Tcnicas de Minera de

Datos

Tcnicas de Minera de
Datos
Las

tcnicas de Minera de Datos

(una etapa dentro del proceso
completo de KDD) intentan
obtener patrones o modelos a
partir de los datos recopilados.

Decidir

si los modelos obtenidos

son tiles o no suele requerir una
valoracin subjetiva por parte del
usuario.

Tcnicas de Minera de
Datos
Las

tcnicas de Minera de
Datos se clasifican en dos
grandes
categoras:
supervisadas o predictivas
y
no
supervisadas
o
descriptivas.

Tcnicas de Minera de
Datos
Numrico

Clustering
No
Supervisad
as

Conceptual
Probabilsti
co

Asociacin

A Priori
Regresin

Tcnicas

Prediccin

rboles de
prediccin
Estimador
de ncleos
Tabla de
decisin

Supervisad
as

rboles de
decisin
Induccin
de reglas
Clasificaci
n

Basado en
ejemplares
Redes de
neuronas
Lgica
borrosa
Tcnicas
genticas

Tcnicas de Minera de
Datos
Las

predicciones se utilizan para prever el

comportamiento futuro de algn tipo de
entidad mientras que una descripcin
puede ayudar a su comprensin.

Hay

algoritmos o tcnicas que pueden

servir para distintos propsitos,
por
ejemplo, las redes de neuronas pueden
servir para prediccin, clasificacin e
incluso para aprendizaje no supervisado.

Tcnicas de Minera de
Datos
El

aprendizaje inductivo no
supervisado
estudia
el
aprendizaje sin la ayuda del
maestro; es decir, se aborda el
aprendizaje sin supervisin y
trata de ordenar los ejemplos en
una jerarqua.

Tcnicas de Minera de
Datos
ste

es el proceder de los
sistemas que realizan clustering
conceptual y de los que se dice
tambin que adquieren nuevos
conceptos.
Otra
posibilidad
contemplada para estos sistemas
es la de sintetizar conocimiento
cualitativo o cuantitativo, objetivo
de los sistemas que llevan a cabo
tareas de descubrimiento.

Tcnicas de Minera de
Datos
En

el
aprendizaje inductivo
supervisado existe un atributo
especial,
normalmente
denominado clase, presente en
todos los ejemplos que especifica
si el ejemplo pertenece o no a un
cierto concepto, que ser el
objetivo del aprendizaje.

Tcnicas de Minera de
Datos
El

atributo clase normalmente

toma los valores + y -, que
significan la pertenencia o no del
ejemplo al concepto que se trata
de aprender; es decir, que el
ejemplo ejemplifica positivamente
al
concepto
-pertenece
al
concepto- o bien lo ejemplifica
negativamente -que no pertenece
al concepto.

Tcnicas de Minera de
Datos
Mediante

una generalizacin del

papel del atributo clase, cualquier
atributo puede desempear ese
papel,
convirtindose
la
clasificacin de los ejemplos
segn los valores del atributo
en cuestin, en el objeto del
aprendizaje.

Tcnicas de Minera de
Datos
Expresado

en una forma breve, el

objetivo
del
aprendizaje
supervisado es: a partir de un
conjunto
de
ejemplos,
denominados de entrenamiento,
de un cierto dominio D de ellos,
construir criterios para determinar
el valor del atributo clase en un
ejemplo cualquiera del dominio.

Tcnicas de Minera de
Datos

Esos criterios estn basados en los

valores de uno o varios de los otros
pares (atributo; valor) que intervienen
en la definicin de los ejemplos. Es
sencillo transmitir esa idea al caso en
el que el atributo que juega el papel
de la clase sea uno cualquiera o con
ms de dos valores.
Dentro de este tipo de aprendizaje se
pueden distinguir dos grandes grupos
de tcnicas: la prediccin y la
clasificacin.