The The CRISP-CRISP-DM DM Process Process ModelModel
Rodrigo CunhaRodrigo Cunha
O que é CRISP-DM?
• Metodologia padrão não proprietária que identifica as diferentes fases na implantação de um projeto de data mining (DMP).
Metodologias em Data Mining
Fonte: http://www.kdnuggets.com/polls/
CRoss Industry Standard Process for Data Mining
CRISP-DM
Source: http://www.crisp-dm.org/
http://www.crisp-dm.org/
Phases
Generic Tasks
Specialized Tasks
Process Instances
Mapping
CRISPProcess Model
CRISPProcess
Níveis do CRISP-DM
Businessunderstanding
Dataunderstanding
Datapreparation
Modelling
Evaluation
DeploymentData
Fluxo do Processo: CRISP-DMFluxo do Processo: CRISP-DM
Processo de Descoberta do Processo de Descoberta do Conhecimento [Fayyad 96]Conhecimento [Fayyad 96]
Preprocessing
DataSources
TargetData
TransformedData
PreprocessedData
Patterns /Models
Knowledge
Selection
Interpretation/Evaluation
Transformation
Data Mining
CRISP-DM X KDDCRISP-DM X KDD
Preprocessing
DataSources
TargetData
TransformedData
PreprocessedData
Patterns /Models
Knowledge
Selection
Interpretation/Evaluation
Transformation
Data Mining
2. Business Understanding
3. Data Understanding
4.2 Clean Data
4.1 Select Data
4.3 Construct Data
5. Modeling
6. Evaluation 7. Deployment
Exemplo: Projeto Exemplo: Projeto Mineração de Dados Mineração de Dados Utilizando CRISP-DMUtilizando CRISP-DM
Objetivo do Projeto
Descrever todo o processo de desenvolvimento da solução
do projeto: Mineração de dados para a diagnóstico de falhas.
Apresentar a metodologia de desenvolvimento de soluções
padrão em mineração de dados chamada CRISP-DM
Sistema de Telecomunicações da Chesf
SDH-AlcatelSDH-Alcatel
Fase 1 no projeto de DM Business Understanding:
– Definição dos objetivos do negócio• Detectar as falhas do sistema, a partir do histórico das ocorrências
e da condição dos alarmes de sinalização de problemas nos sistemas.
• Extrair conhecimento dos dados através de regras para o melhor entendimento das circunstâncias que resultam em falhas.
– Descrever os critérios de resultados para que o projeto seja considerado um sucesso, assim como a forma de medir.
• Auxílio para a definição de políticas de manutenção
• Uniformidade no padrão de qualidade do serviço (livre de fadiga, stress, desgaste emocional)
• Redução do tempo de resposta às consultas
Fase 1 no projeto de DM (cont)Business Understanding:
– Avaliar situação atual do cliente.
• Recursos Disponíveis– Dados em um data warehouse (ORACLE)
• Suposições e Restrições– Alarme Crítico = Falha
– SDH – Alcatel
Fase 1 no projeto de DM (cont) Business Understanding:
– Determinar os riscos
• Demanda do especialista do domínio
• Qualidade dos dados
• Recebimento dos dados
Fase 1 no projeto de DM (cont) Business Understanding:
– Determinar tarefas de mineração de dados
• Classificação de padrões
• Regras de classificação
Fase 1 no projeto de DM (cont) Business Understanding:
– Fazer Plano do Projeto• Etapa 1:
– Levantamento da situação atual do problema de falhas• Etapa 2:
– Análise preliminar dos dados sobre as ocorrências de falhas de equipamentos
• Etapa 3:– Preparação dos dados– Modelagem dos dados– Extração de Regras do conhecimento adquirido
• Etapa 4:– Interação com especialista do domínio– Homologação dos resultados
• Etapa 5:– Implantação do protótipo
Businessunderstanding
Dataunderstanding
Datapreparation
Modelling
Evaluation
DeploymentData
Fluxo do Processo: CRISP-DMFluxo do Processo: CRISP-DM
Fase 2 no projeto de DM Data Understanding
– Coletar dados iniciais
• Dados referentes aos alarmes na rede de telecomunicações SDH - Alcatel foram disponibilizados em arquivos textos mensais nos 14 meses de dez/2001 a jan/2003.
• Junção dos dados em uma única tabela. (ACCESS).
• Apenas 1 ano fev2002 a jan2003
Fase 2 no projeto de DM Data Understanding
– Descrever os dados• 491.127 alarmes • 75934 (15,46%) são alarmes críticos (falhas).
Campo NOME DO CAMPO
1 EQUIPAMENTO 2 ALARME 3 MODULO 4 LOCAL 5 NOME LOCAL 6 GERENCI A 7 SEVERIDA 8 DATAALARME 9 DATANORM
10 ROTA
Fase 2 no projeto de DMData Understanding
Descrever os dados
Tipo de alarmes Freqüência Percentual
CRITICAL 75934 15,5 %
MAJOR 234780 47,8 %
MINOR 147797 30,1 %
WARNING 32616 6,6 %
Fase 2 no projeto de DMData Understanding
Verificar qualidade dos dados– Boa qualidade dos dados– 0% de missings– 0% de outliers
Businessunderstanding
Dataunderstanding
Datapreparation
Modelling
Evaluation
DeploymentData
Fluxo do Processo: CRISP-DMFluxo do Processo: CRISP-DM
Fase 3 no projeto de DM
• Data Preparation:
– Preparar os dados para importação no software de DM.
– Derivar campos calculados (se necessário)– Integrar bases de dados externas (IBGE,
Correios, etc.)– Limpeza dos dados: outliers e missings.– Codificar campos em: irrelevante, categórico e
numérico.
Fase 3 no projeto de DM• Data preparation:
– Campos Calculados:
• QTD WARNING => Quantidade de alarmes warnings desde o último alarme crítico.
• QTD MAJOR => Quantidade de alarmes major desde o último alarme crítico
• QTD MINOR => Quantidade de alarmes minor desde o último alarme crítico
Fase 3 no projeto de DM• Data preparation:
– Pré-Processamento:
– 5 (cinco) atributos relevantes – 3 natureza numérica
• Normalização [0...1]– 2 natureza categórica
• Transformação 1 de n– Variável de saída
• ‘WARNING’ para ‘Não-FALHA’• ‘MINOR’ para ‘Não-FALHA’• ‘MAJOR’ para ‘Não-FALHA’• ‘CRITICO’ para ‘FALHA’
Businessunderstanding
Dataunderstanding
Datapreparation
Modelling
Evaluation
DeploymentData
Fluxo do Processo: CRISP-DMFluxo do Processo: CRISP-DM
Fase 4 no projeto de DM• Modeling:
– Selecionar as técnicas de modelagem• Redes Neurais• Regras de Classificação
– Catalogar parâmetros utilizados– 50% para treinamento, – 25% para validação – 25% para teste– Retornar ao Data Preparation– Software: Tanagra
Tanagra O que é?
• Autor: Ricco RAKOTOMALALA
• Universidade de Lyon - FRANCE
• Tanagra é uma ferramenta free para mineração de
dados
• open source project
• DELPHI (versão 6.0)
Tanagra
Vantagens
• Ferramenta gráfica
• Modular (Componentes)
• Alta produtividade
• Código Aberto
• Integra algoritmos de terceiros
• Muito Eficiente!Muito Eficiente!
Desvantagens
• Help deficiente
• Muitos BUGS
• Pré-Processamento e Preparação dos
Dados
Fase 4 no projeto de DMModeling:
Rede Neural:Arquitetura MLP
Algoritmo: Backpropagation
Camadas Escondidas: 1
Neurônios Escondidos: 2, 4, 8 e 20
Taxa de Aprendizado: 0,1, 0,01 e 0,001
Número de iterações: 100, 1000 e 10000
Problema: Diagnóstico de Falhas
Número de Entradas: 16
Número de Saídas 2
Padrões de Treinamento
50%
Padrões de Validação 25%
Padrões de Teste 25%
Regras de Classificação:
• Regras com abrangência maior que 5%
Businessunderstanding
Dataunderstanding
Datapreparation
Modelling
Evaluation
DeploymentData
Fluxo do Processo: CRISP-DMFluxo do Processo: CRISP-DM
Fase 5 no projeto de DMEvaluation – Rede Neural:
Falha Alarme Total Clas.Falha 18011 3563 21574 Clas.Alarme 972 100235 101207 Total 18983 103798 122781
Erro I = 3.4% (Classificar como falha quando na verdade é apenas alarme).
Erro II = 5.1% (Classificar como alarme quando na verdade é uma falha).
Erro Geral = 3.7% (classificação errônea)
Fase 5 no projeto de DMEvaluation - Regras de Classificação:
• SE LOCAL = "XINGO MARGEM ESQUERD"
ENTÃO FALHA EM 41.45%, REPRESENTANDO 6.9% DA MASSA.
• SE LOCAL = "ANGELIM (REPETIDORA)"ENTÃO FALHA EM 38.35%, REPRESENTANDO 8.2% DA MASSA.
• SE QTDWARNI = "DE 0 ATÉ 1"ENTÃO FALHA EM 23.30%, REPRESENTANDO 12% DA MASSA.
Regras que caracterizam situações de falhas:
Fase 5 no projeto de DMEvaluation - Regras de Classificação:
• SE LOCAL = "RECIFE - COS"
ENTÃO FALHA EM 00.95%, REPRESENTANDO 25.54% DA MASSA.
• SE LOCAL = "USINA DE SOBRADINHO"ENTÃO FALHA EM 01.58%, REPRESENTANDO 11.69% DA MASSA.
• SE QTDMINOR = "DE 1 ATÉ 2"ENTÃO FALHA EM 01.63%, REPRESENTANDO 15.60% DA MASSA.
Regras que caracterizam situações de alarmes:
Businessunderstanding
Dataunderstanding
Datapreparation
Modelling
Evaluation
DeploymentData
Fluxo do Processo: CRISP-DMFluxo do Processo: CRISP-DM
Fase 6 no projeto de DMDeployment
• Entrega do produto do projeto de mineração de dados.
– Software em produção (on-line)– Software analítico (off-line)– Relatório com um resumo das etapas do
processo CRISP-DM.– Treinamento e Apresentação para o Usuário
Resumo das Ferramentas Utilizadas
Nome Função Fabricante Fase
Excel Planilha Microsoft Avaliação de desempenho
ORACLE DISCOVERY Data Warehouse ORACLE Entendendo os
dados
Access Banco de Dados Microsoft Entendendo os dados
Word Editor de texto Microsoft Entendendo o negócio
Oxedit Manipulação de grandes arquivos texto. OX Entendendo os
dados
TANAGRA Mineração de Dados Universidade de Lyon Modelagem
SPSS Manipulação de dados SPSS Preparação dos dados
Conclusões• Necessidade de uma ferramenta de mineração de dados
completa.• Apresentação metodologia CRISP-DM em um problema prático
de mineração de dados.– Formalização– Replicação
• Bom poder de classificação da rede neural (poderia ser colocado em produção)
• Regras extraem conhecimento para tomada de decisão do especialista (off-line)
Trabalhos Futuros• Utilização de outros algoritmos de aprendizagem
– KNN– Regressão Logística– Análise Discriminante
• Apresentação dos artefatos gerados em cada uma das fases do CRISP-DM.
Referência Bibliográfica• Han, J., Kamber M. (2001) Data Mining: Concepts and
techniques. Morgan Kaufman Publishers, San Francisco, CA.
• Witten, I., Frank, E. (2000) Data Mining: Pratical Machine Learning Tools and Techniques with Java Implementations. San Diego, California: Academic Press.
• FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery: An overview : in Fayyad, Piatetsky-Shapiro, Smyth and Uthurusamy, 1996.
Referência Bibliográfica
• Página do Tanagra - http://eric.univ-lyon2.fr/~ricco/tanagra/en/tanagra.html
• Página do CRISP-DM – www.crisp-dm.org
• REINARTZ, T.; WIRTH, R.; CLINTON, J.; KHABAZA, T.; HEJLESEN, J.; CHAPMAN, P.; KERBER, R. The current CRISP-DM process model for data mining. Berlin: Technical University., 1998.
Perguntas?Perguntas?