Analoga

Significa comparacin o relacin entre varias razones o conceptos;

comparar o relacionar dos o ms objetos o experiencias, apreciando y
sealando
caractersticas
generales
y
particulares,
generando
razonamientos y conductas basndose en la existencia de las semejanzas
entre unos y otros.
En el aspecto lgico apunta a la representacin que logramos formarnos de
la realidad de las cosas. Partiendo de que las cosas son reales pero la
representacin cognoscitiva es una interpretacin subjetiva.
La representacin es algo ideal o lgico pero como objeto real del sujeto
que conoce, piensa y experimenta, recibe de ste ciertas propiedades como
la abstraccin, la universalidad, etc. que permite comparar un objeto con
otros, en sus semejanzas y en sus diferencias.
La analoga permite una forma inductiva de argumentar fundada en que si
dos o ms entidades son semejantes en uno o ms aspectos, entonces es
probable que existan entre ellos ms semejanzas en otras facetas.
En lingstica se plantea el problema de la univocidad, equivocidad y analoga
respecto al uso de las palabras o el sentido del discurso. Las figuras
retricas de la comparacin, la alegora y la metfora son las figuras a las
que la analoga presta su sentido. Asimismo por analoga se introducen
variaciones semnticas y etimolgicas.
En cuanto al comportamiento, el aprendizaje por la experiencia convertido
en reglas de conducta supone la confianza inductiva de que actuando de la
misma forma que en situaciones parecidas se obtendr el mismo resultado,
si ste es satisfactorio. El comienzo de la artesana y de la tcnica
encuentra aqu su fundamento.
La capacidad de imitacin del nio como tcnica de aprendizaje no es ms
que la analoga de que el comportamiento de los padres o de los seres a los
que hay que imitar es garanta del xito de la propia conducta, al menos
socialmente.
En Derecho constituye el fundamento de poder considerar casos
semejantes mediante una cuidadosa comparacin. Tal es el fundamento de la
jurisprudencia. Vase Analoga (Derecho).

En cuanto a la reflexin sobre la analoga como argumentacin la filosofa

tradicional distingue dos modos de analoga: de atribucin y de
proporcionalidad, siendo utilizada fundamentalmente en la demostracin de
la existencia de Dios.
La filosofa actual considera el problema de la analoga ligado a lo lgico y
lingstico.
APLICACIN

Minera de datos
La minera de datos (DM, Data Mining) consiste en la extraccin no trivial
de informacin que reside de manera implcita en los datos. Dicha
informacin era previamente desconocida y podr resultar til para algn
proceso. En otras palabras, la minera de datos prepara, sondea y explora
los datos para sacar la informacin oculta en ellos.
Bajo el nombre de minera de datos se engloba todo un conjunto de tcnicas
encaminadas a la extraccin de conocimiento procesable, implcito en las
bases de datos. Est fuertemente ligado con la supervisin de procesos
industriales ya que resulta muy til para aprovechar los datos almacenados
en las bases de datos.
Las bases de la minera de datos se encuentran en la inteligencia artificial y
en el anlisis estadstico. Mediante los modelos extrados utilizando
tcnicas de minera de datos se aborda la solucin a problemas de
prediccin, clasificacin y segmentacin.
Un proceso tpico de minera de datos consta de los siguientes pasos
generales:
1. Seleccin del conjunto de datos, tanto en lo que se refiere a las
variables objetivo (aquellas que se quiere predecir, calcular o inferir),
como a las variables dependientes (las que sirven para hacer el clculo
o proceso), como posiblemente al muestreo de los registros
disponibles.
2. Anlisis de las propiedades de los datos, en especial los histogramas,
diagramas de dispersin, presencia de valores atpicos y ausencia de
datos (valores nulos).
3. Transformacin del conjunto de datos de entrada, se realizar de
diversas formas en funcin del anlisis previo, con el objetivo de

prepararlo para aplicar la tcnica de minera de datos que mejor se

adapte a los datos y al problema, a este paso tambin se le conoce
como pre procesamiento de los datos.
4. Seleccionar y aplicar la tcnica de minera de datos, se construye el
modelo predictivo, de clasificacin o segmentacin.
5. Extraccin de conocimiento, mediante una tcnica de minera 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 asociacin entre dichas
variables. Tambin pueden usarse varias tcnicas a la vez para
generar distintos modelos, aunque generalmente cada tcnica obliga a
un pre procesado diferente de los datos.
6. Interpretacin y evaluacin de datos, una vez obtenido el modelo, se
debe proceder a su validacin comprobando que las conclusiones que
arroja son vlidas y suficientemente satisfactorias. En el caso de
haber obtenido varios modelos mediante el uso de distintas tcnicas,
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 evaluacin el proceso se podra repetir
desde el principio o, si el experto lo considera oportuno, a partir de
cualquiera de los pasos anteriores. Esta retroalimentacin se podr repetir
cuantas veces se considere necesario hasta obtener un modelo vlido.
Una vez validado el modelo, si resulta ser aceptable (proporciona salidas
adecuadas y/o con mrgenes de error admisibles) ste ya est listo para su
explotacin. Los modelos obtenidos por tcnicas de minera de datos se
aplican incorporndolos en los sistemas de anlisis de informacin de las
organizaciones, e incluso, en los sistemas transaccionales. En este sentido
cabe destacar los esfuerzos del Data Mining Group, que est
estandarizando el lenguaje PMML (Predictive Model Markup Language), de
manera que los modelos de minera de datos sean interoperables en
distintas plataformas, con independencia del sistema con el que han sido
construidos. Los principales fabricantes de sistemas de bases de datos y
programas de anlisis de la informacin hacen uso de este estndar.
Tradicionalmente, las tcnicas de minera de datos se aplicaban sobre
informacin contenida en almacenes de datos. De hecho, muchas grandes

empresas e instituciones han creado y alimentan bases de datos

especialmente diseadas para proyectos de minera de datos en las que
centralizan informacin potencialmente til de todas sus reas de negocio.
No obstante, actualmente est cobrando una importancia cada vez mayor la
minera de datos desestructurados como informacin contenida en ficheros
de texto, en Internet, etc.
Protocolo de un proyecto de minera de datos
Un proyecto de minera de datos tiene varias fases necesarias que son,
esencialmente:

Comprensin del negocio y del problema que se quiere resolver.

Determinacin, obtencin y limpieza de los datos necesarios.

Creacin de modelos matemticos.

Validacin, comunicacin, etc. de los resultados obtenidos.

Integracin, si procede, de los resultados en un sistema transaccional

o similar.

La relacin entre todas estas fases slo es lineal sobre el papel. En realidad,
es mucho ms compleja y esconde toda una jerarqua de subfases. A travs
de la experiencia acumulada en proyectos de minera de datos se han ido
desarrollando metodologas que permiten gestionar esta complejidad de una
manera ms o menos uniforme.
Tcnicas de minera de datos
Como ya se ha comentado, las tcnicas de la minera de datos provienen de
la Inteligencia artificial y de la estadstica, dichas tcnicas, no son ms que
algoritmos, ms o menos sofisticados que se aplican sobre un conjunto de
datos para obtener unos resultados.
Las tcnicas ms representativas son:

Redes neuronales.- Son un paradigma de aprendizaje y procesamiento

automtico inspirado en la forma en que funciona el sistema nervioso
de los animales. Se trata de un sistema de interconexin de neuronas
en una red que colabora para producir un estmulo de salida. Algunos
ejemplos de red neuronal son:
o El Perceptrn.

El Perceptrn multicapa.

Los Mapas Autoorganizados, tambin conocidos como redes de

Kohonen.

Regresin lineal.- Es la ms utilizada para formar relaciones entre

datos.
Rpida
y
eficaz
pero
insuficiente
en
espacios
multidimensionales donde puedan relacionarse ms de 2 variables.

rboles de decisin.- Un rbol de decisin es un modelo de prediccin

utilizado en el mbito de la inteligencia artificial, dada una base de
datos se construyen estos diagramas de construcciones lgicas, muy
similares a los sistemas de prediccin basados en reglas, que sirven
para representar y categorizar una serie de condiciones que suceden
de forma sucesiva, para la resolucin de un problema. Ejemplos:
o

Algoritmo ID3.

Algoritmo C4.5.

Modelos estadsticos.- Es una expresin simblica en forma de

igualdad o ecuacin que se emplea en todos los diseos
experimentales y en la regresin para indicar los diferentes factores
que modifican la variable de respuesta.

Agrupamiento o Clustering.- Es un procedimiento de agrupacin de

una serie de vectores segn criterios habitualmente de distancia; se
tratar de disponer los vectores de entrada de forma que estn ms
cercanos aquellos que tengan caractersticas comunes. Ejemplos:
o

Algoritmo K-means.

Algoritmo K-medoids.

Segn el objetivo del anlisis de los datos, los algoritmos utilizados se

clasifican en supervisados y no supervisados (Weiss y Indurkhya, 1998):

Algoritmos supervisados (o predictivos): predicen un dato (o un

conjunto de ellos) desconocido a priori, a partir de otros conocidos.
Algoritmos no supervisados (o del descubrimiento del conocimiento):
se descubren patrones y tendencias en los datos