qwertyuiopasdfghjklzxcvbn mqwertyuiopasdfghjklzxcv bnmqwertyuiopasdfghjklzx cvbnmqwertyuiopasdfghjkl DATA MINING zxcvbnmqwertyuiopasdfghj MILWAR CANQUI QUISPE klzxcvbnmqwertyuiopasdfg hjklzxcvbnmqwertyuiopasd fghjklzxcvbnmqwertyuiopa sdfghjklzxcvbnmqwertyuio pasdfghjklzxcvbnmqwertyu

iopasdfghjklzxcvbnmqwert yuiopasdfghjklzxcvbnmqwe rtyuiopasdfghjklzxcvbnmq wertyuiopasdfghjklzxcvbn mqwertyuiopasdfghjklzxcv bnmqwertyuiopasdfghjklzx cvbnmqwertyuiopasdfghjkl

SISTEMAS PARA TOMAS DE DECISIONES

DATA M ! !" Un algoritmo de minera de datos es n !on" nto de !#l! los $ reglas %e rsti!as & e 'ermite !rear n modelo de minera de datos a 'artir de los datos( Para !rear n modelo) el algoritmo anali*a 'rimero los datos 'ro'or!ionados) en + s!a de ti'os es'e!,i!os de 'atrones o tenden!ias( El algoritmo sa los res ltados de este an#lisis 'ara de,inir los 'ar#metros -'timos 'ara la !rea!i-n del modelo de minera de datos( A !ontin a!i-n) estos 'ar#metros se a'li!an en todo el !on" nto de datos 'ara e.traer 'atrones 'ro!esa+les $ estadsti!as detalladas( El modelo de minera de datos & e !rea n algoritmo a 'artir de los datos ' ede tomar di/ersas ,ormas) in!l $endo0

Un !on" nto de !l1steres & e des!ri+e !-mo se rela!ionan los !asos de n !on" nto de datos( Un #r+ol de de!isi-n & e 'redi!e n res ltado $ & e des!ri+e !-mo a,e!tan a este los distintos !riterios( Un modelo matem#ti!o & e 'redi!e las /entas( Un !on" nto de reglas & e des!ri+en !-mo se agr 'an los 'rod !tos en na transa!!i-n) $ las 'ro+a+ilidades de & e di!%os 'rod !tos se ad& ieran " ntos(

Tam+i2n ' ede sar algoritmos de minera de datos desarrollados 'or ter!eros & e ! m'lan la es'e!i,i!a!i-n OLE D3 'ara minera de datos) o desarrollar algoritmos 'ersonali*ados & e se ' eden registrar !omo ser/i!ios 'ara sarlos a !ontin a!i-n en el mar!o de la minera de datos de SQL Ser/er( La ele!!i-n del me"or algoritmo 'ara na tarea analti!a es'e!,i!a ' ede ser n desa,o( A n& e ' ede sar di,erentes algoritmos 'ara reali*ar la misma tarea) !ada no de ellos genera n res ltado di,erente) $ alg nos ' eden generar m#s de n ti'o de res ltado( T #$% D& A'"$( TM$% Anal$sis Ser/i!es in!l $e los sig ientes ti'os de algoritmos0

Algoritmos de !lasi,i!a!i-n) & e 'redi!en na o m#s /aria+les dis!retas) +as#ndose en otros atri+ tos del !on" nto de datos( Algoritmos de regresi-n) & e 'redi!en na o m#s /aria+les !ontin as) !omo las '2rdidas o los +ene,i!ios) +as#ndose en otros atri+ tos del !on" nto de datos( Algoritmos de segmenta!i-n) & e di/iden los datos en gr 'os) o !l1steres) de elementos & e tienen 'ro'iedades similares( Algoritmos de aso!ia!i-n) & e + s!an !orrela!iones entre di,erentes atri+ tos de n !on" nto de datos( La a'li!a!i-n m#s !om1n de esta !lase de algoritmo es la !rea!i-n de reglas de aso!ia!i-n) & e ' eden sarse en n an#lisis de la !esta de !om'ra( Algoritmos de an#lisis de se! en!ias) & e res men se! en!ias o e'isodios ,re! entes en los datos) !omo n ,l "o de r tas 4e+(

#rincipales caracter)sticas y objetivos

5(6 E.'lorar los datos & e se en! entran en las 'ro, ndidades de las +ases de datos( 7(6 Los datos se !onsolidan en n alma!2n de datos $ en mer!ados de datos8 en otros) se mantienen en ser/idores de Internet e Intranet( 9(6 El entorno de la minera de datos( :(6 Las %erramientas de la minera de datos ;(6 El minero <(6 = rgar $ sa! dir a men do im'li!a el des! +rimiento de res ltados /aliosos e ines'erados( >(6 Las %erramientas de la minera de datos se !om+inan ,#!ilmente $ ' eden anali*arse $ 'ro!esarse r#'idamente( ?(6 La minera de datos 'rod !e !in!o ti'os de in,orma!i-n0 @ Aso!ia!iones( @ Se! en!ias( @ Clasi,i!a!iones( @ Agr 'amientos( Pron-sti!os( *ases de un #royecto de MD Los 'asos a seg ir 'ara la reali*a!i-n de n 'ro$e!to de minera de datos son siem're los mismos) inde'endientemente de la t2!ni!a es'e!,i!a de e.tra!!i-n de !ono!imiento sada( El 'ro!eso de minera de datos 'asa 'or las sig ientes ,ases0 @ @ @ @ Ailtrado de datos( Sele!!i-n de Baria+les( E.tra!!i-n de Cono!imiento( Inter'reta!i-n $ E/al a!i-n(

'os algoritmos m+s utilizados en Data Mining E.isten m !%os algoritmos 'ara a'li!ar t2!ni!as de Data Mining) entre ellos tene4mos0 ,- ./-0- Este algoritmo genera !lasi,i!adores e.'resados en t2rminos de #r+oles de de!isi-n( 1- &l algoritmo de k2medias- Es n m2todo sim'le iterati/o & e 'arti!iona n !on" nto de datos en n n1mero 're6es'e!i,i!ado de !onglomerados( 3- %4M 5Support Vector Machine6- Mediante el a'rendi*a"e) este algoritmo trata de en!ontrar la me"or , n!i-n de !lasi,i!a!i-n 'ara disting ir en miem+ros de distintas !lases(

De todos tal /e* el algoritmo m#s !om'le"o de entender( Es tili*ado !on m $ + enos res ltados en 'ro+lemas de regresi-n o !lasi,i!a!i-n( Se a'o$a en la teora del #lge+ra lineal) de modo & e na SBM , n!iona !omo n modelo & e 'one en !orres'onden!ia ' ntos de es'a!ios /e!toriales di,erentes( /- &l algoritmo a priori- Este m2todo en! entra !on" ntos de tems ,re! entes sando genera!i-n !andidata( 0- &l algoritmo &M- Es tili*ado 'ara !lasi,i!ar datos de nat rale*a !ontin a $ 'ara estimar s !orres'ondiente , n!i-n de densidad( 7- #age(ank- Es n algoritmo de +1s& eda so+re %i'er/n! los en la 4e+( Gra!ias a este m2todo es & e Google , n!iona( 8- Ada9oost- Em'lea m2todos & e resol/er n 'ro+lema( tili*an m1lti'les learners 'ara

:- k!!- Memori*a el !on" nto de datos de entrenamiento $ reali*a na !lasi,i!a!i-n s-lo si los atri+ tos del o+"eto de 'r e+a !oin!iden e.a!tamente !on los e"em'los del entrenamiento( Este algoritmo s ele tili*arse 'ara 'ro+lemas de !lasi,i!a!i-n $ se +asa en la estima!i-n del /alor de la , n!i-n de densidad de 'ro+a+ilidad( Tiene m !%as /aria!iones $ /iene im'lementado en los so,t4are m#s !ono!idos 'ara %a!er Data Mining( ;- 9ayes ingenuo 5Naive Bayes6- Dado n !on" nto de o+"etos) & e 'ertene!en a na !lase !ono!ida) !onstr $e na regla & e 'ermite asignar o+"etos , t ros a na !lase( M $ sen!illo de tili*ar $ +astante r#'ido( El algoritmo es demasiado sen!illo) in!l so as sta el %e!%o de & e %aga tantas s 'osi!iones 'ara sim'li,i!ar el 'ro+lema( Para 'ro+lemas donde se tenga na !lase !ono!ida s ele , n!ionar +astante +ien 'ara determinar n modelo de !lasi,i!a!i-n de otros elementos( ,<.A(T 5Classification and Regression Trees6- Se trata de n 'ro!edimiento re! rsi/o de 'arti!i-n !a'a* de 'ro!esar atri+ tos nominales $ !ontin os !omo o+"eti/os o 'redi!tores( ,,(andom*orest( Un algoritmo +astante ro+ sto si se le sa+e 'arametri*ar( Utili*a na !om+ina!i-n de m !%os #r+oles sen!illos 'redi!tores in!orrela!ionados $ l ego 'romedia s s res ltados 'ara o+tener n res ltado( Es m $ 1til 'ara modelos de 'redi!!i-n) algo !om'le"o de 'arametri*ar) ' es es sensi+le a la !antidad de #r+oles & e se tili!en $ la ,orma en & e se tomen los datos 'ara garanti*ar inde'enden!ia entre ellos( ,1.=A D( Algoritmo ro+ sto) m $ + eno 'ara 'ro+lemas de !lasi,i!a!i-n( Lo %e tili*ado 'ara 'ro+lemas de 'redi!!i-n churn rate $ se !om'orta +astante +ien en !asos de datos ,altantes $ ante datos nominales $ !ateg-ri!os(