Tema 04

INTELIGENCIA DE NEGOCIO
2017 - 2018
 Tema 1. Introducción a la Inteligencia de Negocio

 Tema 2. Minería de Datos. Ciencia de Datos
 Tema 3. Modelos de Predicción: Clasificación,
regresión y series temporales
 Tema 4. Preparación de Datos
 Tema 5. Modelos de Agrupamiento o Segmentación
 Tema 6. Modelos de Asociación
 Tema 7. Modelos Avanzados de Minería de Datos.
 Tema 8. Big Data
Inteligencia de Negocio
TEMA 4. Preprocesamiento de Datos
1. Introducción. Preprocesamiento
2. Integración, Limpieza y Transformación
3. Datos Imperfectos
4. Reducción de Datos
5. Comentarios Finales
Bibliografía:
S. García, J. Luengo, F. Herrera
Data Preprocessing in Data Mining
Springer, 2015
Motivación
Preprocesamiento: Tareas para disponer de datos de calidad previos al
uso de algoritmos de extracción de conocimiento. Conocimiento
Patrones/
Modelos
Datos
para Datos
Preprocesados
Análisis
Interpretación
Minería Evaluación
Problema/
Datos de Datos
Brutos Preprocesamiento
Selección
Motivación
Preprocesamiento: Tareas para disponer de datos de calidad previos al
uso de algoritmos de extracción de conocimiento.
Quality Data for

Quality Decisions
Objetivos
 Entender los distintos problemas a resolver en procesos

de recopilación y preparación de datos.
 Conocer problemas presentes en la integración de datos
de distintas fuentes y técnicas para resolverlos.
 Conocer problemas a resolver para limpiar los datos y
procesar datos imperfectos y algunas técnicas que los
resuelven.
 Entender la necesidad, en ocasiones, de aplicar técnicas
de transformación de datos.
 Conocer las técnicas de reducción de datos y la
necesidad de aplicación.
Bibliografía:
Springer, 2015
INTRODUCCIÓN
D. Pyle, 1999, pp. 90:
“The fundamental purpose of data preparation

is to manipulate and transforrm raw data so
that the information content enfolded in the
data set can be exposed, or made more easily
accesible.”
Dorian Pyle
Data Preparation for Data
Mining Morgan Kaufmann
Publishers, 1999
INTRODUCCIÓN
D. Pyle, 1999, pp. 90:
“El propósito fundamental de la preparación de

los datos es la manipulación y transformación de
los datos sin refinar para que la información
contenida en el conjunto de datos pueda ser
descubierta o estar accesible de forma más fácil.”
Dorian Pyle
Data Preparation for Data
Mining Morgan Kaufmann
Publishers, 1999
Data Preprocessing
S. García, J. Luengo, F. Herrera, 2015, Preface vii:
“Data preprocessing is an often neglected but

major step in the data mining process.”
“El preprocesamiento de datos es un paso a menudo descuidado pero muy importante en el
proceso de minería de datos”

Springer, 2015
Website:
http://sci2s.ugr.es/books/data-preprocessing
INTRODUCCIÓN
El preprocesamiento de
datos consume una parte
muy importante del tiempo
total de un proceso de
minería de datos.
Preprocesamiento de Datos
 Importancia del Preprocesamiento de Datos
 ¿Qué incluye el Preprocesamiento de

Datos?
Importancia del Preprocesamiento de Datos
1. Los datos reales pueden ser impuros, pueden conducir

a la extracción de patrones/reglas poco útiles.
Esto se puede deber a:
Datos Incompletos: falta de valores de atributos, …

Datos con Ruido
Datos inconsistentes (incluyendo discrepancias)
2. El preprocesamiento de datos puede generar un

conjunto de datos más pequeño que el original, lo cual
puede mejorar la eficiencia del proceso de Minería de
Datos.
Esta actuación incluye:
Selección relevante de datos: eliminando registros

duplicados, eliminando anomalías, …
Reduccion de Datos: Selección de características,
muestreo o selección de instancias, discretización.
3. El preprocesamiento de datos genera “datos de

calidad”, los cuales pueden conducir a “patrones/reglas
de calidad”.
Por ejemplo, se puede:
Recuperar información incompleta.

Eliminar outliers
Resolver conflictos
Seleccionar variables relevantes, …
▪ Datos de baja calidad puede llevar a modelos de

minería de datos de baja calidad.
Decisiones de calidad deben ser basadas en

datos de calidad.
▪ El preprocesamiento de datos (limpieza,

transformación, reducción….) puede llevar la
mayor parte del tiempo de trabajo en una
aplicación de minería de datos (80%).
El preprocesamiento de
datos consume una parte
muy importante del tiempo
total de un proceso de
minería de datos.
¿Qué incluye el Preprocesamiento de Datos?
“El Preprocesamiento de Datos”
engloba a todas aquellas técnicas de análisis de

datos que permite mejorar la calidad de un
conjunto de datos de modo que las técnicas de
extracción de conocimiento/minería de datos
puedan obtener mayor y mejor información (mejor
porcentaje de clasificación, reglas con más
completitud, etc.)
S. García, J. Luengo, F. Herrera, 2015, Preface vii:
“Data preprocessing includes data preparation,

compounded by integration, cleaning, normalization and
transformation of data; and data reduction tasks; such
as feature selection, instance selection, discretization, etc.
…
The result expected after a reliable chaining of data
preprocessing tasks is a final dataset, which can be
considered correct and useful for further data mining
algorithms.”
Springer, 2015
We refer to data preparation as the set of techniques that

initialize the data properly to serve as input for a certain DM
algorithm.
Data reduction comprises the set of techniques that, in one
way or another, obtain a reduced representation of the
original data.

Springer, 2015
20
21
Bibliografía:
Springer, 2015
Snapshot on Data Preparation
• How do I clean up the data?—Data Cleaning
•How do I incorporate and adjust data?

—Data Integration
How do I provide accurate data?
—Data Transformation
• How do I unify and scale data?
—Data Normalization
Integración, Limpieza y Transformación

Integración, Limpieza y Transformación
24
Integración de datos
Obtiene los datos de diferentes fuentes de información

Resuelve problemas de representación y codificación
Integra los datos desde diferentes tablas para crear
información homogénea, ...
25
Servidor
Data Warehouse
Base de
Datos 1
Extracción,
agregación ..
Base de
Datos 2
26
Ejemplos
▪ Diferentes escalas: Salario en dólares versus peniques
▪ Atributos derivados: Salario mensual versus salario anual
item Salario/mes item Salario

1 5000 6 50,000
2 2400 7 100,000
3 3000 8 40,000
27
Cuestiones a considerar al realizar la integración de datos

desde distintas fuentes:
▪ Integración del esquema. ¿Cómo asegurar que entidades

equivalentes se emparejan correctamente cuando se
produce la fusión desde distintas fuentes?.
Ejemplo: id-cliente y num-cliente.
Solución: Utilizar los metadatos que normalmente se
almacenan en las BBDD y los DW.
▪ Detección de datos duplicados e inconsistencias.
▪ Redundancia. Un atributo es redundante si puede

obtenerse a partir de otros.
Una forma de detectar redundancia es mediante análisis
de correlaciones.
28
Análisis de correlaciones
Objetivo: medir la fuerza con la que un atributo implica a otro, en

función de los datos disponibles.
La correlación entre dos atributos A y B puede medirse como.
rA, B 
 ( A  A )( B  B )
(n  1) A B
n: número de datos
A: media
A: desviación estándar
▪ rA,B > 0  A y B están correlacionados positivamente (ambas tienen

comportamiento similar)
▪ rA,B = 0  A y B son independientes
▪ rA,B < 0  A y están correlacionados negativamente (si un atributo
crece, el otro decrece)
29
x x2 1/x
Análisis de correlaciones x 1
Ejemplo1: Con las variables x2 0.98 1
x, x2 y 1/x (x=1,…5) 1/x -0.9 -0.81 1
Ejemplo2:
Edad Tensión Obesidad Colesterol Tabaquismo Alcoholismo Pulsaciones Hierro
Edad 1
Tensión 0.63 1
Obesidad 0.34 0.22 1

Colesterol 0.42 0.56 0.67 1
Tabaquismo -0.02 0.72 0.72 0.52 1
Alcoholismo 0.15 0.43 0.32 0.27 0.58 1
Pulsaciones 0.12 0.27 0.32 0.40 0.39 0.23 1
Hierro -0.33 -0.08 0.21 0.45 -0.12 -0.22 -0.15 1
30
▪ Detección y resolución de conflictos en los valores de los

datos: Un atributo puede diferir según la fuente de
procedencia.
• Puede deberse a diferencias en la representación, escala, o
forma de codificar.
• Ejemplos:
▪ peso en kg. o en libras.
▪ precio en función de la moneda o de si los impuestos están o
no incluidos, etc.
Cuidar el proceso de integración a partir de múltiples

fuentes reducirá y evitará redundancias e inconsistencias
en los datos resultantes, mejorando la exactitud y
velocidad del proceso de DM.
31
Limpieza de datos
▪ Objetivos:
• resolver inconsistencias
• Rellenar/imputar valores perdidos,
• suavizar el ruido de los datos,
• identificar o eliminar outliers …
▪ Algunos algoritmos de DM tienen métodos propios para

tratar con datos incompletos o ruidosos. Pero en general
estos métodos no son muy robustos, lo normal es
realizar previamente la limpieza de los datos.
Bibliografía:
W. Kim, B. Choi, E.-D. Hong, S.-K. Kim
A taxonomy of dirty data.
Data Mining and Knowledge Discovery 7, 81-99, 2003.
32
Limpieza de datos
Limpieza de Datos: Ejemplo

▪ Datos originales
000000000130.06.19971979-10-3080145722 #000310 111000301.01.000100000000004
0000000000000.000000000000000.000000000000000.000000000000000.000000000000000.000000000000000.0000
00000000000. 000000000000000.000000000000000.0000000...…
000000000000000.000000000000000.000000000000000.000000000000000.000000000000000.000000000000000.00
0000000000000.000000000000000.000000000000000.000000000000000.000000000000000.000000000000000.0000
00000000000.000000000000000.000000000000000.000000000000000.000000000000000.000000000000000.000000
000000000.000000000000000.000000000000000.000000000000000.00 0000000000300.00 0000000000300.00
▪ Datos limpios
0000000001,199706,1979.833,8014,5722 , ,#000310 ….
,111,03,000101,0,04,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0300,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0300,0300.00
33
Limpieza de datos
Limpieza de Datos: Ejemplo de Inconsistencia
Presencia de discrepancias en datos
Edad=“42”
Fecha de Nacimiento=“03/07/1997”
34
Normalización
▪ Objetivo: pasar los valores de un atributo a un rango

mejor.
▪ Útil para algunas técnicas como AANN o métodos basados

en distancias (vecinos más próximos,…).
▪ Algunas técnicas de normalización:
• Normalización min-max: Realiza una transformación lineal de
los datos originales.
[min A , max A ]  [nuevomin A , nuevomax A ]

v  min A
v'  (nuevomax A  nuevomin A )  nuevomin A
max A  min A
Las relaciones entre los datos originales se conservan.
35
Normalización
• Normalización zero-mean. Se normaliza en función de la
media y la desviación estándar.
v A
v' 
A
Útil cuando se desconocen los límites o cuando los datos
anómalos pueden dominar la normalización min-max.
• Normalización por escala decimal. Normaliza moviendo el

punto decimal de los valores del atributo. El número de
puntos decimales movidos depende del valor absoluto
máximo de A.
v
v' j
10
con j igual al menor entero tal que max(|v’|)<1.
P.e.: si los datos están en [-986,917], entonces j=3.
36
Transformación de los datos
▪ Objetivo: Transformar los datos de la mejor forma posible
para la aplicación de los algoritmos de DM.
▪ Algunas operaciones típicas:

• Agregación. P.e. totalización de ventas mensuales en un único
atributo que sea ventas anuales,…
• Generalización de los datos. Se trata de obtener datos de más
alto nivel a partir de los actuales, utilizando jerarquías de
conceptos.
▪ Calles  ciudades
▪ Edad numérica  {joven, adulto, mediana-edad, anciano}
• Normalización: Cambiar el rango [-1,1] o [0,1].

• Transformaciones lineales, cuadráticas, polinomiales, …
Bibliografía:
T. Y. Lin. Attribute Transformation for Data Mining I: Theoretical
Explorations. International Journal of Intelligent Systems 17, 213-222, 2002.
37
Bibliografía:
Springer, 2015
Snapshot on Data Preparation
• How do I handle imperfect data?— Imputation, filtering,

relabeling, …
Datos Imperfectos
40
Datos Imperfectos
41
Valores perdidos
42
Valores perdidos
Se pueden utilizar las siguientes opciones, aunque

algunas de ellas sesgan los datos:
▪ Ignorar la tupla. Suele usarse cuando la variable a
clasificar no tiene valor.
▪ Rellenar manualmente los datos. En general es
impracticable.
▪ Utilizar una constante global para la sustitución. P.e.
“desconocido”,”?”,…
▪ Rellenar utilizando la media/desviación del resto de las
tuplas.
▪ Rellenar utilizando la media/desviación del resto de las
tuplas pertenecientes a la misma clase.
▪ Rellenar con el valor más probable. Para ello utilizar
alguna técnica de inferencia, p.e. bayesiana o un árbol
de decisión.
43
Valores perdidos (ejemplo preservando media y desviación)
Posición Valor original Pos. 11 perdida Preservar la Preservar la

media desviación
1 0.0886 0.0886 0.0886 0.0886
2 0.0684 0.0684 0.0684 0.0684
3 0.3515 0.3515 0.3515 0.3515
4 0.9875 0.9875 0.9875 0.9875
5 0.4713 0.4713 0.4713 0.4713
6 0.6115 0.6115 0.6115 0.6115
7 0.2573 0.2573 0.2573 0.2573
8 0.2914 0.2914 0.2914 0.2914
9 0.1662 0.1662 0.1662 0.1662
10 0.4400 0.4400 0.4400 0.4400
11 0.6939 ???? 0.3731 0.6622
Media 0.4023 0.3731 0.3731 0.3994

SD 0.2785 0.2753 0.2612 0.2753
Error en la estimación 0.3208 0.0317
44
Valores perdidos (ejemplo)
▪ Rellenar buscando relaciones entre variables.

P.e.: de los datos de las columnas X e Y, se podría estimar
Y = 1.06 · X y utilizarlo como estimador para valores
perdidos de Y.
X (orig.) Y (orig.) Y estimado error
0.55 0.53 0.51 0.02
0.75 0.37 0.31 0.06
0.32 0.83 0.74 0.09
0.21 0.86 0.85 0.01
0.43 0.54 0.63 0.09
45
Valores perdidos (ejemplo)
X Y Clase
a a + • Estimar por el valor más probable
a ? n + (la moda)
X = n  error
n a -
n n -
• Estimar por el valor más probable
n a + (la moda) dentro de la clase (+)
X = a (prob. 0.5) ó X=n (prob. 0.5)
 No resuelve nada
46
Valores perdidos
Estimación mediante técnicas de aprendizaje automático:
▪ Imputación con k-NN (KNNI)
▪ Imputación con k-NN y pesos (WKNNI)
▪ Imputación basada en clustering (KMI)
▪ Imputación basada en algoritmos de SVM (SVMI)
▪ Otros: event covering (EC), singular value descomposition

(SVDI), local least squares imputation (LLSI)
47
Valores perdidos
48
Valores perdidos en clasificación. Ejemplo
49
Valores perdidos en clasificación. Ejemplo
50
Limpieza de datos con ruido
15 methods
http://www.keel.es/
51
Valores perdidos
Bibliografía:
WEBSITE: http://sci2s.ugr.es/MVDM/
J. Luengo, S. García, F. Herrera, A Study on the Use of Imputation Methods for
Experimentation with Radial Basis Function Network Classifiers Handling
Missing Attribute Values: The good synergy between RBFs and EventCovering
method. Neural Networks, doi:10.1016/j.neunet.2009.11.014, 23(3) (2010) 406-418.
S. García, F. Herrera, On the choice of the best imputation methods for missing
values considering three groups of classification methods. Knowledge and
Information Systems 32:1 (2012) 77-108, doi:10.1007/s10115-011-0424-2
52
Tipos de ejemplos
Fig. 5.2 The three types of examples considered in this book: safe examples (labeled as
s), borderline examples (labeled as b) and noisy examples (labeled as n). The
continuous line shows the decision boundary between the two classes
53
Fig. 5.1 Examples of the interaction between classes: a) small

disjuncts and b) overlapping between classes
54
Uso de técnicas de filtrado de ruido en clasificación
Los tres filtros de ruido se mencionan a continuación , los más

conocidos, utilizan un esquema de votación para determinar qué
casos para eliminar del conjunto de entrenamiento.:
▪ Ensemble Filter (EF)

▪ Cross-Validated Committees Filter
▪ Iterative-Partitioning Filter
55
Ensemble Filter (EF)
• C.E. Brodley, M.A. Friedl. Identifying Mislabeled Training Data. Journal of Artificial Intelligence Research 11
(1999) 131-167.
• Different learning algorithm (C4.5, 1-NN and LDA) are used to create classifiers in several subsets of the
training data that serve as noise filters for the training sets.
• Two main steps:
1. For each learning algorithm, a k-fold cross-validation is used to tag each training example as correct
(prediction = training data label) or mislabeled (prediction ≠ training data label).
2. A voting scheme is used to identify the final set of noisy examples.
• Consensus voting: it removes an example if it is misclassified by all the classifiers.
• Majority voting: it removes an instance if it is misclassified by more than half of the classifiers.
Training Data
Classifier #1 Classifier #2 Classifier #m
Classification #1 Classification #2 Classification #m

(correct/mislabeled) (correct/mislabeled) (correct/mislabeled)
Voting scheme
(consensus or majority)
Noisy examples
Ensemble Filter (EF)
Cross-Validated Committees Filter (CVCF)
• S. Verbaeten, A.V. Assche. Ensemble methods for noise elimination in
classification problems. 4th International Workshop on Multiple Classifier Systems
(MCS 2003). LNCS 2709, Springer 2003, Guilford (UK, 2003) 317-325.
• CVCF is similar to EF  two main differences:
1. The same learning algorithm (C4.5) is used to create classifiers in several

subsets of the training data.
The authors of CVCF place special emphasis on using ensembles of decision

trees such as C4.5 because they work well as a filter for noisy data.
2. Each classifier built with the k-fold cross-validation is used to tag ALL the
training examples (not only the test set) as correct (prediction = training data
label) or mislabeled (prediction ≠ training data label).
Iterative Partitioning Filter (IPF)
• T.M. Khoshgoftaar, P. Rebours. Improving software quality prediction by noise filtering
techniques. Journal of Computer Science and Technology 22 (2007) 387-396.
• IPF removes noisy data in multiple iterations using CVCF until a stopping criterion is reached.
• The iterative process stops if, for a number of consecutive iterations, the number of noisy
examples in each iteration is less than a percentage of the size of the training dataset.
Training Data
Current Training Data
CVCF Filter
Current Training Data without Noisy

examples identified by CVCF
NO ¿STOP
?
YES
Final Noisy examples

60
61
Detección de datos anómalos
▪ Valor erróneo <> valor anómalo.
▪ El ruido es un error o varianza aleatoria en la medición de una

variable.
▪ ¿Cómo se detectan datos erróneos? Depende del formato y del
origen del campo.
• Nominales  valor fuera del formato o rango.
• Numéricos  Buscar datos anómalos y estudiar si son realmente
anómalos o erróneos.
▪ ¿Cómo se elimina el ruido? Mediante técnicas de suavizado.

• Binning: Se suavizan valores ordenados consultando sus vecinos.
Los valores se distribuyen en un conjunto de cajas o intervalos
(bins). Realiza un suavizado local.
Variantes:
▪ Binning uniforme en los intervalos (equiwidth) o en el contenido
(equidepth)
• Suavizar por la media o mediana.
• Suavizar por las fronteras.
• Regresión: Los datos se suavizan ajustándolos a una función con
técnicas de regresión.
62
Outliers
Son objetos/datos con características que son considerablemente
diferentes de la mayoría de los otros datos/objetos del conjunto.
63
▪ Valores anómalos, atípicos o extremos (outliers): son
correctos aunque sean anómalos estadísticamente.
▪ Pueden ser un inconveniente para métodos basados en

ajuste de pesos (p.e. AANN).
▪ Técnicas de detección:
• Definir una distancia y ver los
individuos con mayor distancia
media al resto de individuos.
• Clustering parcial: los datos

se agrupan en clusters y los
datos que queden fuera
pueden considerarse outliers.
64
▪ Tratamiento de valores anómalos:
• Ignorar. Algunos algoritmos son robustos a datos
anómalos.
• Filtrar (eliminar o reemplazar) la columna. Solución

extrema, conveniente si existe una columna (atributo)
dependiente con datos de mayor calidad.
• Filtrar (eliminar o reemplazar) la fila. A veces puede sesgar

los datos porque las causas de un dato erróneo están
relacionadas con casos o tipos especiales.
• Reemplazar el valor. Por valor nulo si el algoritmo de DM
trabaja bien con datos nulos, con el máximo o mínimo o la
media.
• Discretizar: Si transformamos un valor continuo en discreto
(muy alto,…, muy bajo), los datos anómalos caen en la
categoría muy alto o muy bajo y se tratan sin problemas.
65
Bibliografía:
Springer, 2015
Reducción de Datos
Selecciona/extrae datos relevantes para la tarea de la

minería de datos/extracción de información.
Datos originales Datos

Reducidos
Snapshot on Data Reduction
What are the basic issues that must be resolved in data

reduction?
We provide a series of questions accompanied with the

correct answers involving each type of process that belongs
to the data reduction technique.
• How do I reduce the dimensionality of data?

• How do I remove redundant and/or conflictive examples?
• How do I simplify the domain of an attribute?
• How do I fill in gaps in data?
• How do I reduce the dimensionality of data?

—Feature Selection
• How do I remove redundant and/or conflictive examples?

—Instance Selection
(prototype Selection vs training set selection)
• How do I simplify the domain of an attribute?

—Discretization
▪ Divide the range of numerical (continuous or not)
attributes into intervals.
▪ Store the labels of the intervals.
▪ It is crucial for association rules and some classification
algorithms, which only accept discrete data.
• How do I fill in gaps in data?

—Feature Extraction and/or Instance Generation
Reducción de Datos
71
Reducción de Datos
Diferentes vías para la Reducción de Datos:

❖ Selección de Características
❖ Selección de Instancias
❖ Discretización
Reducción de Datos
Reducción
de Datos
Selección de Discretización
Características
Selección de
Instancias
Reducción de Datos
Reducción de
Datos
Características
Selección de
Instancias
Bibliografía:
H. Liu, H. Motoda. Feature Selection for Knowledge Discovery
and Data Mining. Kluwer Academic, 1998.
H. Liu, H. Motoda (Eds.) Feature Extraction, Construction, and
Selection: A Data Mining Perspective, Kluwer Ac., 1998.
Selección de Características
El problema de la selección de características (SC) o

variables (Feature Subset Selection, FSS) consiste en
encontrar un subconjunto de las variables del problema
que optimice la probabilidad de clasificar correctamente
¿Por qué es necesaria la selección de variables?
 Más atributos no significa más éxito en la clasificación

 Trabajar con menos variables reduce la complejidad del
problema y disminuye el tiempo de ejecución
 Con menos variables la capacidad de generalización
aumenta
 Los valores para ciertos atributos pueden ser costosos de
obtener
El resultado de la SC sería:
❖ Menos datos  los algoritmos pueden aprender más
rápidamente
❖ Mayor exactitud  el clasificador generaliza mejor
❖ Resultados más simples  más fácil de entender
SC tiene su extensión en la Transformación (extracción y

construcción de atributos)
Var. 1. Var. 5 Var. 13
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
A 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
B 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
C 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
D 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
E 0 1 0 0 0 1 1 0 1 1 0 0 0 0 1 0
F 1 1 1 0 1 1 0 0 1 0 1 0 0 1 0 0
La SC se puede considerar como un problema de búsqueda
{}
{1} {2} {3} {4}
{1,2} {1}{3} {2,3} {1,4} {2,4} {3,4}
{1,2,3} {1,2,4} {1,3,4} {2,3,4}
{1,2,3,4}
Fig. 7.1 Search

space for FS
Complete Empty
Set of Set of
Features Features
 En un algoritmo de selección de características se

distinguen dos componentes principales
 Una estrategia de búsqueda para seleccionar subconjuntos
candidatos
 Una función objetivo que evalúe esos subconjuntos
 Estrategia de búsqueda
 Dadas N variables, explorar todos los subconjuntos posibles
supone 2N (p.e. 220=1048576)
 Si queremos exactamente subconjuntos de M variables
(M<=N) entonces supone (NM). P.e. explorar subconjuntos
de 10 variables de 20 posibles, daría 184756
 Una búsqueda exhaustiva no es aceptable
 Función objetivo: evaluar la bondad del subconjunto

seleccionado
Ejemplo: Espacio de atributos para el problema weather

Ejemplo: Espacio de atributos para el problema weather

Funciones objetivo: Se distinguen dos enfoques distintos
 Filtro (filter). La función objetivo evalúa los subconjuntos

basándose en la información que contienen. Se utiliza
como función objetivo medidas de separabilidad de
clases, de dependencias estadísticas, basadas en teoría
de la información,…)
 Envolvente (wrapper). La función objetivo consiste en

aplicar la técnica de aprendizaje que se utilizará
finalmente sobre la proyección de los datos al conjunto de
variables candidato. El valor devuelto suele ser el
porcentaje de acierto del clasificador construido
Medidas filtro
 Medidas de separabilidad. Miden la separabilidad entre clases:
euclídeas, Mahalanobis,…
 P.e. Para un problema con 2 clases, un proceso de SC basado en
medidas de este tipo determina que X es mejor que Y si X induce una
diferencia mayor que Y entre las dos probabilidades condicionales de
las clases
 Correlaciones. Serán buenos subconjuntos los que estén muy

correlacionados con la clase
M
 ic
f ( X 1 ,..., X M )  M
i 1
M
 
i 1 j i 1
ij
donde ρic es el coeficiente de correlación entre la variable Xi y la etiqueta

c de la clase (C) y ρij es el coeficiente de correlación entre Xi y Xj
 Medidas basadas en teoría de información

 La correlación sólo puede medir dependencias lineales. Un método
bastante más potente es la información mutua I(X1,…,M; C)
f ( X 1,..., M )  I ( X 1,..., M ; C )  H (C )  H (C X 1,..., M ) 

C
P( X 1... M , c )
 
c 1 X 1,...,M
P( X 1... M , c ) log
P( X 1... M ) P(c )
dx
donde H representa la entropía y ωc la c-ésima etiqueta de la clase C

 La información mutua mide la cantidad de incertidumbre que
disminuye en la clase C cuando se conocen los valores del vector X1…M
 Por la complejidad de cálculo de I se suelen utilizar reglas heurísticas
M M M
f ( X 1... M )   I ( X i ; C )     I ( X i ; X j )
i 1 i 1 j i 1
por ejemplo con β=0.5
 Medidas de consistencia
 Los tres grupos de medidas anteriores intentan encontrar las

características que puedan, de forma maximal, predecir una
clase frente al resto
• Este enfoque no puede distinguir entre dos variables igualmente
adecuadas, no detecta variables redundantes
 Las medidas de consistencia tratan de encontrar el mínimo

número de características que puedan separar las clases de
la misma forma que lo hace el conjunto completo de
variables
Outlook Temp. Hum. Windy Class Outlook: sunny(0),overcast(1),windy(2)

0 1 1 0 0 Temperature:<72(0),>=72(1)
0 1 1 1 0
Humidity:<85(0),>=85(1)
Windy: false(0), true(1)
1 1 1 0 1
Class: no(0), yes(1)
2 0 1 0 1
2 0 0 0 1
2 0 0 1 0
Inf. Mutua Dist. Correlación
1 0 0 1 1 euclídea
0 1 1 0 0 Outlook 0.074 0.357 0.176
0 0 0 0 1
Temp. 4.03E-4 0.143 -0.043
2 1 0 0 1
Hum. 0.045 0.463 -0.447
0 1 0 1 1
1 1 1 1 1 Windy 0.014 0.450 -0.258

1 1 0 0 1
2 0 1 1 0
Ventajas
 Envolventes:
 Exactitud: generalmente son más exactos que los filtro,
debido a la interacción entre el clasificador y el conjunto de
datos de entrenamiento
 Capacidad para generalizar: poseen capacidad para evitar el
sobreajuste debido a las técnicas de validación utilizadas
 Filtro:
 Rápidos. Suelen limitarse a cálculos de frecuencias, mucho
más rápido que entrenar un clasificador
 Generalidad. Al evaluar propiedades intrínsecas de los datos
y no su interacción con un clasificador, sus resultados
pueden ser utilizados por cualquier clasificador
Inconvenientes
 Envolventes:
 Muy costosos: para cada evaluación hay que aprender un
modelo y validarlo. No es factible para clasificadores
costosos
 Pérdida de generalidad: La solución está sesgada hacia el
clasificador utilizado
 Filtros:
 Tendencia a incluir muchas variables. Normalmente se debe
a las características monótonas de la función objetivo
utilizada
• El usuario deberá seleccionar un umbral
Proceso
(GS) Subconjunto (CE)

Datos Generación Criterio
originales Subconjuntos atributos Evaluation
no si Subconjunto
Criterio Seleccionado
Parada
Proceso
Fig. 7.2 A filter model for FS

Proceso
Fig. 7.2 A wrapper model for FS

Distintas Clasificaciones
1. Según la evaluación: 2. Disponibilidad de la clase:
filter Supervisados
wrapper No supervisado
3. Según la búsqueda: 4. Según la salida del algoritmo:
Completa O(2N) Ranking

Heurística O(N2)
Aleatoria ¿? Subconjunto de atributos
Algoritmos Subconjunto de Atributos

Devuelven un subconjunto de atributos optimizado
según algún criterio de evaluación.
Entrada: x atributos - U criterio evaluación
Subconjunto = {}
Repetir
Sk = generarSubconjunto(x)
si existeMejora(S, Sk,U)
Subconjunto = Sk
Hasta CriterioParada()
Salida: Lista, atts más relevantes al principio

Algoritmos de Ranking
Devuelven una lista de atributos ordenados según
algún criterio de evaluación.
Entrada: x atributos - U criterio evaluación
Lista = {}
Para cada Atributo xi, i  {1,...,N}
vi = calcular(xi,U)
situar xi dentro de Lista conforme vi
Salida: Lista, atts más relevantes al principio

Validación algoritmos ranking
Atributos A1 A2 A3 A4 A5 A6 A7 A8 A9
Ranking A5 A7 A4 A3 A1 A8 A6 A2 A9
A5 A7 A4 A3 A1 A8 (6 atributos)
Algunos algoritmos.
¿Qué subconjunto de 2 variables seleccionamos?
Algunos algoritmos.
X1: [1,2,3,{4,5}] Es razonable que la función objetivo ofrezca un

X2: [{1,2},3,{4,5}] resultado como
X3: [1,{2,3},{4,5}] f(X1) >f(X2)≈f(X3)>f(X4)
X4: [{1,2,3},4,5]
 Elegir {X1,X2} o {X1,X3}
Parece razonable que se elija {X1,X4}

Algunos algoritmos.
Selección hacia delante
La selección forward comienza con el conjunto vacío y de

forma secuencial añade al subconjunto actual S el atributo
Xi que maximiza f(S,Xi)
1. Comenzar con S=Ф

2. Seleccionar la variable
X   arg max f (S  X )
X U  S
3. S=S U {X+}
4. Ir al paso 2
Algunos algoritmos.
Selección hacia atrás
 La selección backward comienza con el conjunto completo

U y de forma secuencial elimina del subconjunto actual S el
atributo X que decrementa menos f(S-X)
1. Comenzar con S=U

2. Seleccionar la variable X-
X   arg max f (S  X )
X S
3. S=S-{X-}
4. Ir al paso 2
Algunos algoritmos.
 Selección hacia delante:
 Funciona mejor cuando el subconjunto óptimo tiene pocas
variables
 Es incapaz de eliminar variables
 Selección hacia atrás:

 Funciona mejor cuando el subconjunto óptimo tiene muchas
variables
 El principal inconveniente es el de reevaluar la utilidad de
algunos atributos previamente descartados
 Especialmente con el enfoque envolvente, ¿cuál sería

computacionalmente más eficiente?
Algunos algoritmos.
Selección l-más r-menos
 Es una generalización de forward y backward
1. Si l>r entonces S=Ф

si no, S=U e ir al paso 3
2. Repetir l veces
X   arg max f ( S  X )
X U  S
S  S {X  }
3. Repetir r veces
X   arg max f ( S  X )
X S
S  S  {X }
4. Ir al paso 2
Algunos algoritmos.
Selección bidireccional
 Es una implementación paralela de forward y backward

 Hay que asegurar que los atributos eliminados por backward no
son introducidos por forward (y viceversa)
1. Comenzar forward con SF=Ф

2. Comenzar backward con SB=U
3. Seleccionar
X   arg max f ( S F  X )
X S B  S F
SF  SF {X  }
4. Seleccionar
X   arg max f ( S B  X )
X S B  S F
SB  SB  {X }
5. Ir al paso 3
Algunos algoritmos. Selección flotante

 Extensión de l-más r-menos para evitar fijar el l y r a priori
 Hay dos métodos: uno comienza por el conjunto vacío y otro por
el total
1. Comenzar con S=Ф

2. Seleccionar

X  arg max f ( S  X )
X U  S
S  S {X  }
3. Seleccionar
X   arg max f (S  X )
X S
4. Si f(S-X-)>f(S)
entonces S=S-{X-} e ir al paso 3
si no ir al paso 2
Algunos algoritmos.
Selección de características con árboles de decisión
Conjunto inicial de atributos: {A1, A2, A3, A4, A5, A6}
A4 ?
A1? A6?
Class 1 Class 2 Class 1 Class 2
Características seleccionadas: {A1,A4,A6}

Algunos algoritmos relevantes:
 Algoritmos secuenciales. Añaden o eliminan variables al

subconjunto candidato de forma secuencial. Suelen quedarse en
óptimos locales
 Selección hacia delante, selección hacia atrás, selección más-
menos-r, búsqueda bidireccional, selección secuencial flotante
 Algoritmos exponenciales. El número de subconjuntos evaluados

aumenta exponencialmente con la dimensionalidad del espacio
de búsqueda
 Branch and bound, beam search
 Algoritmos estocásticos. Utilizan aleatoriedad para escapar de

óptimos locales
 Ascensión de colinas con reinicios, enfriamiento estocástico,
algoritmos genéticos, enfriamiento simulado

 Focus algorithm. Consistency measure for forward search,

 Mutual Information based Features Selection (MIFS).
 Las Vegas Filter (LVF)
 Las Vegas Wrapper (LVW)
 Relief Algorithm
 mRMR: Minimum Redundancy Maximum Relevance
Extracción de características
f1=
1 N
Y
f2= f4=
1 1 f1*f2*f3
Y N
Y N =1
Y N
f3= f4=
1 0
1 1
Y N f4= f4=
N
Y 1 1
Y N Y N
f4= f4=
1 0
1 1
Y N 0 1 1 0
Y N
0 1 1 0
Fig. 7.4 The effect of using the product of features in decision tree modeling
Reducción de Datos
Reducción de
Datos
Características
Selección de
Instancias
Bibliografía:
T. Reinartz. A Unifying View on Instance Selection.
Data Mining and Knowledge Discovery 6, 191-210, 2002.
Selección de Instancias
La SI pretende elegir los ejemplos que sean relevantes

para una aplicación y lograr el máximo rendimiento. El
resultado de la SC sería:
❖ Menos datos  los algoritmos pueden aprender más

rápidamente
❖ Mayor exactitud  el clasificador generaliza mejor
❖ Resultados más simples  más fácil de entender
SI y Transformación (compactación/agrupamiento)
Ejemplos de diferentes tamaños
8000 puntos 2000 puntos 500 puntos

Selección de
Instancias
Muestreo Aprendizaje
Selección de Activo
Prototipos o
Aprendizaje
basado en
Instancias
Muestreo
Datos sin refinar

Muestreo
Datos sin refinar Reducción simple
Training Prototype
Data Set Selection Instances
(TR) Algorithm Selected (S)
Test Instance-based
Data Set Classifier
(TS)
Fig. 8.1 PS process

Selección de Prototipos para Clasificación con 1-NN
Conjunto de Datos (D)
Conj. Entrenamiento (TR) Conj. Test (TS)
Alg. de
Selección de
Prototipos
Prototipos Seleccionados (TSS) Clasificador 1-NN

Selección de Prototipos
Propiedades:
 Dirección de la búsqueda: Incremental, decremental, por

lotes, mezclada y fijada.
 Tipo de selección: Condensación, Edición, Híbrido.
 Tipo de evaluación: Filtrada o envolvente.

Selección de Prototipos o Aprendizaje basado en Instancias
Ref. S. García, J. Derrac, J.R. Cano and F. Herrera, Prototype Selection for Nearest Neighbor
Classification: Taxonomy and Empirical Study.IEEE Transactions on Pattern Analysis and Machine
Intelligence 34:3 (2012) 417-435 doi: 10.1109/TPAMI.2011.142
Formas de evaluar un algoritmo de Selección de

instancias en k-NN:
 Reducción del espacio de almacenamiento
 Tolerancia al ruido
 Precisión en la generalización del aprendizaje
 Requerimientos de cómputo
Un par de algoritmos clásicos:
 Algoritmo clásico de Condensación: Condensed Nearest Neihbor (CNN)

 Incremental
 Inserta solo las instancias mal clasificadas a partir de una selección aleatoria
de una instancia de cada clase.
 Dependiente del orden de presentación
 Solo retiene puntos pertenecientes al borde
Un par de algoritmos clásicos:
 Algoritmo clásico de Edición: Edited Nearest Neighbor (ENN)

 Por lotes
 Se eliminan aquellas instancias que se clasifican incorrectamente usando sus
k vecinos más cercanos (K = 3, 5 ó 9).
 “Suaviza” las fronteras, pero retiene el resto de puntos (muchos
redundantes)
Ejemplos gráficos:
Conjunto banana con 5.300 instancias y dos clases. Conjunto

obtenido por CNN y AllKNN (aplicación iterativa de ENN con k=3,
5 y 7).
Ejemplos gráficos:
RMHC es una técnica de muestreo adaptativo basa en búsquedas

locales con un tamaño final fijo.
DROP3 es la técnica híbrida más conocida y utilizada para NN.
SSMA es una aproximación evolutiva basada en algoritmo
meméticos.
Ejemplos gráficos:
Selección Muestreo
de
Prototipos
Selección Selección
Algoritmos Muestreo
Basada en Basada en
Evolutivos Aleatorio
Reglas NN Eliminación
Ordenada
Multiedit Drop 3 CHC

Ib3
Bibliografía: J.R. Cano, F. Herrera, M. Lozano. Using Evolutionary Algorithms as Instance Selection for Data
Reduction in KDD: An Experimental Study. IEEE Trans. on Evolutionary Computation 7:6 (2003) 561-575.
Ejemplos gráficos:
Multiedit Drop2
Ib3 CHC
Bibliografía: J.R. Cano, F. Herrera, M. Lozano. Using Evolutionary Algorithms as Instance Selection for Data
Reduction in KDD: An Experimental Study. IEEE Trans. on Evolutionary Computation 7:6 (2003) 561-575.
Selección de Instancias. Eficiencia

El orden de los algoritmos es superior a O(n2) y suele
estar en orden O(n3) .
Las principales dificultades que deben afrontar los
algoritmos de Selección de Prototipos son: Eficiencia,
recursos, generalización, representación.
¿Cómo realizar la selección de instancias con grandes
bases de datos?
Combinamos una estrategia de estratificación con los
algoritmos de selección de instancias.
Grandes Bases de Datos. Estrategia de Estratificación.
Conjunto de Datos
T1 T2 T3 Tt
IS IS IS IS
SS1 SS2 SS3 SSt
TR1 TR2 TR3 TRt
TS1 TS2 TS3 TSt
Referencia: J.R. Cano, F. Herrera, M. Lozano. Stratification for Scaling Up Evolutionary Prototype Selection.
Pattern Recognition Letters 26:7 (2005) 953-963.
Selección de Instancias. Ejemplo – Kdd Cup’99
Número Número
Número
de de
Nombre de
Instanci Atributo
s Clases
as
Kdd
494022 41 23
Cup’99
Selección de Instancias. Ejemplo – Kdd Cup’99

Tiempo % % Ac. % Ac Test
Red Trn
1-NN cl 18568 99.91 99.91
Cnn st 100 8 81.61 99.30 99.27
Cnn st 200 3 65.57 99.90 99.15
Cnn st 300 1 63.38 99.89 98.23
Ib2 st 100 0 82.01 97.90 98.19
Ib2 st 200 3 65.66 99.93 98.71
Ib2 st 300 2 60.31 99.89 99.03
Ib3 st 100 2 78.82 93.83 98.82
Ib3 st 200 0 98.27 98.37 98.93
Ib3 st 300 0 97.97 97.92 99.27
CHC st 100 1960 99.68 99.21 99.43
CHC st 200 418 99.48 99.92 99.23
CHC st 300 208 99.28 99.93 99.19
J.R. Cano, F. Herrera, M. Lozano, Stratification for Scaling Up Evolutionary

Prototype Selection. Pattern Recognition Letters, 26, (2005), 953-963.
Selección de Prototipos la Selección de

Conjuntos de Entrenamiento
Selección de Prototipos la Selección de

Conjuntos de Entrenamiento
Conjunto de Datos (D)
Conj. Entrenamiento (TR) Conj. Test (TS)
Alg. de
Selección de
Prototipos
Prototipos Seleccionados (TSS)
Alg. de Minería Modelo

de Datos Obtenido
Ej. Selección de Instancias
y Extracción de Árboles de Decisión
atributo: color
verde amarillo rojo

J.R. Cano, F. Herrera, M. Lozano, Evolutionary Stratified Training Set Selection for Extracting Classification
Rules with Trade-off Precision-Interpretability. Data and Knowledge Engineering 60 (2007) 90-108.
Conjunto inicial de atributos:
{A1, A2, A3, A4, A5, A6}
A4 ?
A1? A6?
Clase 1 Clase 2 Clase 1 Clase 2
> Conjunto reducido de atributos: {A1, A4, A6}

Los árboles de decisión seleccionan características
Comprehensibilidad:
Árboles de Tamaño reducido
Se utilizan técnicas de poda

eliminación de nodos
Las estrategias de selección de instancias permiten

construir árboles de decisión para grandes bases de datos
reduciendo el tamaño de los árboles.
Aumentan su intepretabilidad.
Kdd Cup’99. Número de estratos: 100
No. % C4.5
Reglas Reducción %Ac Trn %Ac Test
C4.5 252 99.97% 99.94%
Cnn Strat 83 81.61% 98.48% 96.43%
Drop1 Strat 3 99.97% 38.63% 34.97%
Drop2 Strat 82 76.66% 81.40% 76.58%
Drop3 Strat 49 56.74% 77.02% 75.38%
Ib2 Strat 48 82.01% 95.81% 95.05%
Ib3 Strat 74 78.92% 99.13% 96.77%
Icf Strat 68 23.62% 99.98% 99.53%
CHC Strat 9 99.68% 98.97% 97.53%
La selección de instancias nos permite obtener conjuntos de

reglas más interpretables y con aporte de mayor información.
No. No. Confidencia de

No. Variables/
Instan- Varia- No. Reglas las Reglas
regla
cias - N bles N(Cond,Clas)/N
IS-CHC/ IS-CHC/ C4.5 IS-CHC/

Adult C4.5 C4.5
30132 14 C4.5 C4.5 C4.5
2 clases
359 5 14 3 0.003 0.167
Bibliografía: J.R. Cano, F. Herrera, M. Lozano, Evolutionary Stratified Training Set Selection for
Extracting Classification Rules with Trade-off Precision-Interpretability. Data and Knowledge
Engineering 60 (2007) 90-108, doi:10.1016/j.datak.2006.01.008.
Conjuntos de datos no balanceados

 Algunos problemas tienen una presencia de las
clases desigual
 Diagnosis médica: 90% sin-enfermedad, 10% enfermedad
 e-comercio: 99% no-compra, 1% compra
 seguridad: >99.99% de conexiones no son ataques
 La situación es similar con múltiples clases
 La mayoría de los clasificadores obtienen un 97%
de clasificación correcta, pero no son útiles
Conjuntos de datos no balanceados
¿Cómo se procesan las clases no

balanceadas?
a. Utilizar técnicas de reducción de datos para balancear

las clases reduciendo las clases mayoritarias.
b. Realizar sobremuestreo para balancear aumentar el

tamaño de las clases minoritarias.
Algunos otros aspectos a destacar

Generación de prototipos: Creación de prototipos artificiales para
mejorar el comportameento de los algoritmos.

Hibridación entre selección de instancias y características

Hibridación con técnicas de aprendizaje y multiclasificadores

Estudios sobre escalabilidad
WEBSITE:
http://sci2s.ugr.es/pr/index.php
Bibliografía:
S. García, J. Derrac, J.R. Cano and F. Herrera,
Prototype Selection for Nearest Neighbor Classification: Taxonomy and Empirical Study.
IEEE Transactions on Pattern Analysis and Machine Intelligence 34:3 (2012) 417-435 doi:
10.1109/TPAMI.2011.142
S. García, J. Luengo, F. Herrera. Data Preprocessing in Data Mining, Springer, 15, 2015
Códigos (Java):
Selección de Instancias (website)
http://sci2s.ugr.es/pr/
Selección de Instancias (website)
http://sci2s.ugr.es/pr/
Reducción de Datos
Reducción de
Datos
Características
Selección de
Instancias
Bibliografía:
S. García, J. Luengo, José A. Sáez, V. López, F. Herrera, A Survey of Discretization
Techniques: Taxonomy and Empirical Analysis in Supervised Learning.
IEEE Transactions on Knowledge and Data Engineering, doi: 10.1109/TKDE.2012.35.
WEBSITE: http://sci2s.ugr.es/discretization/
Discretización
 Los valores discretos son muy útiles en Minería de Datos.
 Representan información más concisa, son más fáciles de

entender más cercanos a la representación a nivel de
conocimiento.
 La discretización busca transformar los valores

continuos/discretos que se encuentran ordenados en
valores nominales que no están ordenados. Proceso de
cuantificación de atributos numéricos.
 Los valores nominales tienen un dominio finito, por lo que

también se considera una técnica de reducción de datos.
 La discretización puede hacerse antes de la obtención de

conocimiento o durante la etapa de obtención de
conocimiento.
Discretización
 Divide el rango de atributos continuos (numéricos) en

intervalos
 Almacena solo las etiquetas de los intervalos
 Importante para reglas de asociación y clasificación, algunos
algoritmos solo aceptan datos discretos.
EDAD 5 6 6 9 … 15 16 16 17 20 … 24 25 41 50 65 … 67
COCHE
EN 0 0 0 0 … 0 1 0 1 1 … 0 1 1 1 1 … 1
PROPIEDAD
EDAD [5,15] EDAD [16,24] EDAD [25,67]

Discretización
Distribución de peso
16
14
12
50 - 58 kg
Frecuencia
10
8
6
59-67 kg
4 > 68 kg
2
0
50 52 54 56 58 60 62 64 66 68 70 72 74
peso
Discretización
Etapas en el proceso de discretización

Discretización
 La discretización se ha desarrollado a lo largo de

diferentes líneas según las necesidades:
 Supervisados vs. No supervisados: Consideran o no el

atributo objetivo.
 Dinámicos vs. estáticos: Mientras se construye o no el

modelo.
 Locales vs. Globales: Centrados en una subregión del

espacio de instancias o considerando todas ellas.
 Top-down vs. Bottom-up: Empiezan con una lista vacía o

llena de puntos de corte.
 Directos vs. Incrementales: Usan o no un proceso de

optimización posterior.
Discretización
 Algoritmos no supervisados:
• Intervalores de igual amplitud
• Intervalos de igual frecuencia
• Clustering …..
 Algoritmos supervisados:
• Basados en Entropía [Fayyad & Irani 93 and others]

[Fayyad & Irani 93] U.M. Fayyad and K.B. Irani. Multi-interval discretization of continuous-valued attributes
for classification learning. Proc. 13th Int. Joint Conf. AI (IJCAI-93), 1022-1027. Chamberry, France, Aug./
Sep. 1993.
• Metodos Chi-square [Kerber 92]

[Kerber 92] R. Kerber. ChiMerge: Discretization of numeric attributes. Proc. 10th Nat. Conf. AAAI, 123-128.
1992.
• … (múltiples propuestas)
Bibliografía: S. García, J. Luengo, José A. Sáez, V. López, F. Herrera, A Survey of Discretization

IEEE Transactions on Knowledge and Data Engineering 25:4 (2013) 734-750, doi: 10.1109/TKDE.2012.35.
Discretización
Ejemplo Discretization: Igual amplitud

Valores de temperatura:
64 65 68 69 70 71 72 72 75 75 80 81 83 85
Contador
4
2 2 2 0 2 2
[64,67) [67,70) [70,73) [73,76) [76,79) [79,82) [82,85]
Igual amplitud
Discretización
Discretización:
igual amplitud puede producir
desequilibrios
Contador
1
[0 – 200,000) … …. [1,800,000 –
Salario en una empresa 2,000,000]
Discretización
Problemas con igual amplitud
Contador
1
[0 – 200,000) … …. [1,800,000 –
Salario en una empresa 2,000,000]
¿Qué podemos hacer para conseguir una mejor distribución?
Discretización
Ejemplo Discretización: Igual frecuencia
Valores de la temperatura
64 65 68 69 70 71 72 72 75 75 80 81 83 85
Contador
4 4 4
2
[64 .. .. .. .. 69] [70 .. 72] [73 .. .. .. .. .. .. .. .. 81] [83 .. 85]
Igual frecuencia (altura) = 4, excepto para la

última caja
Discretización
Ejemplo: Discretización: Ventajas de la igualdad en

frecuencia
 Generalmente es preferible porque evita

desequilibrios en el balanceo entre valores
 En la práctica permite obtener puntos de corte
mas intuitivos.
 Consideraciones adicionales:
 Se deben crear cajas para valores especiales
 Se deben tener puntos de corte interpretables
Discretización
 Algoritmos no supervisados:
• Intervalores de igual amplitud
• Intervalos de igual frecuencia
• Clustering …..
 Algoritmos supervisados:
• Basados en Entropía [Fayyad & Irani 93 and others]

[Fayyad & Irani 93] U.M. Fayyad and K.B. Irani. Multi-interval discretization of continuous-valued attributes
for classification learning. Proc. 13th Int. Joint Conf. AI (IJCAI-93), 1022-1027. Chamberry, France, Aug./
Sep. 1993.
• Metodos Chi-square [Kerber 92]

[Kerber 92] R. Kerber. ChiMerge: Discretization of numeric attributes. Proc. 10th Nat. Conf. AAAI, 123-128.
1992.
• … (múltiples propuestas)
Bibliografía: S. García, J. Luengo, José A. Sáez, V. López, F. Herrera, A Survey of Discretization

IEEE Transactions on Knowledge and Data Engineering 25:4 (2013) 734-750, doi: 10.1109/TKDE.2012.35.
Discretización
Discretizador Entropy MDLP (Fayyad)
 Comienzan con los puntos de corte dados entre ejemplos de diferentes

clases:
 Minimum Description Length Principle (MDLP), basado en entropía, se

utiliza para escoger los puntos de corte útiles entre los anteriores.
 El criterio de parada se basa también en MDLP.
 MDLP se formula como el problema de encontrar el coste de comunicación

entre un emisor y un receptor. Se asume que el emisor tiene el conjunto de
instancias mientras que el receptor tiene las etiquetas de clase.
 Se dice que una partición inducida po run punto de corte es aceptada si y

solo si el coste del mensaje requerido para enviar antes de particionar es
mayor que el requerido después de particionar.
Discretización
Discretización sin utilizar las clases
Datos Igual anchura de intervalo
Igual frecuencia K-medias

Discretización
Discretización utilizando clases (basado en entropía)
3 categorías para ambas variables x e y 5 Categorías para ambas variables

Discretización
 ¿Qué discretizador será mejor?.
 Como siempre, dependerá de la aplicación,

necesidades del usuario, etc…
 Formas de evaluación:
 Número total de intervalos

 Número de inconsistencias causadas
 Tasa de acierto predictivo
Bibliografía:
Springer, 2015
Comentarios Finales
El preprocesamiento de datos es una

necesidad cuando se trabaja con una
aplicación real, con datos obtenidos
directamente del problema.
Comentarios Finales
Datos sin refinar

Conocimiento
Preprocesa-
Obtención Interpretación
miento
de de
de
Patrones Resultados
Datos
• Reglas de asociación
• Preparación de
• Classificación / predicción • Visualización
Datos
• Análisis de cluster • Validación
• Reducción
Comentarios Finales
Una ventaja: El preprocesamiento de datos permite

aplicar los modelos de Aprendizaje/Minería de Datos de
forma más rápida y sencilla, obteniendo modelos/patrones
de más calidad: precisión e/o interpretabilidad.
Un inconveniente: El preprocesamiento de datos no es

un área totalmente estructurada con una metodología
concreta de actuación para todos los problemas.
Cada problema puede requerir una actuación diferente,
utilizando diferentes herramientas de preprocesamiento.
Comentarios Finales
Un inconveniente: El preprocesamiento de datos no es

un área totalmente estructurada con una metodología
concreta de actuación para todos los problemas.
El diseño de procesos Sampling

automáticos de uso de las
diferentes etapas/técnicas en Feature
minería de datos es uno de los Selection
nuevos retos existentes.
Mining…
Q. Yang, X. Wu
10 Challenging problems in data mining research.
International Journal of Information Technology & Decision Making 5:4 (2006) 597-604
Comentarios Finales
Las Técnicas de Reducción de Datos pueden permitir
mejorar la precisión/interpretabilidad de los métodos de
extracción de conocimiento, además de reducir el tamaño
de la BD y el tiempo de los algoritmos de aprendizaje.
Para cada método de aprendizaje/problema puede ser

necesario diseñar un mecanismo de reducción de datos
que sea cooperativo con el propio método de aprendizaje.
“Good data preparation is key to

producing valid and reliable
models”
Snapshot on Data Preprocessing
Every problem can need a different preprocessing process, using different tools.
http://sci2s.ugr.es/most-
influential-preprocessing
Fig. 29. Depiction of the 5 Cases,

hierarchically distributed by the
preprocessing application order,
showing the AUC values obtained in
each step
Snapshot on Data Preprocessing
Comentarios Finales
El software de minería de datos KEEL (knowledge

extraction based on evolutionary learning) incluye un
módulo de preparación de datos de datos (selección de
características, imputación de valores perdidos, selección
de instancias, discretizacion, ...
Comentarios Finales
El software de minería de datos KEEL (knowledge

extraction based on evolutionary learning) incluye un
módulo de preparación de datos de datos (selección de
características, imputación de valores perdidos, selección
de instancias, discretización, ...
Octubre, 2014
Bibliografía
Bibliografía – Minería de Datos y Preprocesamiento
Dorian Pyle
Morgan Kaufmann, 1999

Springer, 2015
Competición
Ej. Competición 2015
INTELIGENCIA DE NEGOCIO
2017 - 2018
 Tema 1. Introducción a la Inteligencia de Negocio

 Tema 2. Minería de Datos. Ciencia de Datos
 Tema 3. Modelos de Predicción: Clasificación,
regresión y series temporales
 Tema 4. Preparación de Datos
 Tema 5. Modelos de Agrupamiento o Segmentación
 Tema 6. Modelos de Asociación
 Tema 7. Modelos Avanzados de Minería de Datos.
 Tema 8. Big Data

Tema 04

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Tema 04

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 04

Cargado por

Copyright:

Formatos disponibles

INTELIGENCIA DE NEGOCIO

 Tema 1. Introducción a la Inteligencia de Negocio

Quality Data for

 Entender los distintos problemas a resolver en procesos

“The fundamental purpose of data preparation

“El propósito fundamental de la preparación de

“Data preprocessing is an often neglected but

S. García, J. Luengo, F. Herrera

 Importancia del Preprocesamiento de Datos

 ¿Qué incluye el Preprocesamiento de

1. Los datos reales pueden ser impuros, pueden conducir

Esto se puede deber a:

Datos Incompletos: falta de valores de atributos, …

2. El preprocesamiento de datos puede generar un

Esta actuación incluye:

Selección relevante de datos: eliminando registros

3. El preprocesamiento de datos genera “datos de

Por ejemplo, se puede:

Recuperar información incompleta.

▪ Datos de baja calidad puede llevar a modelos de

Decisiones de calidad deben ser basadas en

▪ El preprocesamiento de datos (limpieza,

“El Preprocesamiento de Datos”

engloba a todas aquellas técnicas de análisis de

S. García, J. Luengo, F. Herrera, 2015, Preface vii:

“Data preprocessing includes data preparation,

We refer to data preparation as the set of techniques that

S. García, J. Luengo, F. Herrera

• How do I clean up the data?—Data Cleaning

•How do I incorporate and adjust data?

Integración, Limpieza y Transformación

Obtiene los datos de diferentes fuentes de información

▪ Atributos derivados: Salario mensual versus salario anual

item Salario/mes item Salario

Cuestiones a considerar al realizar la integración de datos

▪ Integración del esquema. ¿Cómo asegurar que entidades

▪ Detección de datos duplicados e inconsistencias.

▪ Redundancia. Un atributo es redundante si puede

Objetivo: medir la fuerza con la que un atributo implica a otro, en

La correlación entre dos atributos A y B puede medirse como.

▪ rA,B > 0  A y B están correlacionados positivamente (ambas tienen

Ejemplo1: Con las variables x2 0.98 1

x, x2 y 1/x (x=1,…5) 1/x -0.9 -0.81 1

Obesidad 0.34 0.22 1

▪ Detección y resolución de conflictos en los valores de los

Cuidar el proceso de integración a partir de múltiples

▪ Algunos algoritmos de DM tienen métodos propios para

Limpieza de Datos: Ejemplo

Limpieza de Datos: Ejemplo de Inconsistencia

Presencia de discrepancias en datos

▪ Objetivo: pasar los valores de un atributo a un rango

▪ Útil para algunas técnicas como AANN o métodos basados

[min A , max A ]  [nuevomin A , nuevomax A ]

Las relaciones entre los datos originales se conservan.

• Normalización por escala decimal. Normaliza moviendo el

▪ Algunas operaciones típicas:

• Normalización: Cambiar el rango [-1,1] o [0,1].