Apresentação - Trabalho Mineração Dados Final

Universidade Federal do Rio Grande do Norte Centro de Ensino Superior do Serid Departamento de Cincias Exatas e Aplicadas Bacharelado de Sistemas
de Informao Laboratrio de Inteligncia Computacional Aplicado a Negcios Fladson Oliveira Lucas Marciano
Agenda
Introduo
Premissas Ferramentas de Apoio a deciso
Trabalhos na base
Trabalhos parecidos Concluso Referncias
UFRN/CERES/DCEA/Sistemas de Informao/LabICAN
Introduo
Algoritmos de minerao de dados para analisar uma
base de dados comercial, real; Com o fim de identificar possveis grupos de clientes, para que auxilie o comerciante a liberar ou no o pagamento parcelado; Algoritmos Nave Bayes e os Mapas Auto Organizveis.
Premissas I
De acordo com o IBGE o brasileiro teve seu poder de
compra aumentado em 19% entre os anos de 2003 e 2010; O tipo de compra mais realizada pelo brasileiro a compra a prazo que, em alguns casos, envolve confiana por parte do empresrio para com o cliente; A rpida evoluo dos recursos computacionais permitiu que fossem gerados grandes volumes de dados (Sferra,2003);
Premissas II
Estima-se que a quantidade de informao no mundo
dobra a cada vinte meses (Dilly, 1999); As informaes esto bastante ligadas tomada de decises de nvel estratgico (Freitas, 1992); A tentativa de buscar relacionar vrios campos, de uma base de dados de vrios terabytes, praticamente impossvel para um humano comum, tambm podemos citar a questo do tempo e do dinheiro investido para essa ao (Fayyad et al.,1992).
Ferramenta de apoio a deciso I

Descoberta de Conhecimento em Base de Dados
(Knowledge Discovery in Databases - KDD)

Minerao de Dados (Prospeco de Dados )
Nave Bayes Redes Bayseanas Busca por uma forma de lgica fuzzy;
Ex: VERDADEIRO, FALSO, TALVEZ. Ex: 0 ou 1
No baseada na lgica Booleana.
Mapas Auto Organizveis (SOM)

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN 6
Ferramenta de apoio a deciso II
Ferramenta de apoio a deciso III
Ferramenta de apoio a deciso IV
Trabalhos na base I
Uso do Weka Explore, Orange Canvas e MySQL

Workbench; Tuplas erradas ou no preenchidas; Campos da base: renda da famlia, se casado, numero de filhos, faixa salarial, emprego fixo, idade e se possui atraso; Transformao dos campos de datas em nmero de meses, at a presente data; Minerao usando o Nave Bayes e o SOM;
Classes definidas : atrasou ou no atrasou.
Uso da projeo linear para perceber a distribuio da base.

Trabalhos na base II
11
Trabalhos na base III
12
Sada do Weka
13
Sada do Weka
14
Sada do Weka
15
Sada do Weka com o Nave Bayes
16
Trabalhos parecidos
Xiao e Lei (2008) obtiveram resultados satisfatrios
numa pesquisa em que compararam o modelo de risco de evoluo de credito baseado em SOM
Os resultados mostraram que os SOM tiveram um
estado estvel com uma taxa de preciso discriminante de 99.75%.
Angelini et al. (2008) comprovaram, atravs da
abordagem de redes neurais :

... leva a um sistema capaz de classificar corretamente
as entradas com um erro muito baixo ..

Concluso
Com isso conclumos que os atributos usados para o
estudo so insuficientes para estabelecer uma tomada de deciso confivel ao gerente de negcios de uma empresa; Para obter resultados mais satisfatrios seria necessrio um estudo mais profundo e detalhado na influncia local de cada atributo.
18
Referncias
Fayyad, U., Piatesky-Shapiro, G., Smyth, P. (1996). The KDD Process for Extracting Useful Knowledge from Volumes of Data. In: Communications of the ACM. Vol 39. No. 11. Gorgnio, F., Costa, J. (2008). Parallel Self-organizing Maps with Application in Clustering Distributed Data. International Joint Conference on Neural Networks IJCNN. Marques, R., Dutra, I. (2000). Redes Bayesianas: o que so, para que servem, algoritmos e exemplos de aplicaes. http://www.cos.ufrj.br/~ines/courses/cos740/leila/cos740/Bayesianas.pdf. Dezembro. Sferra, H., Corra, A. (2003). Conceitos e Aplicaes de Data Mining. Revista de Cincia & Tecnologia. Vol. 11, No. 22 - pp. 19-34. Dilly, R. (1999). Data Mining: an introduction. Belfast: Parallel Computer Centre. Queens University. Sandri, S., Corra, C. (1999). Lgica Nebulosa. V Escola de Redes Neurais, Promoo: Conselho Nacional de Redes Neurais. ITA. pp. 073-090. So Jos dos Campos, SP. Xiao, Y., Lei, L. (2008). Research on Comparison of Credit Risk Evaluation Models Based on SOM and LVQ Neural Network. Proceedings of the 7th World Congress on Intelligent Control and Automation. Chongqing, China. Angelini, E., Tollo, G., Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance 48. pp. 733-755. Italia.
Dvidas
20

Apresentação - Trabalho Mineração Dados Final

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apresentação - Trabalho Mineração Dados Final

Hochgeladen von

Copyright:

Verfügbare Formate

Universidade Federal do Rio Grande do Norte Centro de Ensino Superior do Serid Departamento de Cincias Exatas e Aplicadas Bacharelado de Sistemas

Ferramenta de apoio a deciso I

(Knowledge Discovery in Databases - KDD)

Ex: VERDADEIRO, FALSO, TALVEZ. Ex: 0 ou 1

No baseada na lgica Booleana.

Mapas Auto Organizveis (SOM)

Ferramenta de apoio a deciso II

Ferramenta de apoio a deciso III

Ferramenta de apoio a deciso IV

Uso da projeo linear para perceber a distribuio da base.

Trabalhos na base III

Sada do Weka com o Nave Bayes

estado estvel com uma taxa de preciso discriminante de 99.75%.

Angelini et al. (2008) comprovaram, atravs da

abordagem de redes neurais :

as entradas com um erro muito baixo ..

Das könnte Ihnen auch gefallen