Předzpracování dat. Pavel Kordík. Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague

Předzpracování dat Pavel Kordík

Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague

Cvičení 4: Zadání úloh MI-PDD, 09/2011 MI-POA

Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

Pavel Kordík (ČVUT FIT)

Předzpracování dat

MI-PDD, 2012, Cvičení 4

1/29

Vlastní téma • Předzpracování dat z různých zdrojů (obrázek, text, web, signál, řeč…) – Kvalitní rešerše dostupných metod – Výběr vhodných metod – Ukázka na reálných datech – Porovnání úspěšnosti (korelace nebo společná informace s výstupem, případně úspěšnost modelů na testovacích datech)

• Doporučení: vyhněte se implementaci, snažte se použít dostupné simulátory (GPL kód) Pavel Kordík (ČVUT FIT)



2/29

Soutěže KDD, Netflix • Většinou hlavně o vhodném předzpracování dat – Google: data mining competitions

• Soutěž FS (výběr příznaků) metod – http://clopinet.com/isabelle/Projects/NIPS2003/

• Netflix – recommending movies – http://www.netflixprize.com/assets/GrandPrize2009_BPC_ BellKor.pdf – http://www.netflixprize.com/assets/GrandPrize2009_BPC_ BigChaos.pdf – http://www.netflixprize.com/assets/GrandPrize2009_BPC_ PragmaticTheory.pdf Pavel Kordík (ČVUT FIT)



3/29

Neurochirurgie Motol • Snímán tlak v hlavě po úrazu (otok mozku) • Jak tlak závisí na dalších snímaných ukazatelích? • Vhodné předzpracování zápisu manipulace s pacientem




4/29

Neurologie v Hradci Králové

Electrophysiological Laboratory Charles University in Prague Faculty of Medicine in Hradec Králové

http://www.lfhk.cuni.cz/elf/




5/29

Hradec - Spánková data




6/29

Vývoj programu pro hodnocení časových řad • Zpracování extrahovaných dat • Ohodnocování charakteru časových řad obecně • MIT spánková data naimportovat, vyextrahovat příznaky Matlab! Pavel Kordík (ČVUT FIT)



7/29

Hradec - Evokované potenciály




8/29

EEG Recording positions

The original figure illustrating the international 10-20 systém Jasper HH (1958): Report of the Committee on Methods of Clinical Examination in Electroencephalography. Electroenceph. Clin. Neurophysiol. 10: 370-1. Pavel Kordík (ČVUT FIT)



9/29

Evokované potenciály – poškození očních nervů …




10/29

GEOFOND •

Sesuvy

DP Petr Zelenka (http://dip.felk.cvut.cz)

Databáze sesuvů – je třeba prozkoumat závislosti v datech Proč si vybrat tuto práci? - zajímavá data: - zkuste určit, na jakém parametru závisí aktivita sesuvu - najděte zajímavé vazby mezi jednotlivými parametry - najděte parametry metod tak, aby výsledky byly co nejlepší - data jsou již připravena pro experimenty v YALE můžete se tak zaměřit výhradně na experimentování s daty - neřešíte, jak data do nějakého programu vůbec dostat

•

Vrty Preprocessing dat




11/29

Geofond – sesuvy v YALE

DP Petr Zelenka (http://dip.felk.cvut.cz) Pavel Kordík (ČVUT FIT)



12/29

Evoluční kódování DP Petr Zelenka, Michal Záborec (http://dip.felk.cvut.cz)

Cílem práce je otestovat náš nový plugin do Yale na různých datech Pavel Kordík (ČVUT FIT)



13/29

Algoritmic trading … • • • •

Integrace časových řad různých akcií Extrakce příznaků z burzovních dat Multi-time frame přístup Analýza tiskových zpráv a jejich vlivu na vývoj akcií společností • Analýza zpráv na sociálních sítích




14/29

FAKE GAME projekt - Nové jednotky - Učicí algoritmy - Stopping criteria - Podpora pro predikci časových řad - Srovnání s KM www.knowledgeminer.com - Srovnání s matlabem (NN toolbox) - Experimenty s nastavením (výpočty na serverech) - Fully Automated Knowledge Extraction

-reportovaní pomocí JasperReports, -tutoriály použití na různých datech -srovnání s Wekou -různé předzpracování -…

sourceforge.net/projects/fakegame http://neuron.felk.cvut.cz/game Pavel Kordík (ČVUT FIT)



15/29

IBM SPSS zadání • Vliv vážení dat na přesnost, stabilitu a přínosy modelu binární logistické regrese – Na základě vzorce pro konfidenční intervaly regresních koeficientů porovnejte chování modelů vytvořených nad váženými a neváženými daty. Vážením zde rozumíme buď duplikaci případů s méněčetnou kategorií cílové proměnné, nebo prostý náhodný výběr případů s vícečetnou kategorií cílové proměnné. Obě varianty vážení posuzujte odděleně. Ohodnoťte vliv vážení při učení modelu na přesnost predikcí, stabilitu rozdělení regresního skóre a na průběh ROI evaluační křivky. Teoretické závěry porovnejte s praktickou simulací. Zaměřte se především na hodně nevyvážená rozdělení cílové proměnné.

• Metody výběru proměnných při modelování logistickou regresí nad datovou maticí s mnoha proměnnými – Vypracujte přehled variant, jak postupovat při výběru proměnných pro model binární logistické regrese pro situace, kdy datová matice obsahuje velké množství korelovaných vstupních proměnných. Doporučte vhodný postup pro takové situace a uveďte, čeho bychom se měli vyvarovat. Doporučené postupy a zjištěná rizika ilustrujte na praktické simulaci. Pavel Kordík (ČVUT FIT)



16/29

spam pre-filter • Analýza záhlaví zpráv, metainformací a jejich souvislost se „spamovostí“ zpráv Popis poli, ktera jsem ziskal zatim ze seznamu. ip_addr - adresa odesilatele countrycode - rozeznany country code pomoci geoip hdr_from - from adresa z MAIL FROM z SMTP protokolu rcpt - prijemce emailu rcpts - pocet prijemcu v celem mailu mailsize - velikost mailu v bytech szn-spam-score - spam score :) user-id - idcko prijemce(interni informace) ebox-id - idcko storage serveru(interni informace) za poslednich 5 min (paralelne i zasebou): ce-connections - pocet konexi ce-bad-rcpt-to - pocet spatnych RCPT TO v SMTP protokolu ce-bad-mail-from - pocet spatnych MAIL FROM v SMTP protokolu ce-bad-commands - pocet spatnych prikazu v SMTP protokolu ce-mail-sent - pocet odeslanych mailu ce-bytes-sent - pocet odeslanych byte ce-bad-auth - pocet spatnych autorizaci na SMTP relay header:* obsah odpovidajicich hlavicek presne v takovem case, jako jsou v mailech TO_CO_JE_VELKYMA - odpovidajici testy z spamassassinu Pavel Kordík (ČVUT FIT)



17/29

Honeywell Prague Laboratory • Data z budov – Energie – Logy z karet –…




18/29

Center for chemical genetics • Data mining procesů při buněčném dělení




19/29

Nové opensource předzpracovací metody • fakegame@sourceforge • Prostuduj seznam implementovaných předzpracovacích metod • Nastuduj a implementuj novou metodu • Srovnej s dostupnými metodami na několika různých datových souborech




20/29

Automatické předzpracování • Otestovat na různých datech • Konzistence výběru předzpracovacích metod • Automatické předzpracování signálů




21/29

Preprocessing methods implemented in FAKE GAME




22/29

Methods to impute missing values • • • • •

MissingData.ConstantMissingDataImputer MissingData.MedianMissingDataImputer MissingData.NearestNeighbourMissingDataImputer MissingData.RemoveMissingData MissingData.AnotherInstanceValueDataImputer




23/29

Methods to normalize data • • • •

Normalization.LinearNormalizer Normalization.SoftmaxNormalizer Normalization.MeanNormalizer Normalization.ZscoreNormalizer




24/29

Methods to reduce data • • • • • • • • • • • • • • • • • •

DataReduction.RandomReduce DataReduction.RemoveOutlayers DataReduction.LeaveOutNeighbours DataReduction.KMeansDataReplacer DataReduction.PCA DataReduction.KDTreeReplacer DataReduction.HartCondensingReduce DataReduction.HartCondensingReduce DataReduction.IB3Reduce DataReduction.KubatMatwinReduce DataReduction.Drop3Reduce DataReduction.ChangReduce DataReduction.WilsonsEditingReduce DataReduction.ChenCondensingReduce DataReduction.RSP3CondensingReduce DataReduction.SpecialCondensingReduce DataReduction.AllKNNEditingSchemeAlgorithm DataReduction.RNNCondensingReduce




25/29

Other methods • Discretization.EqualSizeBinning • DataEnrichement.Smote Color Size red

• Nominal data encoding – 1 from N – Encoding into single attribute Red color

Green color

Small size

Large size

1

0

1

0

0

1

0

1

1

0

0

1


Color 0.1 0.3 0.1 Předzpracování dat

Size 0.01 0.9 0.9

small

green large red Color 0.6 or 0.1 0.6

large Size 0.4 0.6 0.6


26/29

Our experiments with automated encoding of nominal attributes Probability density

Correlation

10% improvement on Golf data Relative accuracy

Relative accuracy

Probability density

Relative accuracy

Relative accuracy

Relative accuracy

Relative accuracy

Diploma thesis Michal Zaborec, Minh Duc Do, CTU Prague, 2009 Pavel Kordík (ČVUT FIT)


Linear regression


27/29

Putting (preprocessing methods) all together • For each feature, optimal sequence of preprocessing methods is evolved by GA Genetic Algorithm evolving preprocessing sequences

Preprocessing Sequences Raw data

GAME Ensemble of models

Selected representative data subset


Error of models, fitness function


Automated data preprocessing MI-PDD, 2012, Cvičení 4

28/29

Evolving preprocessing sequences




29/29

Předzpracování dat. Pavel Kordík. Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague

Recommend Documents