Data Mining

1
Data Mining
2
Ce quest le Data Mining

• Extraction dinformations intéressantes
• non triviales,
• implicites,
• préalablement inconnues et
• potentiellement utiles
• à partir de données.
• Autres appellations
• ECD (Extraction de Connaissances à partir de
  Données)
• KDD (Knowledge Discovery from Databases)
• Analyse de données/patterns, business
  intelligence, fouille de données, etc.

3
Quels types dinformation Rechercher ?

• La typologie de linformation que lon veut
  extraire dépend du type daction que le décideur
  veut entreprendre
• Nous allons considérer
• Recherche des liens entre éléments de la base de
  données (Règles dassociation)
• Analyse des comportement des éléments de la base
  de données (prédiction)
• Recherche de similitudes entre éléments de la
  base (Regroupement)

4
Associations (1)

• Les enseignes de grands magasins proposent
  régulièrement des promotions sur divers produits
• Une promotion représente un manque à gagner pour
  le magasin
• Dilemme Comment proposer des promotions
  intéressantes pour les clients tout en réduisant
  le manque à gagner ?
• Regarder les habitudes dachats des clients si
  en général, les clients qui achètent du lait
  achètent aussi du sucre, alors il nest pas
  intéressant de faire des promotions sur les 2
  produits en même temps
• Idée trouver les associations entre produits
  pour extraire les produits à promouvoir

5
Associations (2)

• Règles dassociation
• motifs de la forme Corps ? Tête
• Exemple Lait ? sucre
• Etant donnés (1) une base de transactions, (2)
  chaque transaction est décrite par un identifiant
  et une liste ditems
• Trouver toutes les règles qui expriment une
  association entre la présence dun item avec la
  présence dun ensemble ditems
• Ex., 98 des personnes qui achètent du lait
  achètent du sucre

6
Associations Support et Confiance (3)

• Trouver les règles X Y ? Z avec un support gt s
  et une confiance gtc
• support s, probabilité quune transaction
  contienne X, Y, Z
• confiance c, probabilité conditionnelle quune
  transaction qui contient X, Y contienne aussi Z

Clients achetant les deux
Clients achetant du lait
Clients achetant du sucre
Confiancesupport(X,Y,Z)/support(X,Y)
Soit support minimum 50, et confiance minimum
50, A ? C (50, 66.6) C ? A (50, 100)
7
Problème algorithmique

• Si on a 1010 produits, on a 21010 itemsets à
  vérifier !
• Idée Exploiter la propriété de non monotonicité
  
• Si A,B,C nest pas fréquent, alors A,B,C,D ne
  peut pas lêtre

8
Prévision (1)

• Les établissements financiers accordent des
  crédits à leurs clients
• Lattribution dun crédit dépend de certains
  critères que le client doit satisfaire
• Dilemme
• Si on ne prête quaux très riches, on naura pas
  de problèmes de remboursement mais on perd les
  autres clients (pas de risque).
• Si on prête aux moins riches, on ne va pas perdre
  les clients mais on est exposé aux non
  remboursements (trop de risque)
• Idée se baser sur lhistorique des clients pour
  dresser des profils de bons clients, clients
  moyens, et mauvais payeurs

9
Prévision (2)

• Lorganisme dispose dun fichier décrivant ses
  différents clients à qui il a attribué un crédit
• Chaque client est décrit par un certain nombre
  dattributs Salaire, situation marital, emploi,
  locataire/propriétaire, personnes à charge,
  montant crédit,
• A chaque client, on ajoute un attribut
  particulier qui est le nom de la classe et qui
  est égal à bon, mauvais ou moyen
• Le but consiste à extraire à partir de ce fichier
  un ensemble de règles quon va utiliser
  lorsquun nouveau client demande un crédit pour
  savoir si lon peut le lui attribuer ou pas

10
Prévision (3)

• Exemples de règles de production
• Si crédit gt 1/3 salaire ? mauvais
• Si crédit lt1/3 salaire charges gt4 ? mauvais
• Si crédit lt1/3 salaire charges lt4
• propriétaire oui ? bon
• Si crédit lt1/3 salaire charges lt4
• propriétairenon cadreoui ? bon
• Si crédit lt1/3 salaire charges lt4
• propriétairenon cadre non ? moyen
• Ces règles peuvent être représentées par un arbre
  de décision

11
Prévision (4)
Endettement
gt1/3
lt1/3
Mauvais
charges
En pratique, les systèmes construisent dabord
les arbres doù ils dérivent les règles
gt4
lt4
Mauvais
Propriétaire
oui
non
Bon
Cadre
oui
non
Bon
moyen
12
Association versus prévision

• Dans les deux cas, on cherche à extraire des
  règles
• Les règles dassociation expriment une notion de
  lien entre objets de même type (ex les produits
  vendus par un magasin). Attention Une règle
  dassociation nexprime pas une corrélation
• Les règles de production expliquent le lien entre
  une classe particulière et la valeur des
  caractéristiques de plusieurs objets
• Les deux types de règles ne véhiculent pas le
  même type dinformation

13
Regroupement (1)

• Considérons une entreprise de vente par
  correspondance qui veut envoyer des prospectus
  publicitaires à ses clients
• Lentreprise a un fichier de 100.000 clients. Le
  coût de la campagne est estimé à 0,5 ce qui
  fait un coût global de 50.000
• Doù lintérêt de cibler les envois un client
  qui a lhabitude dacheter du matériel de pêche
  na que faire dune pub qui porte sur les
  vêtements pour le golf (en général )
• Dilemme ne pas envoyer de prospectus versus en
  envoyer mais en ciblant les clients
• Idée construire des groupes de clients. Chaque
  groupe sera soit destinataire dun prospectus
  ciblé soit on ne lui envoie pas du tout.

14
Regroupement (2)

• Les groupes (ou clusters) sont construits de
  sorte à
• Maximiser la similarité entre éléments dun même
  groupe
• Maximiser la dissimilarité entre groupes
• Les questions auxquelles le décideur est
  confronté
• Si chaque individu forme à lui seul un groupe,
  alors la similarité intra-groupe est maximale
  mais la dissimilarité inter-groupes peut ne pas
  lêtre
• Si on ne forme quun seul groupe, la
  dissimilarité intergroupes est maximale, mais la
  similarité intra-groupe peut ne pas lêtre
• ? des techniques qui permettent à lutilisateur
  de fixer le nombre k de groupes quil veut
  construire

15
Regroupement
16
Regroupement (3)

• Linformation extraite se présente sous forme
  dun ensemble de groupes GG1, G2, , Gk
• Toutes les techniques utilisent une mesure de
  similarité ou distance entre
• Individus (similarité intra)
• Groupes dindividus (similarité inter)
• Les mesures dépendent du type des attributs
  décrivant les individus
• Attributs numériques ? distance au sens
  mathématique
• Ex o1(1,2), o2(0,3), dist(o1,o2)
  1-02-32
• Attributs binaires (oui ou non) ? coefficient de
  similarité
• Ex o1(oui, non, oui), o2(oui, oui, non)
• dist(o1,o2)1/3
• Attributs catégoriels. Ex taille grand, petit,
  moyen

17
Prévision Versus Regroupement

• Dans la littérature, souvent lun est dénommé
  Apprentissage supervisé et lautre Apprentissage
  non-supervisé
• Le regroupement pourrait être utilisé pour
  affecter une classe à un nouvel individu la
  classe du groupe dindividus auxquels il
  ressemble le plus
• La prévision pourrait être considérée comme du
  regroupement Chaque valeur de lattribut
  particulier  Classe  correspond à un groupe

18
Autres types dinformation

• Séquences similaires trouver les actions
  boursières qui évoluent dune manière similaire,
  trouver les internautes dont le comportement lors
  de la visite dun site marchand est similaire,
• Les exceptions trouver les clients dune
  entreprise de téléphonie dont les factures ne
  ressemblent pas aux autres travail à domicile,
  fraude

19
Conclusion

• Utiliser un système de datamining est intéressant
  quand on sait
• Quelles actions nous voulons entreprendre
• Quelles types dinformation nous devons
  rechercher
• Pour chaque type dinformation, il existe
  plusieurs techniques qui ne sont dans la plupart
  des cas, pas équivalentes mais complémentaires
• Pour bien exploiter les informations extraites,
  il est important de comprendre les techniques
  sous jacentes

20
Merci