sdescoberta DE CONHECIMENTO APLICADO A DADOS ELEITORAIS

Transcrição

1 sdescoberta DE CONHECIMENTO APLICADO A DADOS ELEITORAIS Claudio Tavares Especialista em Banco de Dados, Unicenp. cláudio.tavares@renault.com Daniel Bozza Especialista em Banco de Dados, Unicenp. daniel.bozza@nuvital.com.br Frank Kono Especialista em Banco de Dados, Unicenp. frank.kono@gvt.com.br23b Resumo: Este artigo tem como objetivo encontrar uma possível tendência a ser observada, no tocante as pessoas que almejem se candidatar e conseqüentemente se eleger Deputado Estadual na cidade de Curitiba. Para alcançar o objetivo, será analisado e preparado um conjunto de dados que envolvem as eleições de 1994 e 1998 e posteriormente serão aplicadas algumas técnicas de Data Minining para que possam ser geradas regras de associações. Tais regras ou resultados serão analisados para então se determinar a existência ou não de tendências no tocante ao perfil dos candidatos ao cargo de suplente de Deputado Estadual na cidade de Curitiba.Por fim serão apresentados os resultados encontrados, quer sejam eles confirmando uma certa tendência ou não. Palavras-chave: Data Mining, Classificação, Algoritmo J48 1 INTRODUÇÃO Inicialmente, será feita uma breve descrição do processo que envolve a descoberta de conhecimento, passando, posteriormente, para o desenvolvimento do trabalho, levando-se em consideração o cronograma, o escopo inicial do projeto, o negócio em questão e a parte lógica. A parte lógica será subdividida na busca da base de dados, que irá dar suporte a todo o processo de descoberta de conhecimento, bem como a geração do modelo de dado para o DW, a extração dos dados irrelevantes para o processo, a conseqüente limpeza e padronização dos dados, para que estes estejam adequados ao objetivo do trabalho. Ainda, na parte lógica será abordado o item referente à geração do arquivo.arff, tomando como base os dados disponíveis, bem como a escolha do método e algoritmo, que serão utilizados sobre os dados para a busca do conhecimento. Mais especificamente, no caso do algoritmo, será feita uma descrição em relação ao seu funcionamento e parâmetros que podem ser alterados e seus efeitos. Tendo sido gerados os arquivos.arff, imprescindíveis para a utilização no weka, será, então, feita uma explanação sobre a ferramenta weka e demonstrado como utilizá-la. Muitos serão os resultados gerados pelo weka, e, por causa disso, : 54-94

2 Tavares, Claudio; Bozza, Daniel e Kono, Frank será dada à devida atenção a uma explanação sobre como interpretar os resultados do weka. Por fim, o(s) arquivo(s).arff serão aplicados no weka e os resultados serão gerados, dando início, então, a toda uma explanação e interpretação sobre os resultados a fim de encontrar uma possível tendência em relação aos dados, a qual é: Será que pode-se determinar um padrão, uma semelhança no perfil dos candidatos que conseguem ser eleitos ao cargo de deputado estadual na cidade de Curitiba? 2 O PROCESSO DE DESCOBERTA DE CONHECIMENTO DO DATA MINING (DM) A análise das grandes quantidades de dados armazenadas nos SGBD s, visando encontrar informações estratégicas não conhecidas, tem exigido técnicas mais adequadas, sendo que o processo de DM permite em suas várias etapas extrair tais informações. De forma macro, pode-se definir o processo de DM como: - definição do problema; - pré-processamento dos dados; - mineração (analise) dos dados; - interpretação. FIGURA 1: ETAPAS NO PROCESSO DE DM 55

3 A figura acima demonstra, de forma gráfica, o processo da descoberta de conhecimento, onde cada parte da figura representa: -Dados: conjunto de dados armazenados em uma ou mais base(s) de dados, os quais são a matéria prima de todo o processo de Data Mining. - Dados Selecionados: de todos os dados disponíveis será separado um conjunto que contenha os dados que sejam relevantes para a questão, dúvida, informação estratégica que se pretende obter. - Dados processados: todos os dados selecionados serão previamente préprocessados, ou seja, serão tratados, limpos consistidos, visando à remoção de qualquer ruído nos dados. - Dados Transformados: depois de processados ou tratados, os dados serão formatados de forma a adequá-los à ferramenta de mineração ( weka ). - Padrões: os dados transformados aplicados aos algoritmos previamente escolhidos na ferramenta de mineração ( weka ) irão resultar em padrões, regras, gráficos, dados numéricos, os quais serão analisados exaustivamente. -Conhecimento: analisando os padrões gerados pelos algoritmos, possivelmente serão encontradas as informações estratégicas não conhecidas. 3 PLANEJAMENTO E DESCRIÇÃO DO PROCESSO DE DESCOBERTA DO CONHECIMENTO 3.1 CRONOGRAMA O cronograma abaixo representa as várias atividades que envolveram o processo de DM neste artigo. 56

4 Tavares, Claudio; Bozza, Daniel e Kono, Frank FIGURA 2 CRONOGRAMA Onde: - Tarefa: refere-se à atividade executada; - Etapa: refere-se à relação atividade * etapa descrita no item 2 deste artigo; - Semana/Dias: tempo em semanas para a execução da atividade As tarefas executadas foram as seguintes: - entender o funcionamento do weka: inicialmente, a ferramenta do weka era desconhecida pelo grupo; - escrever o artigo: este processo deu-se durante todo o tempo do trabalho; - buscar o problema a ser resolvido: o grupo não tinha bem claro o problema que pretendia resolver; - encontrar a(s) base(s) de dados: após definir o problema, deu-se início a busca pela(s) base(s) de dados que conteriam os dados necessários para o trabalho; - modelar os dados: desenhar o modelo de dados; - limpar os dados: tratar os dados adequadamente; 57

5 - trabalhar os dados: alguns dados, como idade e qtd. de votos, tiveram seus valores alterados para uma faixa de números; - gerar arquivo.arff: geração do arquivo.arff; - aplicar o arquivo.arff ao algoritmo: aplicar os algoritmos sobre os arquivos.arff; 3.2 O ESCOPO INICIAL DO PROJETO De posse das bases de dados referentes às eleições de 1994, 1996 e 1998, as quais contemplavam os cargos de Deputado Estadual, Deputado Federal, Senador, Prefeito, Governador e Presidente de todos os municípios do País, entendeu-se que a abrangência era muito grande. A partir deste momento, muitas foram as mudanças no escopo, as quais são melhores identificadas na figura 2 - Cronograma, pois as tarefas marcadas no cronograma em azul representam o clico de extração e interpretação dos dados devido às alterações no escopo. Abaixo são listadas as várias alterações: 1ª - a idéia era a de se trabalhar como todos os registros relacionados com o cargo de Deputado Estadual a nível nacional. 2ª - posteriormente, a idéia foi alterada para se trabalhar somente com os registros relacionados com o cargo de Deputado Estadual do Estado do Paraná. 3ª - finalmente, decidiu-se trabalhar somente com os registros relacionados com o cargo de Deputado Estadual da cidade de Curitiba. O motivo para tantas alterações foi que, ao aplicar o arquivo.arff no weka, os resultados eram muito abrangentes, ou seja, muitos eram os cargos ou muitas eram as cidades e a interpretação tornou-se inviável. Analisando que, para cada uma das alterações, era necessário voltar ao item de extração de dados (vide figura 2 - Cronograma ), pode-se afirmar que o trabalho era exaustivo, as mudanças não foram fáceis, pois o retrabalho custou muito tempo e esforço. 58

6 Tavares, Claudio; Bozza, Daniel e Kono, Frank 3.3 ANÁLISE DO NEGÓCIO O negócio em questão, neste artigo, é o de se analisar os dados disponibilizados na(s) base(s) de dados, referentes aos candidatos ao cargo de Deputado Estadual na cidade de Curitiba e verificar se existe alguma tendência de perfil para que um candidato possa garantir a sua eleição. 3.4 ANÁLISE LÓGICA Este item será subdividido para contemplar o detalhamento de várias etapas, desde a busca dos dados até a geração dos resultados pelo(s) algoritmo(s) do weka Busca da(s) base(s) de dados O(s) banco(s) de dado(s) foram encontrados no seguinte link: Os dados estavam distribuídos em bases de dados distintas, ou seja, uma base para cada um dos anos (1994, 1996 e 1998), logo foram feitos os downloads dos seguintes arquivos: 1º donwload C.exe (Banco de Dados 1994 completo) tamanho instalado 30,90 mb qtd. de linhas na tab_candidato era de ; 2º download C.exe (Banco de Dados 1996 completo) tamanho instalado 54,00 mb qtd. de linhas na tab_candidato era de ; 3º download C.exe (Banco de Dados 1998 completo) tamanho instalado 35,34 mb qtd. de linhas na tab_candidato era de É importante salientar, que os dados acima referem-se à base de dados completa, ou seja, todos os registros a nível nacional, contendo todos os cargos e cidades. Posteriormente, os arquivos foram descompactados e gerado, para cada um dos anos (1994, 1996 e 1998), um arquivo.mdb. 59

7 A figura abaixo representa o modelo de dados do(s) banco(s), sendo que este modelo é idêntico para os três anos ( 94, 96 e 98 ): FIGURA 3 MODELO DE DADOS ORIGINAL FONTE: Os autores Gerando o Modelo de Dados para o DW Analisando o modelo da figura 3 Modelo de Dados original, foi feita uma análise de todas as tabelas e seus atributos e, de acordo com o escopo do artigo, ou seja, a pergunta que se pretende responder, vide item 3.3, foi identificado que muitos dados das tabelas do modelo original eram desnecessárias para o novo modelo. A partir deste momento, foi gerado um novo modelo de dados, o qual irá suportar os dados necessários para que se possa encontrar a resposta deste artigo: 60

8 Tavares, Claudio; Bozza, Daniel e Kono, Frank FIGURA 4 MODELO DE DADOS DO DW ELEIÇÕES É importante salientar, que nem todos os atributos descritos no modelo de dados do DW irão aparecer no arquivo que será utilizado no weka, mas todos os atributos serão necessários para a geração da tabela TAB_WEKA, conforme descrita no modelo de dados o anexo 1, pois esta tabela irá conter todos os dados que, posteriormente, serão exportados e que darão origem ao arquivo (.arff ), o qual será utilizado no weka Extração de Dados Os dados continuarão sendo trabalhados de forma distinta, ou seja, para cada ano será criado um novo modelo de dados e um arquivo (.arff). De acordo com o modelo de dados do DW e com as três etapas descritas no item 3.2 Escopo Inicial do Projeto, foram, então, gerados as seguintes bases de dados: - eleicoes_1994.mdb - eleicoes_1996.mdb - eleicoes_1998.mdb Estas bases, inicialmente, continham todos os valores para o atributo cargo (dep. Estadual, prefeito, etc) para a cidade de Curitiba. Após as alterações de 61

9 escopo, foram, então, geradas novas bases de dados para a cidade de Curitiba e para o cargo de Deputado Estadual. - eleicoes_1994.mdb (359 registros) - eleicoes_1998.mdb ( 411 registros ) Totalizando 770 registros, os quais irão compor o arquivo (.arff ) final. Abaixo, relacionam-se alguns dos motivos para se trabalhar com os dados em bases diferentes: - por exemplo, na tabela profissão do ano de 1994 tinha-se advogado com o valor 1, para a chave primária; e, no ano de 1996, tinha-se advogado com o valor de 7, como chave primária. Este problema de atributos iguais com valores de chaves primárias diferentes foi identificado em outras tabelas. Realizar um mapeamento de-para entre as tabelas seria muito custoso e, por isso, decidiu-se manter os dados em bancos distintos. Na tabela abaixo, pode-se visualizar com mais detalhes a tabela de dados do WEKA TABELA 1 TABELA DE DADOS DO WEKA Atributo Tipo dados Descrição NOMSEXO varchar Armazena a descrição do sexo NOMGRAINS Varchar Armazena a descrição do grau de instrução (escolaridade) NOMESTCIV Varchar Armazena a descrição do est.civil NOMPROFIS Varchar Armazena a descrição da profissão SGLPAR Varchar Armazena a sigla do partido NOMSITUA Varchar Armazena a situação do candidato ANOELEIC Integer Armazena o ano de eleição NOMCAR Varchar Armazena o nome do cargo FAIXAIDADE Integer Armazena a faixa de idade FAIXAVOTOS integer Armazena a faixa de votos Limpeza dos Dados Abaixo, serão descritos os tratamentos ou limpeza as quais os dados foram submetidos. Foram removidos os espaços em branco na descrição dos atributos por exemplo: 62

10 Tavares, Claudio; Bozza, Daniel e Kono, Frank - Na tabela profissão, o atributo profissão continha o seguinte valor (auxiliar de escritório), sendo que este valor foi substituído por (auxiliardeescritorio) Foram removidos os acentos: - Na tab_profissao, o atributo profissão continha o seguinte valor (médico) e foi substituído por medico sem o acento (as não acompanham o atributo). Este item ii refere-se ao tratamento feito para a remoção de acentos e caracteres especiais dos valores dos atributos. Foram padronizados os valores dos atributos: - No banco eleicao_1994.mdb tab_profissao, o atributo profissão continha o seguinte valor ( funcionário público ) e, no banco eleicao_1996.mdb tab_profissao, o atributo profissão continha o seguinte valor (func. Público), foi feito um tratamento para que, em ambos os bancos, o valor fosse substituído por ( funcpublico). Estes tratamentos foram feitos em todas as tabelas/atributos para que todos os dados estivessem padronizados Geração dos dados Conforme descrito no item foi criada uma tabela chamada TAB_WEKA, a qual irá armazenar todos os dados que, posteriormente, serão exportados para a criação do arquivo (.arff ). Neste momento, foram montados os sql s que irão gerar a massa de dados para popular a TAB_WEKA.mdb (formato de banco Access). Abaixo, serão descritos os passos para a geração dos dados na TAB_WEKA: - Inicialmente, foi criada uma consulta para visualização dos dados, conforme a figura do anexo nº 1 Tabela de dados do weka. Feita uma conferência do resultado gerado no anexo nº 1, posteriormente foi utilizado outro recurso do banco.mdb para com base no resultado do select criar uma nova tabela contendo todos os dados gerados pela consulta (TAB_WEKA). 63

11 Na TAB_WEKA foram feitos os seguintes tratamentos: - foram retirados os seguintes campos: Nomcan, datnas, codcan, nommun; - foi renomeado o campo Expr1 para idade; - todos os valores dos atributos texto foram descritos com letras minúsculas. - os campos da tabela TAB_WEKA foram ordenados na seguinte seqüência: - IDADE, NOMSEXO, NOMGRAINS, NOMEESTCIV, NOMPROFIS, SGLPAR, VOTOS, NOMSITUAC, ANOELEICAO, NOMCAR, sendo que esta seqüência será a mesma que o arquivo (.arff ) conterá. É importante salientar, que a TAB_WEKA foi criada em cada um dos dois bancos de dados (1994 e 1996), logo todo o procedimento foi aplicado na tabela dos dois bancos Padronização dos Dados Na tabela de dados Weka foi necessário padronizar os valores de dois atributos, idade e quantidade de votos, isto porque eles continham uma seqüência de valores muito abrangente, o que dificultava o processamento e entendimento dos resultados. Para resolver este problema foram criadas faixas que enquadravam os valores dos atributos, valores estes representados na tabela abaixo. 64

12 Tavares, Claudio; Bozza, Daniel e Kono, Frank TABELA 2 FAIXA IDADE E VOTOS Atributo Faixa Valor Idade % idade >=20 e idade <= 30 % idade >=31 e idade <= 40 % idade >=41 e idade <= 50 % idade >=51 e idade <= 60 % idade >=61 e idade <= 70 % idade >=71 e idade <= 80 % idade >=81 e idade <= 90 % idade >= Votos %votos >=0 e votos <= 200 %votos >=201 e votos <= 400 %votos >=401 e votos <= 600 %votos >=601 e votos <= 800 %votos >=801 e votos <= 1000 %votos >=1001 e votos <= 5000 %votos >=5001 e votos <= %votos >=10001 e votos <= %votos >=15001 e votos <= %votos >=20001 e votos <= %votos >=25001 e votos <= %votos >=30001 e votos <= %votos >=40001 e votos <= %votos >=50001 e votos <= %votos >= e votos <= %votos >= e votos <= %votos >= Geração do arquivo.arff Neste momento, as tabelas TAB_WEKA (ano 1994) e TAB_WEKA (ano 1998) já estão criadas e com seus dados tratados. Foram gerados três arquivos.arff para os testes: - eleicoes_1994.arff, contendo 359 registros. - eleicoes_1998.arff, contendo 411 registros. - eleicoes_94_98.arff, o qual contém todos os dados de 1994 e 1998, totalizando 770 registros. O arquivo.arff foi subdividido da seguinte forma: - Declarando o eleições - Declarando todos os idade sexo grauinstrucao {1graucompleto,..} 65

13 @attribute estcivil profissão partido votos situação anoeleicao cargo {deputadoestadual,...} - Declarando o 5,masculino,1graucompleto,casado,outros,pdt,10,eleito,1994,deputadoestadual Este é somente um exemplo das várias linhas que o contém Escolha do Método e Algoritmo Para a análise dos três arquivos.arff, foi escolhido o Método de Classificação e o algoritmo J48. Isso em decorrência do escopo do trabalho e dos valores que compõem o arquivo.arff. Após análises dos diferentes métodos, que podem ser aplicados, e das formas de se minerar os dados e das características dos dados, constatou-se que os diferentes métodos podem ser aplicados com diferentes algoritmos a diferentes tipos de dados; tudo depende do tipo de problema que se deseja solucionar. O método de classificação foi escolhido por melhor responder à questão alvo deste artigo, ou seja, com o método de classificação pode-se inferir (prever) que determinados candidatos, com um determinado perfil, consigam se eleger. Neste caso, o atributo cargo é denominado como atributo alvo da classificação (poderia ser outro) e, sobre este, regras de classificação em relação ao outros atributos serão geradas. As formas mais comuns de representação de conhecimento dos algoritmos de classificação são regras e árvores. Os algoritmos Id3, C45, J48, ADTree, UserClassifier, PredictionNode, Splitter, ClassifierTree, M5Prime, por exemplo, geram, como resultado, árvores de classificação, enquanto que outros como Prism, Part, OneR geram regras de classificação. Já o algoritmo escolhido para a análise dos dados foi o J48, isso levando-se em consideração o tipo dos dados que serão analisados. 66

14 Tavares, Claudio; Bozza, Daniel e Kono, Frank Abaixo, será feita uma breve explanação, um pouco mais detalhada com relação ao algoritmo J48: - J48 constrói uma árvore de decisão. A forma de construção é a abordagem top-down, em que o atributo mais significativo, ou seja, o mais generalizado, quando comparado a outros atributos do conjunto, é considerado raiz da árvore. Na seqüência da construção, o próximo nó da árvore será o segundo atributo mais significativo, e, assim, sucessivamente, até gerar o nó folha, que representa o atributo alvo da instância. O processo de geração de regras, para classificação de sistemas normalmente atua em dois estágios: as regras são induzidas e posteriormente refinadas. Isto é feito através de dois métodos, através da geração das árvores de decisão e o posterior mapeamento da árvore em regras e, então, aplicando processos de refinamento, ou pela utilização do paradigma separar pra conquistar.. Assim como na árvore de decisão, esse processo também possuiu um estágio de otimização das regras geradas Com relação ao algoritmo J48 podem-se alterar os valores padrões dos seus vários atributos, conforme a descrição dos atributos na tabela abaixo: TABELA 3 PARÂMETROS J48 U usa a árvore sem poda C confidence: escolhe o fator de confiança inicial para a podar -> default:0.25 M escolhe o número mínimo de instâncias por folha -> default:2 R usa a poda com redução de erro N escolhe o número de partições para a poda com redução de erro, onde uma partição é utilizada como conjunto de poda ->default:3 B usa árvore binária S não utiliza subárvore de poda L não apaga a árvore depois de construída do weka: Os parâmetros acima mencionados podem ser configurados na seguinte tela 67

15 FIGURA 5 ESCOLHA DO ALGORITMO NO WEKA parâmetros: Clicando sobre o botão Choose surgira a tela para configuração dos FIGURA 6 PARÂMETROS J48 NO WEKA Onde cada campo representa um parâmetro a ser configurado: 1) binarysplits: 2) confidencefactor: 3) debug: 4) minnumobj: 5) numfolds: 6) reducederrorpruning : 7) saveinstancedata: 68

16 Tavares, Claudio; Bozza, Daniel e Kono, Frank 8) seed: 9) subtreeraising: 10)unpruned: 11)useLaplace: Abrindo o Weka janela: Com o aplicativo do weka aberto em modo Explorer, aparecerá a seguinte FIGURA 7 WEKA Buscando o arquivo.arff Seleciona-se a opção OpenFile para encontrar o arquivo eleicoes.arff e, após escolhido o arquivo, a seguinte tela foi apresentada. O arquivo eleicoes.arff estava no seguinte diretório:..weka-3-4\data\eleicoes.arff FIGURA 8 TELA WEKA 69

17 Obs:. Neste artigo estão sendo processados três arquivos.arff, conforme item Nesta visualização, podem-se analisar os seguintes dados: - as abas Classify, Cluster, Associate, Select Atributes são os métodos que podemos escolher para gerar os dados; - na guia Visualize, podemos visualizar os resultados dos algoritmos através de alguns gráficos, os quais veremos posteriormente; - o botão Chosse nos permite navegar em uma árvore na qual podemos escolher o algoritmo; - no campo onde aparece a palavra NONE, podemos alterar os parâmetros de configuração para o algoritmo; - na área Currente Rellation temos a qtd. de instâncias, nº de atributos e, também, a relação que será usada inicialmente para gerar alguns gráficos;- na área Attributes temos a relação de todos os atributos; - no botão visualize all, poderemos obter várias informações através de gráficos Versões do arquivo.arff Foram geradas duas versões para o arquivo.arff, visando encontrar os atributos que efetivamente iriam ser utilizados, bem como os tipos de dados dos atributos, conforme descrito na figura abaixo: 70

18 Tavares, Claudio; Bozza, Daniel e Kono, Frank FIGURA 9 VERSÕES GERADAS PARA O ARQUIVO.ARFF O maior problema encontrado, foi com relação aos valores do atributo idade e votos, pois os mesmos possuíam, inicialmente, uma seqüência de valores muito grande e, para resolver isso, foram criadas faixas para agrupar os valores, conforme descrito no item Interpretando os dados gerados pelo J48 no weka Abaixo, serão feitas algumas observações para que o leitor possa entender como os dados podem ser analisados ou interpretados. Tais resultados foram obtidos através da aplicação do Método de Classificação, utilizando-se o algoritmo J Análise da precisão O algoritmo J48 apresenta o seguinte quadro: FIGURA 10 ANALISE DE PRECISÃO 71

19 Onde, na classificação de exemplos (levando-se em conta todos os registros analisados ), o fator de precisão para o cargo de suplente foi de 91,70% Análise da Matriz de Confusão A matriz de confusão contém informações muito importantes para o entendimento do resultado do algoritmo, dentre elas: - a quantidade de instâncias classificadas corretamente; - a quantidade de instâncias classificadas erroneamente; - a quantidade de instâncias que o algoritmo acreditava ser de um tipo (eleito) e na verdade foram classificadas como (não eleito) por exemplo: FIGURA 11 MATRIZ DE CONFUSÃO É possível analisar que: - dos 15 exemplos(1ªlinha), 12 foram classificados corretamente como eleito, 3 foram classificados erroneamente como suplente; - dos 3 exemplos (2ªlinha), 1 foi classificado erroneamente como eleito e 2 foram classificados erroneamente como suplente; - dos 4 exemplos (3ªlinha), 4 foram classificados erroneamente como suplente; 72

20 Tavares, Claudio; Bozza, Daniel e Kono, Frank - dos 101 exemplos (4ªlinha), 100 foram classificados corretamente como suplente e 1 foi classificado erroneamente como eleito. Mas como chegou-se ao numero das instâncias classificadas corretamente e erroneamente no exemplo acima? Para isso, basta analisar o quadro abaixo, no qual a somatória dos valores, que fazem parte da diagonal marcada como azul, representam os valores classificados como corretos e os demais valores somados em suas respectivas diagonais, correspondem aos valores classificados erroneamente. Obviamente, na somatória dos valores errados, deve-se excluir os valores que fazem intersecção com a linha em azul. FIGURA 12 MATRIZ DE CONFUSÃO Com isto, obtemos o seguinte resultado: - Instâncias classificadas corretamente: 112; - Instâncias classificadas erroneamente: 11; - Perfazendo um total de 123 instâncias analisadas. Estes valores, apresentados pela matriz de confusão, são os mesmos que o algoritmo do weka apresenta, conforme quadro abaixo: 73

21 FIGURA 13 RESULTADOS WEKA Análise da Arvore de Decisão FIGURA 14 ARVORE DE DECISÃO Onde os valores tem a seguinte representação: FIGURA 15 PERCENTUAL DE ACERTOS 74

22 Tavares, Claudio; Bozza, Daniel e Kono, Frank Neste artigo, não foram abordadas todas as possibilidades de interpretação dos resultados do algoritmos J48. As interpretações que aqui foram abordadas permitirão realizar uma análise inicial dos resultados Análise Acertos * Erros Tomando como exemplo parte do resultado do arquivo eleições.arff sexo = masculino anoeleicao > 1996 situacao = eleito votos <= 13 estcivil = casado: deputadoestadual (37.0/3.0) O que significam os valores ( 37.0 / 3.0 ): - 37 significa o número de acertos, ou seja, 37 registros, nos quais a regra acima se aplica corretamente; - 3 significa o número de erros, ou seja, 3 registros, nos quais a regra acima não se aplica corretamente Resultado A tabela abaixo, demonstra os diferentes experimentos realizados para se encontrar o resultado do weka que mais se aproximasse do desejado, em termos dos valores dos atributos. 75

23 TABELA 4 ETAPAS DOS EXPERIMENTOS Exp. Nº registros bd original Nº registros treinamento Nº registro s testes E * E * 770 comentário Inicialmente, foi feito um teste com todos os registros de todos os anos e todas as cidades. Ficou impraticável a análise Neste momento, foram gerados os testes com todos os registros para que o J48 pudesse gerar os resultados a serem analisados. Abaixo serão demonstrados os resultados obtidos com o primeiro treinamento e com o último treinamento. A análise será subdividida da seguinte forma: - análise dos gráficos; - análise dos resultados gerados pelo J Resultado gerado pelos gráficos No tocante aos gráficos, é possível escolher um dos atributos como chave para que o resultado seja baseado neste. O atributo escolhido neste momento foi o atributo sexo. A tela para a escolha do atributo no weka é a seguinte: FIGURA 16 ESCOLHA DO ATRIBUTO 76

24 Tavares, Claudio; Bozza, Daniel e Kono, Frank Os gráficos serão gerados pelo botão Visualize All, conforme mostrado na figura acima. No gráfico gerado pelo botão,o sexo masculino está representado pela cor azul e o sexo feminino pela cor vermelha, conforme gráficos abaixo. A primeira análise feita foi em relação ao Sexo e Idade: GRÁFICO 1 RELAÇÃO AO SEXO E IDADE A maior barra representa a faixa de idade, entre 3,947 a 4,316; isso corresponde à faixa aproximada de 48 a 54 anos, com um total de 288 instâncias, ou seja 37,4% de todos os registros (770). Observe que a predominância nesta faixa é do sexo masculino. A segunda análise feita foi em relação ao sexo e sexo: 77

25 GRÁFICO 2 RELAÇÃO AO SEXO E SEXO A maior barra corresponde ao sexo masculino, com 705 instâncias, o que corresponde a 91,56%; já a menor barra corresponde ao sexo feminino, com 65 registros, o que corresponde a 8,44%. Um ponto interessante, levando em consideração que estes dados referem-se somente à cidade de Curitiba, é que para o grau de instrução, lê e escreve, somente 3 instâncias foram selecionadas. A terceira análise feita foi em relação ao sexo e o grau de instrução: GRÁFICO 3 RELAÇÃO AO SEXO E GRAU DE INSTRUÇÃO 78

26 Tavares, Claudio; Bozza, Daniel e Kono, Frank A maior barra, corresponde ao grau de instrução Superior Completo, com um total de 390 instâncias, o que corresponde a 50,64% de todos os registros (770). Observe que a predominância é do sexo masculino. A quarta análise feita foi em relação ao sexo e estado civil: GRÁFICO 4 RELAÇÃO AO SEXO E ESTADO CIVIL A maior barra corresponde à situação civil de casado, com um total de 584 instâncias, o que corresponde a 75,85% de todos os registros (770). Observe que a predominância é do sexo masculino. A quinta análise foi feita em relação ao sexo e profissão: GRÁFICO 5 RELAÇÃO AO SEXO E PROFISSÃO 79

27 Neste item será feita menção de três barras. A maior representa a profissão outros. Não se pode afirmar o motivo pelo qual, na base de dados, muitas instâncias foram classificadas como outros. A segunda maior barra representa a profissão de Proprietário de Estabelecimento, com 77 instâncias, o que representa a 10% do total. A terceira maior barra representa a profissão de Advogado, com 73 instâncias, o que representa 9,48 %. Note que a predominância também é do sexo masculino. A sexta análise foi feita em relação ao sexo e partido: GRÁFICO 6 RELAÇÃO AO SEXO E PARTIDO POLÍTICO Neste item será feita menção de duas barras. A maior barra representa o partido PMDB, com 105 instâncias, o que representa 13,64 % de todos os registros. A segunda maior barra representa o partido PT, com 99 instâncias, o que representa 12,87% de todos os registros. Note que a predominância também é do sexo masculino. A sétima análise foi feita em relação ao sexo e quantidade de votos: 80

28 Tavares, Claudio; Bozza, Daniel e Kono, Frank GRÁFICO 7 RELAÇÃO AO SEXO E QUANTIDADE DE VOTOS A maior barra representa a faixa de votos, aproximada entre a votos, com 191 instâncias, o que representa 24,80%. Note que a predominância também é do sexo masculino. A oitava análise foi feita em relação ao sexo e a situação: GRÁFICO 8 RELAÇÃO AO SEXO E SITUAÇÃO A maior barra corresponde à situação de Suplente com 648 instâncias, o que representa 84,15% do total de instâncias. Note que a predominância também é do sexo masculino.com este gráfico pode-se chegar às seguintes conclusões: 81