Mineria de senyes
La mineria de senyes o exploració de senyes (és l'etapa d'anàlisis de knowledge discovery in databases o KDD) és un camp de l'estadística i les ciències de la computació referit al procés que intenta descobrir patrons en grans volums de conjunts de senyes.[1][2] Utilisa els métodos de la inteligència artificial, aprenentage automàtic, estadística i sistemes de bases de senyes. L'objectiu general del procés de mineria de senyes consistix en extraure informació d'un conjunt de senyes i transformar-la en una estructura comprensible per al seu us posterior. Ademés de l'etapa d'anàlisis en bruto, supon aspectes de gestió de senyes i de bases de senyes, de processament de senyes, del model i de les consideracions d'inferència, de mètriques d'interessos, de consideracions de la teoria de la complexitat computacional, de post-processament de les estructures descobertes, de la visualisació i de l'actualisació en llínea.
El terme és un concepte de moda, i és freqüentment mal utilisat per a referir-se a qualsevol forma de senyes a gran escala o processament de l'informació (recolecció, extracció, almagasenament, anàlisis i estadístiques), pero també s'ha generalisat a qualsevol tipo de sistema informàtic de respal a decisions, incloent l'inteligència artificial, aprenentage automàtic i l'inteligència empresarial. En l'us de la paraula, el terme clau és el descobriment, comunament es definix com «la detecció d'alguna cosa nou». Inclús el popular llibre «La mineria de senyes: sistema de pràctiques ferramentes d'aprenentage i tècniques en Java» (que cobrix tot el material d'aprenentage automàtic) originalment anava a ser cridat simplement «la màquina d'aprenentage pràctic», i el terme mineria de senyes es va afegir per raons de màrqueting. A sovint, els térmens més generals «anàlisis de senyes», «anàlisis»; o, quan es referixen als métodos actuals, «inteligència artificial» i «aprenentage automàtic», són més apropiats.
La tasca de mineria de senyes real és l'anàlisis automàtic o semiautomàtic de grans cantitats de senyes per a extraure patrons interessants fins ara desconeguts, com els grups de registres de senyes (anàlisis clúster), registres poc usuals (la detecció d'anomalies) i dependències (mineria per regles d'associació). Açò generalment implica l'us de tècniques de bases de senyes com els índexs espacials. Estos patrons poden llavors ser vists com una espècie de resum de les senyes d'entrada, i poden ser utilisats en l'anàlisis adicional o, per eixemple, en l'aprenentage automàtic i anàlisis predictiu. Per eixemple, el pas de mineria de senyes podria identificar varis grups en les senyes, que després poden ser utilisats per a obtindre resultats més precisos de predicció per un sistema de soport de decisions. Ni la recolecció de senyes, la preparació de senyes, ni l'interpretació dels resultats i l'informació són part de l'etapa de mineria de senyes, pero que pertanyen a tot el procés KDD com a passos adicionals.Erro en la cita: Element <ref> no vàlit;
les referencies sense nom deuen de tindre contingut
Els térmens relacionats en l'obtenció de senyes, la peixca de senyes i espionage de les senyes es referixen a l'utilisació de métodos de mineria de senyes a les parts de la mostra d'un conjunt de senyes de població més grans establides que són (o poden ser) massa menudes per a les inferència estadístiques fiables que es va fer sobre la validea de qualsevol patró descobert. Estos métodos poden, no obstant, ser utilisats en la creació de noves hipòtesis que es proven contra poblacions de senyes més grans.
Si be la mineria de senyes té moltes ventages, inclosa la capacitat de compartir informació, també existixen desventages relacionades en la privacitat. En fer que l'informació estiga disponible, les empreses poden promoure els problemes de privacitat i seguritat. Algunes solucions sugerides pels investigadors impliquen diferents formes de protegir la privacitat, inclosa la llimitació de l'accés a les senyes, l'eliminació d'agrupacions que no són essencials o l'aument de les senyes.[3]
Procés
[editar | editar còdic]Un procés, entenent-se com a conjunt d'etapes successives, típic de mineria de senyes consta dels següents passos generals:
- Selecció del conjunt de senyes, tant pel que fa a les variables objectiu (aquelles que es vol predir, calcular o inferir), com a les variables independents (les que servixen per a fer el càlcul o procés), com possiblement al mostreig dels registres disponibles.
- Anàlisis de les propietats de les senyes, en especial els histogramas, diagrames de dispersió, presència de valors atípics i absència de senyes (valors nuls).
- Transformació del conjunt de senyes d'entrada, es realisarà de diverses formes en funció de l'anàlisis previ, en l'objectiu de preparar-ho per a aplicar la tècnica de mineria de senyes que millor s'adapte a les senyes i al problema, a este pas també se li coneix com preprocesamiento de les senyes. Un problema substancial associat al desenroll d'este tipo de sistemes quan contenen text en anglés és el tamany del seu vocabulari; que és més gran que el de qualsevol atra Llengua en el món. Un método que s'està ara utilisant en estos casos és el de simplificació abans de procedir en el procés, per mig de convertir dit text a Inglés bàsic; mateixa que conté solament 1000 paraules que també s'utilisen per a descriure en notes al peu el sentit de les més de 30 000 paraules definides en el «Diccionari Bàsic de Ciències».[4]
- Selecció i aplicació de la tècnica de mineria de senyes, es construïx el model predictiu, de classificació o segmentación.
- Extracció de coneiximent, per mig d'una tècnica de mineria de senyes, s'obté un model de coneiximent, que representa patrons de comportament observats en els valors de les variables del problema o relacions d'associació entre dites variables. També poden usar-se vàries tècniques al mateix temps per a generar distints models, encara que generalment cada tècnica obliga a un preprocesado diferent de les senyes.
- Interpretació i evaluació de senyes, una volta obtingut el model, es deu procedir a la seua validació comprovant que les conclusions que tira són vàlides i suficientment satisfactòries. En el cas d'haver obtingut varis models per mig de l'us de distintes tècniques, es deuen comparar els models en busca d'aquell que s'ajuste millor al problema. Si cap dels models alcança els resultats esperats, deu alterar-se algun dels passos anteriors per a generar nous models.
Si el model final no superara esta evaluació el procés es podria repetir des del principi o, si el creador ho considera oportú, a partir de qualsevol dels passos anteriors. Esta retroalimentación («feedback») es podrà repetir quantes voltes es considere necessari fins a obtindre un model vàlit.
Una volta validat el model, si resulta ser acceptable (proporciona eixides adequades o en màrgens d'error admissibles) este ya està llest per a la seua explotació. Els models obtinguts per tècniques de mineria de senyes s'apliquen incorporant-los en els sistemes d'anàlisis d'informació de les organisacions, i inclús, en els sistemes transaccionals. En este sentit cal destacar els esforços del Data Mining Group, que està estandardisant el llenguage PMML (Predictive Model Markup Language), de manera que els models de mineria de senyes siguen interoperables en distintes plataformes, en independència del sistema en el que han segut construïts. Els principals fabricants de sistemes de bases de senyes i programes d'anàlisis de l'informació fan us d'este estàndar.
Tradicionalment, les tècniques de mineria de senyes s'aplicaven sobre informació continguda en almagasenes de senyes. De fet, moltes grans empreses i institucions han creat i alimenten bases de senyes especialment dissenyades per a proyectes de mineria de senyes en les que centralisen informació potencialment útil de totes les seues àrees de negoci. No obstant, actualment està cobrant una importància cada volta major la mineria de senyes desestructurados com a informació continguda en fichers de text, en Internet, etc.
Protocol d'un proyecte de mineria de senyes
[editar | editar còdic]Un proyecte de mineria de senyes té cinc fases necessàries que són, essencialment:
- Comprensió: del negoci i del problema que es vol resoldre.
- Determinació, obtenció i neteja: de les senyes necessàries.
- Creació de models matemàtics.
- Validació, comunicació: dels resultats obtinguts.
- Integració: si procede, dels resultats en un sistema transaccional o similar.
La relació entre totes estes fases solament és llineal sobre el paper. En realitat, és molt més complexa i amaga tota una jerarquia de subfases. A través de l'experiència acumulada en proyectes de mineria de senyes s'han anat desenrollant metodologia que permeten gestionar esta complexitat d'una manera més o menys uniforme.[5]
Referències
[editar | editar còdic]- ↑ Oded Maimon and Lior Rokach (2010). Data Mining and Knowledge Discovery Handbook, Springer, New York. ISBN ISBN 978-0-387-09823-4.
- ↑ «Data mining». kaspersky.com. Consultat el 5 d'abril de 2019.
- ↑ Security and privacy implications of data mining. In ACM SIGMOD Workshop on Research Issues on Data Mining and Knowledge Discovery.
- ↑ «Simplish Simplification and Summarization Tool». The Goodwill Consortium. Consultat el 5 d'octubre de 2019.
- ↑ «Data Mining and Rasch Measurement».
- Este artícul conté una traducció derivada de «Minería de datos» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.