la máquina que soporta varias tareas de minería de datos típicos, especialmente los datos del proceso previo, el agrupamiento, clasificación, regresión, visualización y selección de características. Sus técnicas se basan en la hipótesis de que los datos están disponibles en un único archivo plano o una relación, donde se etiqueta cada punto de datos por un número fijo de atributos. WEKA proporciona acceso a bases de datos SQL utilizando Java Database Connectivity y puede procesar el resultado devuelto por una consulta de base de datos. Su interfaz de usuario principal es el Explorer, pero la misma funcionalidad que se puede acceder desde la línea de comandos oa través de la interfaz basada en componentes de flujo de conocimientos.
Diseñado para los científicos, ingenieros y estudiantes, jHepWork es un país libre y de código abierto de análisis de estructura de datos que se crea como un intento de hacer un análisis de entorno de datos usando paquetes de código abierto con una interfaz de usuario comprensible y para crear una herramienta competitiva para programas comerciales. Esto se hace especialmente para las parcelas científicas interactivas en 2D y 3D y contiene numérica bibliotecas científicas implementado en Java para funciones matemáticas, los números al azar, y otros algoritmos de minería de datos. jHepWork se basa en un lenguaje de programación de alto nivel Jython, pero Java codificación también se puede utilizar para llamar a bibliotecas jHepWork numérica y gráfica.
KNIME (Konstanz Information Miner) es de uso fácil y comprensible, y de fuente abierta de integración de datos, procesamiento, análisis, y la plataforma de exploración. Se ofrece a los usuarios la capacidad de crear de forma visual los flujos de datos o tuberías, ejecutar selectivamente algunos o todos los pasos de análisis, y luego estudiar los resultados, modelos y vistas interactivas. KNIME está escrito en Java y está basado en Eclipse y hace uso de su método de extensión para apoyar plugins proporcionando así una funcionalidad adicional. A través de plugins, los usuarios pueden añadir módulos de texto, imagen, y el procesamiento de series de tiempo y la integración de varios otros proyectos de código abierto, tales como el lenguaje de programación de R, WEKA, el Kit de desarrollo de la Química, y LIBSVM.
Fuente: TechSource | Fraterneo