Upload
jorge-parra
View
223
Download
0
Embed Size (px)
DESCRIPTION
asdf asdf asdf asdf asdcasdcrga brmep
Citation preview
MINERIA DE DATOS Data Mining
ObjetivosDescubrimientoExtraer informacin de un conjunto de datos, para convertirlos en un conocimiento til.Realiza el anlisis automtico o semiautomtico de grandes cantidades de datos para extraer patrones.
Tcnicas AplicadasPredictivas o de aprendizaje supervisado: Orientadas a estimar valores de salida.Clasificacin.Regresin.Descriptivas o aprendizaje no supervisado: Orientadas a describir un conjunto de datos.AgrupamientoAsociacinSecuenciacinPredictivas - Clasificacin
Predictivas - Regresin
Algunos EjemplosDescriptivas - Agrupamiento
Descriptivas - Asociacin
Descriptivas - Secuenciacin
ClasificacinAprendizaje basado en casos o instancias.Metodos basados en vecindad.K-Vecinos mas CercanosN = numero de casosn = variables predictoriask = numero de casos mas cercanos a tener en cuenta del nuevo caso a clasificar.m = Posibles valores.
Dicho de otra forma
Algoritmodi = distancia desde el caso ya clasificado hasta el nuevo caso a clasificarD = Conjunto de N casos ya clasificadosx = nuevo caso a clasificar
COMIENZO:D = {(x1, c1), . . . ,(xN , cN )} -> Conjunto de N casos ya clasificadosx = (x1, . . . , xn) ->nuevo caso a clasificarPARA todo objeto ya clasificado (xi , ci)calcular di = d(xi , x) Ordenar di(i = 1, . . . , N) -> en orden ascendenteQuedarnos con los K casos de D sub x hasta k ya clasificados mas cercanos a xAsignar a x la clase mas frecuente en D sub x hasta kFINComplejidadO(DxN) siendo N el numero de tuplas y D su numero de caractersticas.