Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 1/29 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 2/29 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 3/29 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 4/29 Neurochirurgie Motol Snímán tlak v hlavě po úrazu (otok mozku) Jak tlak závisí na dalších snímaných ukazatelích? Vhodné předzpracování zápisu manipulace s pacientem
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 5/29 Neurologie v Hradci Králové Electrophysiological Laboratory Charles University in Prague Faculty of Medicine in Hradec Králové http://www.lfhk.cuni.cz/elf/
Hradec - Spánková data Pavel Kordík (ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 7/29
Hradec - Evokované potenciály Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 8/29
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 9/29 Recording positions EEG 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 10/29 Evokované potenciály poškození očních nervů
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 11/29 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
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 12/29 Geofond sesuvy v YALE DP Petr Zelenka (http://dip.felk.cvut.cz)
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 13/29 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 14/29 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
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 15/29 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 16/29 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 sméněčetnou kategorií cílové proměnné, nebo prostý náhodný výběr případů svícečetnou 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 spraktickou 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) Předzpracování dat MI-PDD, 2012, Cvičení 4 17/29 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
Honeywell Prague Laboratory Data z budov Energie Logy z karet Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 18/29
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 19/29 Center for chemical genetics Data mining procesů při buněčném dělení
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 20/29 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
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 21/29 Automatické předzpracování Otestovat na různých datech Konzistence výběru předzpracovacích metod Automatické předzpracování signálů
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 22/29 Preprocessing methods implemented in FAKE GAME
Methods to impute missing values MissingData.ConstantMissingDataImputer MissingData.MedianMissingDataImputer MissingData.NearestNeighbourMissingDataImputer MissingData.RemoveMissingData MissingData.AnotherInstanceValueDataImputer Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 23/29
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 24/29 Methods to normalize data Normalization.LinearNormalizer Normalization.SoftmaxNormalizer Normalization.MeanNormalizer Normalization.ZscoreNormalizer
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 25/29 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
Other methods Discretization.EqualSizeBinning DataEnrichement.Smote Nominal data encoding 1 from N Encoding into single attribute Color Size red small green large red large Red color Green color Small size 1 0 1 0 0 1 0 1 Large size Color Size 0.1 0.01 0.3 0.9 or Color Size 0.6 0.4 0.1 0.6 1 0 0 1 0.1 0.9 0.6 0.6 Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 26/29
Our experiments with automated encoding of nominal attributes Correlation Probability density 10% improvement on Golf data Relative accuracy Relative accuracy Relative accuracy Probability density Relative accuracy Relative accuracy Relative accuracy Diploma thesis Michal Zaborec, Minh Duc Do, CTU Prague, 2009 Linear regression Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 27/29
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 28/29 Putting (preprocessing methods)all together For each feature, optimal sequence of preprocessing methods is evolvedby GA Raw data Genetic Algorithm evolving preprocessing sequences Preprocessing Sequences Selected representative data subset Error of models, fitness function GAME Ensemble of models Automated data preprocessing
Evolving preprocessing sequences Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 29/29