Alain Rakotomamonjy - Gilles Gasso . INSA Rouen -Dpartement ASI Laboratoire PSI
Data-Mining : Kkec ?
Traduction : Fouille de donnes. Terme rcent (1995) reprsentant un mlange dides et doutils provenant de la Statistique, lIntelligence Articielle et lInformatique. La dnition exacte reste peu claire et les terminologies associes au Data-Mining sont encore oues.
Une dnition suivant un critre gocentr : Le data-mining est un processus de dcouverte de rgle, relations, corrlations et/ou dpendances travers une grande quantit de donnes, grce des mthodes statistiques, mathmatiques et de reconnaissances de formes. Autres dnitions : Le data-mining est un processus dextractions automatique dinformations predictives partir de grandes bases de donnes.
Exemples dapplications
Entreprise et Relation Clients : systme de cration de prols clients, ciblage de clients potentiels et nouveaux marchs Finances : minimisation de risque nanciers Bioinformatique : Analyse du gnome, mise au point de mdicaments, ... Internet : spam, e-commerce, dtection dintrusion etc... Scurit
Amazon
Opportunit : la liste des achats des clients est stocke en mmoire et par ailleurs, les utilisateurs du site notent les produits ! Comment tirer prot des choix dun utilisateur pour proposer des produits un autre client ? Solutions : technique dit de ltrage collaboratif permettant de regrouper des clients ayant les mmes gots
Prt Bancaire
Objectif des banques : rduire le risque des prts bancaires. Crer un modle partir de caractrisques des clients pour discriminer les clients risque des autres.
Exemple : on cherche estimer les liens entre les habitudes alimentaires et le risque dinfarctus. xi est un patient dcrit par d caractristiques concernant son rgime et yi une catgorie (risque, pas risque). On parle dapprentissage supervis car les yi permettent de guider le processus destimation
Exemples de mthodes : Mthode du plus proche voisin, rseaux de neurones, Sparateurs Vastes Marges, CART etc.. Exemples dapplications : dtection de fraude, marketing telphonique, changement doprateurs telphonique etc...
Exemple : On cherche tudier le panier de la mnagre dans une certaine zone dmographique en fonction de certains critres sociaux. x reprsente un individu travers ses caractristiques sociales et ses habitudes lors des courses
Exemples de mthodes : Classication hierarchique, Carte de Kohonen, K-means, extractions de rgles... Exemples dapplications : identication de segments de marchs, identication de document similaires,
Ensemble de donnes
Dans un problme de Data-Mining, les informations caractrisant une tude (un client pour un problme de e-commerce ou un dclaration dans le cas dun dtection de fraudes) sont prsentes sous la forme dattributs et dexemples. Attributs
Un attribut est un descripteur dune entit. On lappele galement variable, champs, caratristiques ou observations
Exemple
Un exemple est une entit caractrisant un objet et est donc constitu dattributs. synonymes : point, vecteur (surtout si les exemples sont dans Rn )
Type de donnes
Types
numrique continue : la valeur de la variable peut prendre une valeur dans R (par exemple : le montant du compte en banques de B. Spears). numrique discrte : la valeur de la variable appartient Z ou N (par exemple : lage du capitaine) catgorie : avec ou sans relation dordre (par exemple : { rouge, vert, bleu }). binaire Chanes de caractres (par exemple : un texte) Arbre : (par exemple Page XML) Donnes structures : graphe, enregistrement
Donnes et Mtriques
Que ce soit dans le cadre dun problme dapprentissage supervis ou non supervis, la plupart des algorithmes ncessite une notion de similarit dans lespace X des donnes. La similarit est traduite par la notion de distance.
distance x, x xx
euclidienne d R , on a d(x, x )
2
: =
d i=1 (xi
xi )2 =
(xi xi )
On cherche une fonction f : X Y qui a X associe f (X) qui permet destimer la valeur y associe x. f appartient un espace H appel Introduction au Data-Mining p. 16/2 espace dhypothses.
o R est appel le risque moyen ou erreur de gnralisation. Il est galement not EP E(f ) pour expected prediction error
Exemple de fonction cot et de risque moyen associ. L(Y, f (X)) = (Y f (X))2 L(Y, f (X)) = |Y f (X)|
|y f (x)|p(x, y)dx
On parle de rgression quand Y est un sous-espace de Rd . Les fonctions de cot typique sont (y f (x))2 et |y f (x)|
0.5
y 0.5 1 1.5 0
0.5
1.5
2.5 x
3.5
4.5
Discrimination
si Y est un ensemble discret non-ordonn, (par exemple {1, 1}), on parle de discrimination. La fonction de cot la plus usite est : (yf (x)) o est la fonction chelon.
0
1
1 0
1
1
1 0
1
1
L(yi , f (xi ))
i=1
Le risque empirique ne permet pas dvaluer la pertinence dun modle car il est possible de choisir f de sorte que le risque empirique soit nul mais que lerreur en gnralisation soit leve. On parle alors de sur-apprentissage
Illustration du sur-apprentissage
Erreur de prediction
Ensemble de Test
Slection de modles
Problmatique :
On cherche une fonction f qui minimise un risque empirique donn. On suppose que f appartient une classe de fonctions paramtres par . Comment choisir pour que f minimise le risque empirique et gnralise bien ? Exemple : On cherche un polynme de degr qui minimise un risque Remp (f ) = Objectifs :
i=1 (yi
f (xi ))2 .
1. proposer une mthode destimation dun modle an de choisir (approximativement) le meilleur modle appartenant lespace hypothses. 2. une fois le modle choisi, calculer son erreur de gnralisation.
Slection de modles
Cas idal :
On est dans un cas o les donnes abondent. Dans ce cas, on spare les donnes en 3 ensembles : donnes dapprentissage, donnes de validation et donnes de test. Le premier sert construire un modle, le deuxime estimer lerreur de ce modle. Le troisime ne sert quune fois : estimer lerreur en gnralisation du modle nal.
Cas usuel :
On est pauvre en donnes. Utilisation de mthodes analytiques (AIC, BIC, etc ...) ou de rchantillonage pour remplacer ltape de validation.
1. Sparer les donnes en K ensembles de part gales. 2. Pour chaque K , apprendre un modle en utilisant les K 1 autres ensemble de donnes et valuer le modle sur la K -ime partie. 3. Moyenner les K estimations de lerreur obtenues pour avoir lerreur de validation croise.
K=1 APP K=2 APP K=3 TEST K=4 APP K=5 APP
k=1
1 Nk
o f k est le modle f appris sur lensemble des donnes sauf la k -ime partie.
Proprits : Si K = , CV est approximativement un estimateur sans biais de lerreur en gnralisation. Linconvnient est quil faut apprendre 1 modle. typiquement, on choisit K = 5 ou K = 10 pour un bon compromis entre le biais et la variance de lestimateur.
Conclusions
Pour bien mener un projet de DM
Identier et noncer clairement les besoins. Crer ou obtenir des donnes reprsentatives du problme Identier le contexte de lapprentissage Analyser et rduire la dimension des donnes Choisir un algorithme et/ou un espace dhypothses. Choisir un modle en appliquant lalgorithme aux donnes prtraites. Valider les performances de la mthode.