Análisis datamining a través de descomposición

de valores singulares
Brayan Llanos Hoyos1 , Leonardo Martes Garcia2 , and Jeffreey Taylor Maza3

1
Corporación Universitaria Americana

ABSTRACT. Car Evaluation Dataset evaluate the target con-
cept (CAR) with 3 other intermediate concept. PRICE (over-
all price),TECH (technical characteristic) and COMFORT
(comfort). Now totally we have 6 attribute, each attribute
is a part of one of the intermediate concept as described
above.These attributes are:
1. Buying (buying price)
2. Maint (price of maintenance)
3. Doors (number of doors)
4. Persons (capacity in terms of persons to carry)
5. Lug Boot (the size of luggage bot)
6. Safety (estimated safety of he car)
The number of the instances in the training data are 1728 ,
and there are 6 number of attributes as mentioned above. This
is basically a multi-class classification problem. we will clas-
sify the instance into 4 classes: Here are the attribute values:
Table 1: Attribute values
• buying (v-high, high, med, low)
• maint (v-high, high, med, low)
INTRODUCCIÓN. En el presente escrito analizaremos por
medio de minería de datos un conjunto de datos multivari-
able el cual se derivó por Marko Bohanec y Blaz Zupan de
un modelo de decisión jerárquico simple desarrollado origi-
nalmente para la demostración de DEX haciendo uso del Car
Evaluation Data Set. Este conjunto de datos contiene 1728
números de instancias, 6 números de atributos y 4 números
de clases. Los atributos de entrada se imprimen en minús-
culas. Además del concepto objetivo (CAR), el modelo in-
cluye tres conceptos intermedios: PRECIO, TECHO, CON-
FORT. Cada concepto está en el modelo original relacionado
con sus descendientes de nivel inferior mediante un con-
junto de ejemplos (para estos conjuntos de conjuntos, con-
sulte https://archive.ics.uci.edu/ml/datasets/Car+Evaluation).
La base de datos de evaluación de automóviles contiene
ejemplos con la información estructural eliminada, es decir,
relaciona directamente a CAR con los seis atributos de en-
trada: compra, mantenimiento, puertas, personas, lug boot,
seguridad. Debido a la estructura de concepto subyacente
conocida, esta base de datos puede ser particularmente útil
para probar la inducción constructiva y los métodos de de-
scubrimiento de estructuras, derivado de un modelo de de-
cisión jerárquico simple, esta base de datos puede ser útil para
probar la inducción constructiva y los métodos de descubrim-
iento de estructuras. Como entorno de desarrollo, utilizare-
mos el IDE de Matlab en su versión R2017b para programar
las distintas graficas en 2D y 3D implementando clúster por
medio de KMEANS.

ESTADO DEL ARTE. Es un conjunto de técnicas que per-

• doors (2, 3, 4, 5- more)
miten explorar grandes bases de datos con el objetivo de
hallar patrones que nos permitan tomar decisiones sobre ac-
• persons (2, 4, more)
ciones futuras. Normalmente, estos patrones no son detecta-
bles con las técnicas tradicionales de exploración de datos ya
• lug boot (small, med, big) que sus relaciones pueden ser complejas o porque hay de-
masiada cantidad de información.
• safety (low, med, high) La generación de un modelo de minería de datos es un pro-
ceso extenso, el cual se puede resumir en las siguientes fases:
Table 2: Class Distribution (number of instance per class)
• Definir el problema: consiste en definir claramente el
• unacc:1210 problema y considerar formas de usar los datos para
proporcionar una respuesta para el mismo.
• acc:384
• Preparar los datos: En este fase se hace una limpieza
• good:69 de los datos, se detectan valores anómalos, valores fal-
tantes y registros de baja calidad. También se hace una
• v-good:65 transformación y reducción de los datos ya que esto es

Brayan Llanos , Leonardo Martes , Jeffreey Taylor et al. | bioRχiv | June 28, 2019 | 1–8
 muy importante si se quieren obtener unos resultados
exitosos.
• Explorar los datos: Dentro de esta fase se utilizan téc-
nicas para explorar la información, entre las que cabe
destacar el cálculo de los valores mínimos y máximos,
calcular la media y la desviación estándar, y examinar
la distribución de los datos.
• Generar los modelos: En esta fase se define el mejor
algoritmo a usar para procesar la información. Esto va
a depender mucho del problema que se vaya a resolver.
Entre los algoritmos más utilizados se encuentran los
de asociación, los clústeres, los de árbol de decisión,
los de regresión lineal, entre otros.
• Explorar y validar los modelos: Consiste en explorar
los modelos de minería de datos que ha generado y
comprobar su eficacia.
• Implementar y actualizar los modelos: en esta fase
se hace la implementación de los modelos creados
para lograr los resultados deseados y hacer el posterior
análisis de la información
Fig. 1. Fases de la minería de datos
TÉCNICAS Y ALGORITMOS DE MINERÍA DE DATOS
DISTRIBUIDA. Las técnicas y algoritmos de MDD que se
han diseñado se benefician, en general, del potencial par-
alelismo que pueden aplicar sobre las fuentes de datos dis-
tribuidos. Típicamente el mismo algoritmo opera simultánea-
mente sobre cada nodo de datos distribuido, produciendo un
modelo local por cada nodo. Por lo tanto, todos estos mod-
elos parciales deben ser posteriormente integrados para pro-
ducir el modelo final. El éxito de los algoritmos de MDD
radica, esencialmente, en la calidad de la integración de los
modelos parciales. Cada uno de estos modelos representa
patrones coherentes localmente, pero pueden carecer de de-
talles necesarios para la obtención del modelo global. Para
compensar esta carencia, es posible, como hacen algunos al-
goritmos de MDD, centralizar un subconjunto de los datos
distribuidos. Sin embargo, minimizar la transferencia de
datos es otra de las claves para el éxito de un algoritmo de
2 | bioRχiv
Fig. 2. Procesamiento de BigData
MDD. La mayoría de las técnicas y algoritmos de minería de
datos para BDD que se han definido, constituyen extensiones
de técnicas clásicas de minería de datos para bases de datos
relacionales. A continuación, se comentan algunas propues-
tas. La MDD desde fuentes homogéneas, conlleva la inte-
gración o combinación de diferentes modelos de minería de
datos extraídos desde cada repositorio (modelos parciales),
como si fueran modelos correspondientes a muestras difer-
entes o poblaciones diferentes de los mismos “tipos” de indi-
viduos. Entre las alternativas que existen para minar BDD
homogéneas se encuentran: el meta-aprendizaje, que con-
siste en usar inicialmente técnicas de aprendizaje supervisado
para detectar conceptos en las bases de datos locales, y luego,
aprender meta-conceptos desde un conjunto de datos gener-
ados usando los conceptos localmente aprendidos, y las téc-
nicas basadas en el aprendizaje bayesiano, que consisten en
considerar agentes bayesianos que estiman los parámetros de
la distribución objetivo y una población de sistemas de apren-
dizaje que combinan las salidas de los modelos bayesianos
producidos.
ESTÁNDARES EN MINERÍA DE DATOS. Emplear están-
dares en minería de datos simplifica la integración, actual-
ización y mantenimiento de las aplicaciones y los sistemas
que soportan tareas de minería de datos. Los estándares en
minería de datos establecidos y los que están en definición
actualmente, se ocupan de varios elementos, entre estos:
• Representación e intercambio de modelos estadísticos
y de minería de datos.
• Representación y especificación de tareas de limpieza,
transformación y agregación de los atributos usados
como entradas en la creación de los modelos.
• Representación de parámetros internos requeridos para
la construcción y uso de los modelos.
• Metodologías para el desarrollo de aplicaciones de
minería de datos: creación de modelos, despliegue y
uso de los mismos.
Brayan Llanos , Leonardo Martes , Jeffreey Taylor et al. | Electiva de Profundización 4
 • Interfaces y APIs para garantizar el enlace necesario
entre diferentes lenguajes y sistemas.
• Análisis de datos remotos y distribuidos.
INTELIGENCIA DE NEGOCIOS BI. La Inteligencia de Ne-
gocios BI (Business Intelligence) es una herramienta bajo la
cual diferentes tipos de organizaciones, pueden soportar la
toma de decisiones basadas en información precisa y opor-
tuna; garantizando la generación del conocimiento necesario
que permita escoger la alternativa que sea más conveniente
para el éxito de la empresa. La investigación comienza con
la denición y aplicaciones de BI; además se muestran tra-
bajos relevantes en algunas de las herramientas para hacer
BI, como son Data Warehouse (Bodega de Datos), Olap (Cu-
bos Procesamiento Analítico en Línea), Balance Scorecard
(Cuadro de Mando) y Data Mining (Minería de Datos).
CLUSTERING ANALYSIS PARA IDENTIFICAR GRU-
POS OBJETIVO. El análisis cluster permite identificar den-
tro de un archivo un determinado grupo de usuarios según
características comunes. Estas características pueden ser la
edad, la procedencia geográfica, el título de estudio, etc. Se
trata de una técnica de data mining que en el marketing es
útil para segmentar la base de datos y enviar, por ejemplo,
una cierta promoción al objetivo apropiado para ese producto
o servicio (jóvenes, madres, jubilados, etc.). Las combina-
ciones de variables son infinitas y hacen que el análisis cluster
sea más o menos selectivo según las exigencias de búsqueda.
CLASSIFICATION ANALYSIS PARA IDENTIFICAR
SPAM Y MÁS. Análisis clasificatorio, la técnica de data
mining que permite reconocer los llamados pattern (es-
quemas que se repiten) dentro de una base de datos. Una
solución eficaz para que rinda más tu estrategia de marketing,
eliminar lo superfluo y crear sub-archivos optimizados.
ASSOCIATION RULE LEARNING PARA DESCUBRIR
LA RELACIÓN ENTRE DATOS. La utilización común del
association rule learning concierne a las actividades de venta
de productos, en especial para grandes volúmenes. Tanto si es
online a través de un e-commerce o en persona en una tienda
(o un centro comercial), se crean relaciones interesantes en-
tre los datos que posees. Relaciones que no sospechabas o
que ni siquiera te imaginabas. ¿Un ejemplo? El 90% de
los clientes que compran online un producto también com-
pran otro, siempre lo mismo. Detalles que nos permiten crear
ofertas de marketing específicas, promociones especiales y
fórmulas exitosas.
TECNICA UTILIZADA SVD. Es una factorización matricial,
de manera informal se puede decir que la SVD diagonaliza
una matriz por medio de dos bases ortonormales de vectores
propios. Esta descomposición extrae información sobre la
matriz, como su rango, la proyección ortogonal sobre su im-
agen, etc. En otras palabras, es una técnica de factorización
de matrices que permite descomponer una matriz A en otras
tres matrices U, S, y V de la siguiente manera:
Brayan Llanos , Leonardo Martes , Jeffreey Taylor et al. | Electiva de Profundización 4
Es decir, que el producto matricial de la matriz U por S por
V da como resultado la matriz inicial A.
Respecto a las dimensiones de las matrices tenemos que la
matriz A va a tener unas dimensiones de (n × m) es decir n
filas y m columnas. La matriz U va a tener dimensión (n × n),
la matriz S tendrá dimensión (n × m) y por último la matriz V
tendrá dimensión (m × m). Al ser V una matriz cuadrada las
dimensiones de la matriz traspuesta serán las mismas que la
matriz original. A continuación mostramos como serían las
dimensiones de las matrices para esta descomposición:
Las matrices U y V han de cumplir las siguientes propiedades
respectivamente: Es decir, dada una matriz real A, encontrar
una "diagonal" positiva S y matrices ortogonales U y V tales
que A = USV T. Este problema aparece en distintas áreas
como el procesamiento de señales, la minería de datos, la
compresión de imágenes digitales, entre otras.
DESCOMPOSICION ESPECTRAL SVD. En matemáticas,
y más especialmente en álgebra lineal y análisis funcional,
el teorema de descomposición espectral, o más brevemente
teorema espectral, expresa las condiciones bajo las cuales un
operador o una matriz pueden ser diagonalizados (es decir,
representadas como una matriz diagonal en alguna base). Se
idéntica así, un tipo de operadores lineales que pueden rep-
resentarse como una multiplicación de operadores. Ejemplos
de los operadores a los que se aplica este teorema son los op-
eradores auto adjuntos, o más en general, los operadores nor-
males en espacios de Hilbert. El Teorema Espectral, propor-
ciona, además, una descomposición canónica (llamada de-
scomposición espectral) del espacio vectorial sobre el cual
actúa el operador. El teorema espectral es también válido
para operadores simétricos en espacios de dimensión nita con
producto interior real. La descomposición espectral de un op-
erador A que tiene una base ortonormal de vectores propios,
se obtiene agrupando todos los vectores que corresponden al
mismo valor propio.
KMEANS. K-means es un algoritmo de clasificación no su-
pervisada (clusterización) que agrupa objetos en k grupos
basándose en sus características. El agrupamiento se real-
iza minimizando la suma de distancias entre cada objeto y
el centroide de su grupo o cluster. Se suele usar la distancia
cuadrática. El algoritmo consta de tres pasos:
• Inicialización: una vez escogido el número de grupos,
bioRχiv | 3
 k, se establecen k centroides en el espacio de los datos,
por ejemplo, escogiéndolos aleatoriamente.
• Asignación objetos a los centroides: cada objeto de los
datos es asignado a su centroide más cercano.
• Actualización centroides: se actualiza la posición
del centroide de cada grupo tomando como nuevo
centroide la posición del promedio de los objetos
pertenecientes a dicho grupo.
En el IDE de Matlab en su versión R2017b, implementamos
KMEANS de la siguiente forma: kmeans(U.2), indicando en Fig. 4. Grafico obtenido en 3D

el segundo parámetro cuantos cluster queremos ver. PROYECCION DE LOS DATOS EN 2D Y 3D KMEANS.
A continuación, mostramos las graficas resultantes con la in-
DESCRIPCION DEL PROBLEMA Y DEL DATASET. Se strucción kmeans:
tiene en un Dataset un conjunto de datos que contiene 4
clases, 6 atributos y 1728 instancias cada una, donde cada
clase se refiere a un tipo de auto. Una clase es linealmente
separable de la otras 2; estos últimos no son linealmente sep-
arables entre sí. Información de las clases: unacc acc, good,
vgood Información de los atributos:
• Compra: vhigh, high, med, low.
• Maint: vhigh, high, med, low.
• Puertas: 2, 3, 4, 5más.
• Personas: 2, 4, más.
Fig. 5. Grafico obtenido en 2D con kmeans
• Lug_boot: pequeño, med, grande.
• Seguridad: baja, media, alta.

TECNICA UTILIZADA PARA DESAROLLAR EL PROB-

LEMA. Para solucionar esta actividad teniendo en cuenta que
ya poseemos un dataset se implementó el meto de Singular
Value Decomposition (SVD), con este método se podrá cal-
cular la descomposición de valor singular de una matriz, us-
ando SVD. Esta función le permite calcular valores singu-
lares de una matriz por separado o tanto valores singulares
como vectores singulares en una llamada de función. Para
calcular solo valores singulares, use SVD sin argumentos de
salida. A continuación, mostramos los resultados de la solu- Fig. 6. Grafico obtenido en 3D con kmeans
ción del problema.
Conclusión
PROYECCION DE LOS DATOS EN 2D Y 3D. A contin-
Las técnicas de minería de datos se pueden clasificar amplia-
uación, mostramos las graficas resultantes:
mente en clasificación, regresión y agrupamiento. Hay varias
aplicaciones de cada uno de estos. También hay muchas her-
ramientas disponibles que proporciona métodos para hacer
diferentes operaciones. Como WEKA, Matlab Shogun, Or-
ange, Scikit-learn, etc. En resumen, el datamining se pre-
senta como una tecnología emergente, con varias ventajas:
por un lado, resulta un buen punto de encuentro entre los
investigadores y las personas de negocios; por otro, ahorra
grandes cantidades de dinero a una empresa y abre nuevas
oportunidades de negocios. Además, no hay duda de que
trabajar con esta tecnología implica cuidar un sinnúmero de
detalles debido a que el producto final involucra la toma de
decisiones.
Fig. 3. Grafico obtenido en 2D

4 | bioRχiv Brayan Llanos , Leonardo Martes , Jeffreey Taylor et al. | Electiva de Profundización 4
Bibliography
[1]C. computing, "Los datos marcan la diferencia en
la capacitación", Ibm.com, 2019. [Online]. Avail-
able: https://www.ibm.com/developerworks/ssa/library/cc-
cognitive-big-brained-data-pt1/index.html.
[2]"Conceptos de minería de datos", Docs.microsoft.com,
2019. [Online]. Available: https://docs.microsoft.com/es-
es/sql/analysis-services/data-mining/data-mining-
concepts?view=sql-server-2017.
[3]"UCI Machine Learning Repository: Car Evaluation
Data Set", Archive.ics.uci.edu, 2019. [Online]. Available:
https://archive.ics.uci.edu/ml/datasets/Car+Evaluation.
[4]"Car Evaluation Data Set", Kaggle.com, 2019. [Online].
Available: https://www.kaggle.com/elikplim/car-evaluation-
data-set.
[5]"RPubs - Multinomial classification project - Car Eval-
uation data set", Rpubs.com, 2019. [Online]. Available:
https://rpubs.com/chitrav/118220.
[6]"KEEL: A software tool to assess evolutionary algorithms
for Data Mining problems (regression, classification, cluster-
ing, pattern mining and so on)", Sci2s.ugr.es, 2019. [Online].
Available: https://sci2s.ugr.es/keel/dataset.php?cod=56.

Brayan Llanos , Leonardo Martes , Jeffreey Taylor et al. | Electiva de Profundización 4 bioRχiv | 5