Встроенная стратегия обнаружения данных

Интеллектуальный анализ данных становится особенно эффективным, если он является составной частью интегрированной стратегии предоставления информации. Пакет Enterprise Miner органично интегрируется с другими предложениями SAS, например, пакетом SAS ETL Studio, средствами аналитической обработки OLAP, прогностическим и другими аналитическими модулями, а также с приложением SAS Text Miner. Подход SAS к созданию информационно-аналитических систем кратко будет изложен в конце лекции.

Распределенная система интеллектуального анализа данных, ориентированная на крупные предприятия

Пакет SAS Enterprise Miner может быть развернут с использованием Web-портала для тонких клиентов, что обеспечивает удобный доступ к пакету для множества пользователей при минимальных затратах на обслуживание клиентских программ. Пакет SAS Enterprise Miner поддерживает серверные системы Windows, а также различные UNIX~платформы. Технические характеристики пакета изложены в конце этой лекции.

Основные характеристики пакета SAS Enterprise Miner 5.1

Интерфейсы

Простой графический интерфейс, создающий диаграммы процессов обработки данных:

∙Быстрое создание большого числа качественных моделей.

∙Возможность доступа через Web-интерфейс.

∙Доступ к среде программирования SAS.

∙Возможность обмена диаграммами в формате XML.

∙Возможность повторного использования диаграмм в качестве шаблонов для других проектов и пользователей.

Пакетная обработка:

∙Включает в себя все те же возможности, что и графический интерфейс.

∙Основана на языке SAS macro.

Экспериментальный интерфейс Java API.

Репозитарий моделей с Web-интерфейсом:

∙Управление большими портфелями моделей.

∙Поиск моделей по заданному алгоритму, целевой переменной и т.п.

∙Публикация результатов в виде ступенчатых диаграмм, деревьев и скоринг-кодов, удобных для специалистов в области бизнеса и анализа данных.

Масштабируемая обработка

∙Серверная обработка - обучение модели в асинхронном режиме. Аккуратная остановка обработки (по заданным критериям).

∙Параллельная обработка - одновременный запуск нескольких диаграмм или инструментов.

259

∙Многопоточные прогностические алгоритмы.

∙Все хранение и обработка данных - на серверах.

Доступ к данным

Доступ более чем к 50 различным файловым структурам.

Интеграция с пакетом SAS ETL Studio посредством SAS Metadata Server:

∙SAS ETL Studio можно использовать для определения исходных, обучающих таблиц для пакета Enterprise Miner.

∙SAS ETL Studio можно использовать для извлечения и развертывания скоринг-кода пакета Enterprise Miner.

Выборки

∙Простая случайная.

∙Стратифицированная.

∙Взвешенная.

∙Кластерная.

∙Систематическая.

∙Первые N наблюдений.

∙Выборка редких событий.

Разбивка данных

∙Создание обучающих, проверочных и тестовых наборов данных.

∙Обеспечение качественного обобщения моделей на основании контрольных данных.

∙Стандартная стратификация по целевому классу.

∙Сбалансированная разбивка по любой классовой переменной.

Преобразования

∙Простые: логарифмическое, квадратный корень, обратное, квадратичное, экспоненциальное, стандартизованное.

∙Накопительные: bucketed (с разбивкой по областям), квантильное, оптимизированная разбивка по взаимосвязи с целевымм значениями.

∙Оптимизированные: максимизация нормализации, максимизация корреляции с целевыми значениями, выравнивание распределения по целевым уровням.

Фильтрация недостоверных данных

∙Применение различных распределительных порогов, позволяющих исключить значения из экстремальных интервалов.

∙Объединение классовых значений, встречающихся менее n раз.

Замена данных

∙С использованием мер центрированности.

∙На основе распределения.

∙Заполнение дерева суррогатными значениями.

∙Методом усреднения расстояний.

260

∙С использованием устойчивых M-оценок.

∙С использованием стандартных констант.

Описательная статистика

Одномерные статистические таблицы и графики:

∙Интервальные переменные n, среднее, медиана, минимум, максимум, стандартное отклонение, масштабированное отклонение и процент отсутствия.

∙Классовые переменные число категорий, счетчики, модальные, процентные модальные, процент отсутствия.

∙Графики распределения.

∙Статистическая разбивка для каждого уровня целевых классов.

Двумерные статистические таблицы и графики:

∙Упорядоченные графики корреляции Пирсона и Спирмана.

∙Упорядоченный график хи-квадрат с возможностью группировки непрерывных исходных данных по n группам.

∙График коэффициентов вариации.

Отбор переменных по logworth-критерию.

Другие интерактивные графики:

∙"Тепловые" карты, отражающие корреляцию или ассоциацию типа хи-квадрат первоначальных значений с целевыми признаками по сегментам.

∙Графики стоимости переменных, ранжирующие первоначальные значенияна основании их стоимости по целевому признаку.

∙Распределения классовых переменных по целевым признакам и/или сегментным переменным.

Графики масштабированного среднего отклонения.

Графика/визуализация

Графики, создаваемые в пакетном и интерактивном режимах: графики разброса, гистограммы, многомерные графики, круговые диаграммы, диаграммы с областями, пузырьковые диаграммы.

Удобный Java-мастер для построения графиков:

∙Заголовки и сноски.

∙Возможность применения к данным предложения WHERE.

∙Возможность выбора из нескольких цветовых схем.

∙Простота масштабирования осей.

∙Использование данных, полученных в результате анализа в пакете Enterprise Miner, для создания специализированных графиков.

Динамическая загрузка данных в клиентское приложение при помощи нескольких методик выборки.

261

Графики и таблицы интерактивно связаны между собой и поддерживают выполнение таких операций как очистка и связывание.

Удобное копирование данных и графиков в другие приложения, а также возможность их сохранения в виде файлов GIF или TIF.

Кластеризация

∙По выбору пользователя или автоматический - выбор k лучших кластеров.

∙Различные стратегии кодирования классовых переменных в процессе анализа.

∙Управление недостающими данными.

∙Графики профилей переменных сегментов, отражающие распределение исходных данных и других факторов в рамках каждого кластера.

∙Профиль дерева решений, использующий исходные данные для составления прогноза о принадлежности кластеру.

∙Оценочный код PMML.

Анализ рыночной корзины

Выявление ассоциаций и причинно-следственных связей:

∙Сетевой график правил, упорядоченный по степени достоверности.

∙Статистические графики подъема, достоверности, прогноза достоверности и поддержки правил.

∙Статистическая гистограмма частотных показателей в заданных границах поддержки и достоверности.

∙График зависимости разброса достоверности от прогнозируемой достоверности.

∙Таблица описания правил.

∙Сетевой график правил.

Органичная интеграция правил с другими исходными данными обеспечивает расширенное прогностическое моделирование.

Удобный вывод правил обеспечивает кластеризацию клиентов по их покупательным и поведенческим характеристикам.

Оценочный код PMML.

Анализ Web-активности

∙Масштабируемое и эффективное выявление наиболее популярных Интернет-маршрутов на основе анализа данных об Интернет-активности пользователей.

∙Выявление наиболее частых последовательностей в последовательных данных любого типа.

Уменьшение размерности

Выбор переменных:

∙Удаление переменных, не связанных с целевыми признаками, на основе критериев отбора хи-квадрат или R2.

262

∙Удаление переменных из иерархий.

∙Удаление переменных со многими недостающими значениями.

∙Сокращение числа классовых переменных с большим количеством уровней.

∙Группировка непрерывных исходных данных для выявления нелинейных взаимосвязей.

∙Выявление взаимодействий.

Главные компоненты:

∙Вычисление собственных значений и собственных векторов на основании матриц корреляции и ковариации.

∙Графики: масштабированное отклонение, логарифмические собственные значения, кумулятивные пропорциональные собственные значения.

∙Исследование выбранных основных компонентов при помощи методов предиктивного моделирования.

Исследование временных рядов:

∙Сокращение объемов транзакционных данных на основе формирования временных рядов с использованием разнообразных методов аккумуляции и преобразования.

∙Методы анализа включают сезонный анализ, анализ тенденций, анализ временных областей, сезонную декомпозицию.

∙Исследование сокращенных временных рядов при помощи методов кластерного и предиктивного моделирования.

Управление временными метриками при помощи описательных данных.

Утилита SAS Code Node

∙Обеспечивает запись кода SAS для упрощения сложных процедур подготовки и преобразования данных.

∙Позволяет использовать процедуры других продуктов SAS.

∙Поддерживает импорт внешних моделей.

∙Позволяет создавать собственные модели и узлы Enterprise Miner.

∙Содержит макропеременные, упрощающие ссылку на источники данных, переменные и т.п.

∙Имеет расширяемую логику формирования оценочного кода.

Исчерпывающие средства моделирования

∙Выбор моделей на базе обучающей, проверочной или тестовой выборки данных с использованием различных критериев, таких как: прибыли или убытки, AIC, SBC, среднеквадратичная ошибка, частота ошибок классификации, ROC, Джини, KS (Колмогорова-Смирнова).

∙Поддерживает двоичные, номинальные, порядковые и интервальные исходные данные и целевые признаки.

∙Удобный доступ к оценочному коду и всем источникам данных.

∙Отображение нескольких результатов в одном окне позволяет лучше оценить эффективность модели.

Регрессии

∙Линейная и логистическая.

263

∙Пошаговая, с прямой и обратной выборкой.

∙Построитель условий для уравнений: полиномиальных, основных взаимодействий, поддержка иерархии эффектов.

∙Перекрестная проверка.

∙Правила для иерархии эффектов.

∙Методы оптимизации: сопряженные градиенты, метод двойных ломаных, метод НьютонаРафсона с линейным или гребневым поиском, квазиньютоновский метод, метод доверительных областей.

∙Оценочный код PMML.

Деревья решений

Общая методология:

∙CHAID (автоматическое выявление взаимодействия по методу хи-квадрат).

∙Деревья классификации и регрессии.

∙C 4.5.

∙Отбор деревьев на основе целевых значений прибыльности или роста с соответствующим отсечением ветвей.

Критерии расщепления: вероятностный критерий хи-квадрат, вероятностный F-критерий, критерий Джини, критерий энтропии, уменьшение дисперсии. Автоматический вывод идентификаторов листьев дерева в качестве входных значений для последующего моделирования.

Отображение правил на английском языке.

Вычисление значимости переменных для предварительного отбора. Уникальное представление консолидированной диаграммы дерева. Интерактивная работа с деревом на настольном ПК:

∙Интерактивное расширение и обрезание деревьев.

∙Задание специальных точек разбиения, включая двоичные или многовариантные разбиения.

∙Свыше 13 динамически связанных таблиц и графиков, позволяющих произвести более качественную оценку дерева.

∙Возможность распечатать диаграмму дерева на одном или нескольких листах.

Воснове - новая быстрая процедура ARBORETUM.

Нейронные сети

Узел нейронной сети:

∙Гибкие архитектуры сетей с развитыми функциями комбинирования и активации.

∙10 методов обучения сети.

264

∙Предварительная оптимизация.

∙Автоматическая стандартизация входных параметров.

∙Поддержка направленных связей.

Узел самоорганизующейся нейронной сети:

∙Автоматизированное создание многоуровневых персептронов для поиска оптимальной конфигурации.

∙Выбор функций типа и активации из четырех различных типов архитектур.

∙Оценочный код PMML.

Узел нейронной сети анализа данных (DM Neural node):

∙Создание модели с уменьшением размерности и выбором функций.

∙Быстрое обучение сети.

∙Линейное и нелинейное оценивание.

Двухуровневое моделирование

∙Последовательное и параллельное моделирование для классовых и интервальных целевых признаков.

∙Выбор модели в виде дерева решений, регрессии или нейронной сети на каждом уровне.

∙Управление применением прогноза для классов к прогнозу интервалов.

∙Точная оценка экономической выгодности клиентов.

Методы вывода путем сопоставления

∙Метод отбора ближайших k-соседей для категоризации или прогноза наблюдений.

∙Запатентованные методы создания дерева и поиска с уменьшенной размерностью.

Множества моделей

∙Объединение прогнозов моделей для создания потенциально более сильного решения.

∙Среди методов: усреднение, мажоритарная выборка, выбор максимального значения.

Сравнение моделей

∙Сравнение нескольких моделей в рамках единой инструментальной оболочки для всех источников данных.

∙Автоматический выбор лучшей модели на основе заданного пользователем критерия.

∙Расширенная статистика соответствия и диагностики.

∙Ступенчатые диаграммы.

∙Кривые ROC.

∙Диаграммы прибылей и убытков с возможностью выбора решения.

∙Матрица неточностей (классификации).

∙График распределения вероятностных оценок классовых целевых признаков.

∙Ранжирование и распределение оценок интервальных целевых признаков.

Количественная оценка

∙Интерактивная количественная оценка узла в рамках графического интерфейса.

∙Автоматическая генерация оценочного кода на языках SAS, C, Java и PMML.

265