Guide to Intelligent Data Analysis: How to Intelligently Make Sense of Real Data

398 Pages·2010·4.088 MB·English

by  Berthold, Michael R., Borgelt, Christian, Höppner, Frank et al.

Texts in Computer Science
Editors
DavidGries
FredB.Schneider
Forfurthervolumes:
http://www.springer.com/series/3191
(cid:2) (cid:2)
Michael R. Berthold Christian Borgelt
(cid:2)
Frank Höppner Frank Klawonn
Guide to Intelligent
Data Analysis
How to Intelligently Make
Sense of Real Data
Prof.Dr.MichaelR.Berthold Prof.Dr.FrankHöppner
FBInformatikund FBWirtschaft
Informationswissenschaft OstfaliaUniversityofAppliedSciences
UniversitätKonstanz Robert-Koch-Platz10-14
78457Konstanz 38440Wolfsburg
Germany Germany
[email protected] [email protected]
Dr.ChristianBorgelt Prof.Dr.FrankKlawonn
IntelligentDataAnalysis& FBInformatik
GraphicalModelsResearchUnit OstfaliaUniversityofAppliedSciences
EuropeanCentreforSoftComputing SalzdahlumerStr.46/48
C/GonzaloGutiérrezQuiróss/n 38302Wolfenbüttel
Edifici Científico- echnológico Germany
CampusMieres,3aPlanta [email protected]
33600Mieres,Asturias
Spain
[email protected]
SeriesEditors
DavidGries FredB.Schneider
DepartmentofComputerScience DepartmentofComputerScience
UpsonHall UpsonHall
CornellUniversity CornellUniversity
Ithaca,NY14853-7501,USA Ithaca,NY14853-7501,USA
ISSN1868-0941 e-ISSN1868-095X
ISBN978-1-84882-259-7 e-ISBN978-1-84882-260-3
DOI10.1007/978-1-84882-260-3
SpringerLondonDordrechtHeidelbergNewYork
BritishLibraryCataloguinginPublicationData
AcataloguerecordforthisbookisavailablefromtheBritishLibrary
LibraryofCongressControlNumber:2010930517
©Springer-VerlagLondonLimited2010
Apartfromanyfairdealingforthepurposesofresearchorprivatestudy,orcriticismorreview,asper-
mittedundertheCopyright,DesignsandPatentsAct1988,thispublicationmayonlybereproduced,
storedortransmitted,inanyformorbyanymeans,withthepriorpermissioninwritingofthepublish-
ers,orinthecaseofreprographicreproductioninaccordancewiththetermsoflicensesissuedbythe
CopyrightLicensingAgency.Enquiriesconcerningreproductionoutsidethosetermsshouldbesentto
thepublishers.
Theuseofregisterednames,trademarks,etc.,inthispublicationdoesnotimply,evenintheabsenceofa
specifi statement,thatsuchnamesareexemptfromtherelevantlawsandregulationsandthereforefree
forgeneraluse.
Thepublishermakesnorepresentation,expressorimplied,withregardtotheaccuracyoftheinformation
containedinthisbookandcannotacceptanylegalresponsibilityorliabilityforanyerrorsoromissions
thatmaybemade.
Coverdesign:VTeX,Vilnius
Printedonacid-freepaper
SpringerispartofSpringerScience+BusinessMedia(www.springer.com)
Preface
Themainmotivationtowritethisbookcamefromallourproblemstofin suitable
materialforatextbookthatwouldreallyhelpustoteachthepracticalaspectsofdata
analysistogetherwiththeneededtheoreticalunderpinnings.Manybooksoutthere
tackleeitheroneortheotheroftheseaspects(and,especiallyforthelatter,thereare
somefantastictextbooksoutthere),butabookprovidingagoodcombinationwas
nowheretobefound.
Theideatowriteourownbooktoaddressthisshortcomingaroseintwodifferent
places at the same time—when one of the authors was asked to review the book
proposal of the others, we quickly realized that it would be much better to join
forcesinsteadofindependentlypursuingourindividualprojects.
Wehopethatthisbookhelpsotherstolearnwhatkindofchallengesdataanalysts
face in the real world and at the same time provides them with solid knowledge
abouttheprocesses,algorithms,andtheoriestosuccessfullytackletheseproblems.
Wehaveputalotofeffortintobalancingthepracticalaspectsofapplyingandusing
dataanalysistechniqueswhilemakingsureatthesametimethatwedidnotforget
toalsoexplainthestatisticalandmathematicalunderpinningsbehindthealgorithms
beneathallofthis.
There are many people to be thanked, and we will not attempt to list them all.
However,wedowanttosingleoutIrisAdäwhohasbeenatremendoushelpwith
thegenerationofthedatasetsusedinthisbook.SheandMartinHornalsodeserve
ourthanksforanintenselastminuteroundofproofreading.
Konstanz,Germany MichaelR.Berthold
Oviedo,Spain ChristianBorgelt
Braunschweig,Germany FrankHöppnerandFrankKlawonn
v
Contents
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 DataandKnowledge. . . . . . . . . . . . . . . . . . . . . 2
1.1.2 TychoBraheandJohannesKepler. . . . . . . . . . . . . . 4
1.1.3 IntelligentDataAnalysis . . . . . . . . . . . . . . . . . . 6
1.2 TheDataAnalysisProcess. . . . . . . . . . . . . . . . . . . . . . 7
1.3 Methods,Tasks,andTools . . . . . . . . . . . . . . . . . . . . . . 11
1.4 HowtoReadThisBook . . . . . . . . . . . . . . . . . . . . . . . 13
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 PracticalDataAnalysis:AnExample . . . . . . . . . . . . . . . . . . 15
2.1 TheSetup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 DataUnderstandingandPatternFinding . . . . . . . . . . . . . . 16
2.3 ExplanationFinding . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 PredictingtheFuture . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5 ConcludingRemarks. . . . . . . . . . . . . . . . . . . . . . . . . 23
3 ProjectUnderstanding . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1 DeterminetheProjectObjective . . . . . . . . . . . . . . . . . . . 26
3.2 AssesstheSituation . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 DetermineAnalysisGoals . . . . . . . . . . . . . . . . . . . . . . 30
3.4 FurtherReading . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 DataUnderstanding . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 AttributeUnderstanding . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 DataQuality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 DataVisualization . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 MethodsforOneandTwoAttributes . . . . . . . . . . . . 40
4.3.2 MethodsforHigher-DimensionalData . . . . . . . . . . . 48
4.4 CorrelationAnalysis . . . . . . . . . . . . . . . . . . . . . . . . . 59
vii
viii Contents
4.5 OutlierDetection. . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.5.1 OutlierDetectionforSingleAttributes . . . . . . . . . . . 63
4.5.2 OutlierDetectionforMultidimensionalData . . . . . . . . 64
4.6 MissingValues . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.7 AChecklistforDataUnderstanding . . . . . . . . . . . . . . . . . 68
4.8 DataUnderstandinginPractice . . . . . . . . . . . . . . . . . . . 69
4.8.1 DataUnderstandinginKNIME . . . . . . . . . . . . . . . 70
4.8.2 DataUnderstandinginR . . . . . . . . . . . . . . . . . . 73
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5 PrinciplesofModeling . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1 ModelClasses . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2 FittingCriteriaandScoreFunctions . . . . . . . . . . . . . . . . . 85
5.2.1 ErrorFunctionsforClassificatio Problems. . . . . . . . . 87
5.2.2 MeasuresofInterestingness . . . . . . . . . . . . . . . . . 89
5.3 AlgorithmsforModelFitting . . . . . . . . . . . . . . . . . . . . 89
5.3.1 ClosedFormSolutions . . . . . . . . . . . . . . . . . . . 89
5.3.2 GradientMethod . . . . . . . . . . . . . . . . . . . . . . . 90
5.3.3 CombinatorialOptimization . . . . . . . . . . . . . . . . . 92
5.3.4 RandomSearch,GreedyStrategies,andOtherHeuristics . 92
5.4 TypesofErrors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4.1 ExperimentalError . . . . . . . . . . . . . . . . . . . . . 94
5.4.2 SampleError . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.3 ModelError . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.4.4 AlgorithmicError . . . . . . . . . . . . . . . . . . . . . . 101
5.4.5 MachineLearningBiasandVariance . . . . . . . . . . . . 101
5.4.6 LearningWithoutBias? . . . . . . . . . . . . . . . . . . . 102
5.5 ModelValidation. . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.5.1 TrainingandTestData . . . . . . . . . . . . . . . . . . . . 102
5.5.2 Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . 103
5.5.3 Bootstrapping . . . . . . . . . . . . . . . . . . . . . . . . 104
5.5.4 MeasuresforModelComplexity . . . . . . . . . . . . . . 105
5.6 ModelErrorsandValidationinPractice . . . . . . . . . . . . . . . 111
5.6.1 ErrorsandValidationinKNIME . . . . . . . . . . . . . . 111
5.6.2 ValidationinR . . . . . . . . . . . . . . . . . . . . . . . . 111
5.7 FurtherReading . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6 DataPreparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.1 SelectData . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.1.1 FeatureSelection . . . . . . . . . . . . . . . . . . . . . . 116
6.1.2 DimensionalityReduction . . . . . . . . . . . . . . . . . . 121
6.1.3 RecordSelection . . . . . . . . . . . . . . . . . . . . . . . 121
6.2 CleanData . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.2.1 ImproveDataQuality . . . . . . . . . . . . . . . . . . . . 123
Contents ix
6.2.2 MissingValues . . . . . . . . . . . . . . . . . . . . . . . . 124
6.3 ConstructData . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.3.1 ProvideOperability . . . . . . . . . . . . . . . . . . . . . 127
6.3.2 AssureImpartiality . . . . . . . . . . . . . . . . . . . . . 129
6.3.3 MaximizeEffciency . . . . . . . . . . . . . . . . . . . . . 131
6.4 ComplexDataTypes . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.5 DataIntegration . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.5.1 VerticalDataIntegration . . . . . . . . . . . . . . . . . . . 136
6.5.2 HorizontalDataIntegration . . . . . . . . . . . . . . . . . 136
6.6 DataPreparationinPractice . . . . . . . . . . . . . . . . . . . . . 138
6.6.1 DataPreparationinKNIME . . . . . . . . . . . . . . . . . 139
6.6.2 DataPreparationinR . . . . . . . . . . . . . . . . . . . . 141
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7 FindingPatterns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.1 HierarchicalClustering . . . . . . . . . . . . . . . . . . . . . . . 147
7.1.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.1.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 150
7.1.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 152
7.2 Notionof(Dis-)Similarity . . . . . . . . . . . . . . . . . . . . . . 155
7.3 Prototype-andModel-BasedClustering. . . . . . . . . . . . . . . 162
7.3.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 162
7.3.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 164
7.3.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 167
7.4 Density-BasedClustering . . . . . . . . . . . . . . . . . . . . . . 169
7.4.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.4.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 171
7.4.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 173
7.5 Self-organizingMaps . . . . . . . . . . . . . . . . . . . . . . . . 175
7.5.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 175
7.5.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 176
7.6 FrequentPatternMiningandAssociationRules . . . . . . . . . . 179
7.6.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 179
7.6.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 181
7.6.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 187
7.7 DeviationAnalysis . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.7.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.7.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 195
7.7.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 197
7.8 FindingPatternsinPractice . . . . . . . . . . . . . . . . . . . . . 198
7.8.1 FindingPatternswithKNIME . . . . . . . . . . . . . . . . 199
7.8.2 FindingPatternsinR . . . . . . . . . . . . . . . . . . . . 201
7.9 FurtherReading . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
x Contents
8 FindingExplanations. . . . . . . . . . . . . . . . . . . . . . . . . . . 207
8.1 DecisionTrees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
8.1.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 209
8.1.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 210
8.1.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 213
8.2 BayesClassifier . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
8.2.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 218
8.2.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 220
8.2.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 224
8.3 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
8.3.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 230
8.3.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 231
8.3.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 234
8.3.4 TwoClassProblems . . . . . . . . . . . . . . . . . . . . . 242
8.4 Rulelearning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
8.4.1 PropositionalRules . . . . . . . . . . . . . . . . . . . . . 245
8.4.2 InductiveLogicProgrammingorFirst-OrderRules. . . . . 251
8.5 FindingExplanationsinPractice . . . . . . . . . . . . . . . . . . 253
8.5.1 FindingExplanationswithKNIME . . . . . . . . . . . . . 253
8.5.2 UsingExplanationswithR . . . . . . . . . . . . . . . . . 255
8.6 FurtherReading . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
9 FindingPredictors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
9.1 Nearest-NeighborPredictors. . . . . . . . . . . . . . . . . . . . . 261
9.1.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 261
9.1.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 263
9.1.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 265
9.2 Artifica NeuralNetworks . . . . . . . . . . . . . . . . . . . . . . 269
9.2.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 269
9.2.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 272
9.2.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 276
9.3 SupportVectorMachines . . . . . . . . . . . . . . . . . . . . . . 277
9.3.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 278
9.3.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 282
9.3.3 VariationsandIssues. . . . . . . . . . . . . . . . . . . . . 283
9.4 EnsembleMethods . . . . . . . . . . . . . . . . . . . . . . . . . . 284
9.4.1 Overview. . . . . . . . . . . . . . . . . . . . . . . . . . . 284
9.4.2 Construction . . . . . . . . . . . . . . . . . . . . . . . . . 286
9.4.3 FurtherReading . . . . . . . . . . . . . . . . . . . . . . . 289
9.5 FindingPredictorsinPractice . . . . . . . . . . . . . . . . . . . . 290
9.5.1 FindingPredictorswithKNIME . . . . . . . . . . . . . . 290
9.5.2 UsingPredictorsinR . . . . . . . . . . . . . . . . . . . . 292
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Contents xi
10 EvaluationandDeployment . . . . . . . . . . . . . . . . . . . . . . . 297
10.1 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
10.2 DeploymentandMonitoring . . . . . . . . . . . . . . . . . . . . . 299
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
A Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
A.1 TermsandNotation . . . . . . . . . . . . . . . . . . . . . . . . . 304
A.2 DescriptiveStatistics . . . . . . . . . . . . . . . . . . . . . . . . . 305
A.2.1 TabularRepresentations . . . . . . . . . . . . . . . . . . . 305
A.2.2 GraphicalRepresentations . . . . . . . . . . . . . . . . . . 306
A.2.3 CharacteristicMeasuresforOne-DimensionalData . . . . 309
A.2.4 CharacteristicMeasuresforMultidimensionalData . . . . 316
A.2.5 PrincipalComponentAnalysis . . . . . . . . . . . . . . . 318
A.3 ProbabilityTheory . . . . . . . . . . . . . . . . . . . . . . . . . . 323
A.3.1 Probability . . . . . . . . . . . . . . . . . . . . . . . . . . 323
A.3.2 BasicMethodsandTheorems . . . . . . . . . . . . . . . . 327
A.3.3 RandomVariables . . . . . . . . . . . . . . . . . . . . . . 333
A.3.4 CharacteristicMeasuresofRandomVariables . . . . . . . 339
A.3.5 SomeSpecialDistributions . . . . . . . . . . . . . . . . . 343
A.4 InferentialStatistics . . . . . . . . . . . . . . . . . . . . . . . . . 349
A.4.1 RandomSamples . . . . . . . . . . . . . . . . . . . . . . 350
A.4.2 ParameterEstimation . . . . . . . . . . . . . . . . . . . . 351
A.4.3 HypothesisTesting. . . . . . . . . . . . . . . . . . . . . . 361
B TheRProject . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
B.1 InstallationandOverview . . . . . . . . . . . . . . . . . . . . . . 369
B.2 ReadingFilesandRObjects . . . . . . . . . . . . . . . . . . . . . 370
B.3 RFunctionsandCommands . . . . . . . . . . . . . . . . . . . . . 372
B.4 Libraries/Packages . . . . . . . . . . . . . . . . . . . . . . . . . . 373
B.5 RWorkspace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
B.6 FindingHelp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
B.7 FurtherReading . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
C KNIME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
C.1 InstallationandOverview . . . . . . . . . . . . . . . . . . . . . . 375
C.2 BuildingWorkfows . . . . . . . . . . . . . . . . . . . . . . . . . 377
C.3 ExampleFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378
C.4 RIntegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 380
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
AppendixA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
AppendixB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
Symbols
A,Ai attribute,variable[e.g.,A1=color,A2=price,A3=category]
ω apossiblevalueofanattribute[e.g.,ω=red]
Ω,dom(·) setofpossiblevaluesofanattribute
[e.g.,Ω1=Ωcolor=dom(Ai)={red,blue,green}]
A setofallattributes[e.g.,A={color,price,category}]
m numberofconsideredattributes[e.g.,3]
x aspecifi valueofanattribute[e.g.,x =x =4000]
2 price
X spaceofpossibledatarecords[e.g.,X=ΩA1×···×ΩAm]
D setofallrecords,dataset,D⊆X[e.g.,D={x1,x2,...,xn}]
n numberofrecordsindataset
x recordindatabase[e.g.,x=(x ,x ,x )=(red,4000,luxury)]
1 2 3
xA attributeAofrecordx[e.g.,xprice=4000]
x2,A attributeAofrecordx2
DA=v setofallrecordsx∈DwithxA=v
C aselectedcategoricaltargetattribute[e.g.,C=A =category]
3
ΩC setofallpossibleclasses[e.g.,ΩC ={quits,stays,unknown}]
Y aselectedcontinuoustargetattribute[e.g.,Y =A =price]
2
C C⊆D
cluster(setofassociateddataobjects)[e.g., ]
c numberofclusters
P partition,setofclusters{C1,...,Cc}
pi|j membershipdegreeofdata#jtocluster#i
[pi|j] membershipmatrix
d. distancefunction,metric(dE:Euclidean)
[di,j] distancematrix
xiii