Pavel Kordík(ČVUT FIT) MI-PDD, 2012, Cvičení 4 Předzpracování dat 1/29 MI-POA Cvičení 4: Zadání úloh MI-PDD, 09/2011 Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague Předzpracování dat Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Pavel Kordík
29
Embed
Předzpracování dat - edux.fit.cvut.cz · Pavel Kordík(ČVUT FIT) Předzpracovánídat MI-PDD, 2012, Cvičení 4 2/29 Vlastní téma • Předzpracování dat z různých zdrojů
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 1/29
MI-POA
Cvičení 4: Zadání úlohMI-PDD, 09/2011
Department of Computer SystemsFaculty of Information Technology
Czech Technical University in Prague
Předzpracování dat
Evropský sociální fondPraha & EU: Investujeme do vaší budoucnosti
Pavel Kordík
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 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) MI-PDD, 2012, Cvičení 4Předzpracování dat 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/
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 10/29
Evokované potenciály – poškození očních nervů …
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 11/29
GEOFOND
• SesuvyDatabáze 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
• VrtyPreprocessing dat
DP Petr Zelenka (http://dip.felk.cvut.cz)
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 12/29
Geofond – sesuvy v YALE
DP Petr Zelenka (http://dip.felk.cvut.cz)
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 13/29
Evoluční kódování
Cílem práce je otestovat náš nový plugin do Yale na různých datech
DP Petr Zelenka, Michal Záborec (http://dip.felk.cvut.cz)
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 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) MI-PDD, 2012, Cvičení 4Předzpracování dat 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) MI-PDD, 2012, Cvičení 4Předzpracování dat 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 s méněčetnou kategorií cílové proměnné, nebo prostý náhodný výběr případů s vícečetnou 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 s praktickou 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) MI-PDD, 2012, Cvičení 4Předzpracování dat 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 country-code - rozeznany country code pomoci geoip hdr_from - from adresa z MAIL FROM z SMTP protokolu rcpt - prijemce emailu rcpts - pocet prijemcu v celem mailu mail-size - 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
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 18/29
Honeywell Prague Laboratory
• Data z budov
– Energie
– Logy z karet
– …
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 19/29
Center for chemical genetics
• Data mining procesů při buněčném dělení
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 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) MI-PDD, 2012, Cvičení 4Předzpracování dat 21/29
Automatické předzpracování
• Otestovat na různých datech
• Konzistence výběru předzpracovacích metod
• Automatické předzpracování signálů
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 22/29
Preprocessing methods implemented in FAKE GAME
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 23/29
Methods to impute missing values
• MissingData.ConstantMissingDataImputer
• MissingData.MedianMissingDataImputer
• MissingData.NearestNeighbourMissingDataImputer
• MissingData.RemoveMissingData
• MissingData.AnotherInstanceValueDataImputer
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 24/29
Methods to normalize data
• Normalization.LinearNormalizer
• Normalization.SoftmaxNormalizer
• Normalization.MeanNormalizer
• Normalization.ZscoreNormalizer
Pavel Kordík (ČVUT FIT) MI-PDD, 2012, Cvičení 4Předzpracování dat 25/29