Clustering Prof. Rodrigo Leite Durães. rodrigo_l_d@yahoo.com.br
O que é Análise de Agrupamentos? Cluster: um grupo de objetos Similares entre si quando no mesmo grupo Dissimilares em relação a objetos em outros grupos Análise de Agrupamentos Agrupamento de objetos em grupos Agrupamento é um método de classificação não supervisionada: as classes não são definidas previamente Aplicações típicas Como uma ferramenta autonoma para obter pistas sobre a distribuição de dados Como uma etapa de preprocessamento para outros algoritmos
Aplicações de Clustering Reconhecimento de Padrões Análise de Dados Espacial detecte clusters espaciais e explique-os no contexto da mineração de dados espaciais Processamento de Imagens Economia (especialmente pesquisa de mercado) WWW Classificação de documentos Agrupamento de dados provenientes do Weblog para descobrir grupos de acesso similares
Exemplos de Aplicações de Clustering Marketing: Ajuda os marqueteiros a descobrir grupos de clientes e usa esse conhecimento para orientar as campanhas publicitárias Solo: Identificação de áreas de propriedades similares Seguro: Identificação de grupos de segurados com um custo médio elevado de reembolso Planejamento Urbano: Identificação de grupos de habitação segundo o tipo, valor e localização geográfica
O que é um bom agrupamento? Um bom método de agrupamento fornece grupos de alta qualidade com Alta similaridade intra-grupo baixa similaridade inter-grupo A qualidade do resultado de um agrupamento depende tanto da medida de similaridade usada pelo método como da sua implementação. A qualidade de um método de agrupamento é também medido pela sua habilidade para descobrir os padrões escondidos.
Requirementos para Clustering em Data Mining Scalabilidade Abilidade para tratar com diferentes tipos de atributos Descoberta de grupos de forma arbitrária Requerimentos mínimos do conhecimento do dominio em relação aos parâmetros de entrada Capaz de tratar ruidos e valores aberrantes Insensível à ordem dos registros de entrada Alta dimensionalidade Incorporação de restrições fornecidas pelo usuário Interpretabilidade e usabilidade
Principais Etapas da Formação de Agrupamentos a) aquisição dos dados 1) Seleção das observações (indivíduos, objetos, casos, itens) 2) Seleção das variáveis (caracteres, descritores) e das correspondentes escalas 3) Construção da Tabela de Dados b) Pré-processamento dos dados 1) Mudança de escala 2) Normalização 3) Extração de caracteres
Principais Etapas da Formação de Agrupamentos c) Construção da Tabela de Dados d) Cálculo da Proximidade 1) Escolha de um Índice de Proximidade 2) Construção da Matriz de Proximidades e) Seleção de um Algoritmo de Formação de Grupos em função do tipo de agrupamento desejado f) Análise e Interpretação dos Resultados
Medida da Qualidade de um Agrupamento Proximidade: é uma função que mede a similaridade ou a dissimilaridade entre um par de observações Uma função a parte mede a qualidade de um grupo. As funções de proximidade dependem da escala das variáveis: proporcional, intervalar, ordinal, nominal, binária, mista Pode-se associar pesos as variáveis como conheciemento do domínio. É extremamente difícil definir o que são dois objetos bastante similares a resposta é quase sempre subjetiva.
Tipos de Dados Variáveis de escala intervalar: Variáveis Binárias: Variáveis Nominais, Ordinais, Proporcionais: Variáveis de tipo mixto:
Dissimilaridade entre objetos Dissimilaridade entre objetos Distancias são normalmente usadas como medida de dissimilaridade entre objetos Entre as mais populares: distancia de Minkowski onde i = (x i1, x i2,, x ip ) e j = (x j1, x j2,, x jp ) são dois vetores p- dimensionais, e q é um inteiro positivo Se q = 1, d é a distância de Manhattan q q p p q q j x i x j x i x j x i x j i d )... ( ), ( 2 2 1 1... ), ( 2 2 1 1 p p j x i x j x i x j x i x j i d
Dissimilaridade entre objetos Se q = 2, d é a distância: d( i, j) ( x i x j 2 x i x j 2... x i x j 1 1 2 2 p p 2 ) Properties d(i,j) 0, d(i,i) = 0, d(i,j) = d(j,i) d(i,j) d(i,k) + d(k,j) Outras alternativas: distância ponderada, correlação (similaridade), etc.
Outros aspectos relativos aos índices de proximidade Escala das Variáveis Correlação entre as Variáveis Descrições heterogêneas (Variáveis de diferentes tipos) Índices de proximidade entre padrões descritos por strings ou árvores Índices de proximidade dependentes do contexto
Estruturas classificatórias Cobertura Partição 5 4 3 2 1 e 5 e 4 e 3 e 1 e 2 5 4 3 2 1 e 5 e 4 e 3 e 1 e 2 0 0 1 2 3 4 5 0 0 1 2 3 4 5 1) 1,, K K 2) 1 P l tem -se P 3), m 1,, K e l então P l P m m
Estruturas Classificatórias Hierarquia Piramide 5 4 3 e 5 e 4 e 3 2 1 e 1 e 2 0 0 1 2 3 4 5 1) H 2) e então e H 3) h, h H tem -se : h h h h ou h h 3) h, h H 2 1 3 4 5 4)Existe uma ordem tal que h H, tem -se h h ou h é um intervalo de h h H
Métodos de Agrupamento Em Taxinomia Numérica distingue-se três grupos de métodos Técnicas de Otimização Objetivo: obter uma partição. Número de grupos fornecido pelo usuário Técnicas hierárquicas Objetivo: obter uma hierarquia (ou uma pirâmide) Pode-se obter uma partição cortando-se a hierarquia em um determinado nível.
Métodos de Agrupamento Técnicas de Cobertura Objetivo: obter grupos que eventualmente podem partilhar indivíduos. Outros Aspectos Relativos aos Métodos de Agrupamento Métodos Aglomerativos versus Métodos Divisivos Métodos Monotéticos versus Métodos Politeticos
Outros Aspectos Relativos aos Métodos de Agrupamento Agrupamento Hard versus Agrupamento Fuzzy Métodos Incrementais versus Métodos não Incrementais Métodos Paramétricos versus Métodos não Paramétricos Métodos Geométricos versus Métodos não Geométricos
Principais Métodos de Agrupamento Métodos que fornecem uma partição: Construa várias partições que são então avaliadas segundo algum critério Métodos Hierarquicos: Fornece uma decomposição hierarquica dos objetos segundo um critério particular Métodos de Densidade: basedos em conectividade e funções de densidade Grid: baseado em estruturas de níveis de granularidade multipla Modelo: Supõe-se um modelo para cada cluster e tentase achar o melhor ajustamento entre o modelo e o cluster
Métodos que fornecem uma partição: Conceitos básicos Métodos que fornecem uma partição: Produz uma partição de uma base de dados D de n objetos em k grupos Dado k, encontre uma partição em k grupos que otimiza um dado critério Otimo global: enumeração exaustiva de todas as partições Heuristicas: k-means k-means (MacQueen 67): Cada grupo é representado pelo seu centro
O Método K-Means Dado k, o algoritmo k-means é implementado em 4 passos: Partição dos objetos em k grupos não vazios Defina as sementes como os centroides dos grupos da partição atual. Afete cada objeto ao grupo cuja semente é a mais próxima ao mesmo. Volte para o passo 2, pare quando não houver novas afetações.
O Método K-Means Exemplo 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
Comentários sobre o método K-Means Pontos fortes Relativamente eficiente: O(tkn), onde n é # objetos, k é # grupos, e t é # iterações. Normalmente, k, t << n. Frequentemente termina em um otimo local. O otimo global pode ser encontrado usando tecnicas tais como: deterministic annealing e algoritmos geneticos Pontos fracos Aplicavel apenas quando a média é definida, o que fazer com dados categóricos? É necessário especificar a priori k, o número de grupos É sensível a ruidos e valores aberrantes Não é apropriado para a descoberta de grupos não esféricos
Variantes do K-Means Algumas variantes do k-means diferem em Seleção das k medias iniciais Calculo das dissimilaridades Estratégias para calcular as médias dos grupos
Métodos Paramétricos Modelo: Mistura finita de distribuições Mistura: conjunto de k distribuições de probabilidade que representam k grupos e que determinam os valores dos atributos para os membros de um grupo Cada distribuição fornece a probabilidade de que uma instancia particular apresente um certo conjunto de valores caso se saiba que ela pertence a um dado grupo A cada grupo é associado uma distribuição distinta
Métodos Paramétricos Uma instancia pertence a apenas um grupo, mas não se sabe qual Os grupos não são igualmente prováveis Situação mais simples: um atributo numérico com distribuição normal para cada grupo, mas com diferentes médias e variâncias Problema: a partir de um conjunto de instancias inferir a media e a variância de cada grupo (distribuição)
Métodos Hierarquicos Usa uma matriz de distancias como critério de agrupamento. Esse métodos não requerem o número de grupos k como entrada, mas precisa de uma condição de parada Step 0 Step 1 Step 2 Step 3 Step 4 a a b b a b c d e c c d e d d e e Step 4 Step 3 Step 2 Step 1 Step 0 aglomerativo (AGNES) divisivo (DIANA)
AGNES (Agglomerative Nesting) Introduzido por Kaufmann and Rousseeuw (1990) Implementado em pacotes estatísticos, e.x., Splus Usa o método Single-Link e a matriz de dissimilaridade. Fusiona nós que tem as menores dissimilaridades Eventualmente todos os nós pertencem ao mesmo grupo 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
Um Dendrograma mostra como os grupos são fusionados hierarquicamente Decompõe os objetos em vários níveis de partições embutidas (árvore de grupos, chamado de dendrograma). Um agrupamento dos objetos é obtido pelo corte do dendrograma em um nível desejado e então cada componente conectado forma um grupo.
DIANA (Divisive Analysis) Introduzido por Kaufmann and Rousseeuw (1990) Implementado em pacotes estatísticos, ex., Splus Ordem inversa de AGNES Eventualmente cada nó forma um grupo unitário 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
Métodos Hierarquicos Pontos fracos dos métodos aglomerativos de agrupamento Não são escalaveis: complexidade em tempo pelo menos em O(n 2 ), onde n é o número total de objetos Nunca pode desfazer o que já fez previamente
CHAMELEON CHAMELEON: G. Karypis, E.H. Han and V. Kumar 99 Mede a similaridade baseda em um modelo dinamico 2 grupos são fusionados apenas se a interconectividade e proximity entre 2 grupos são altas em relação a interconectividade interna dos grupos e a proximidade dos itens nos grupos Um algoritmo de 2 fases 1. Usa um algoritmo de particionamento de um grafo: agrupa objetos em um grande número de sub-grupos relativamente pequenos 2. Usa um algoritmo hierarquico aglomerativo: encontra os verdadeiros grupos pela fusão desses sub-grupos
Contexto global de CHAMELEON Construção de Um grafo esparço Partição do grafo Dados Fusão da Partição Grupos finaiss
Métodos baseados em Densidade Agrupamento baseado em densidade (critério de cluster local, tal como a densidade de pontos conectados Caracteristicas princiapais: Descoberta de grupos de forma arbitrária Tratamento de ruido Apenas uma escaneada É necessário parametros de densidade como condição de parada
DBSCAN: Density Based Spatial Clustering of Applications with Noise Um grupo é definido como um conjunto de pontos máximo conectados pela densidade Descobre grupos de forma arbitrária em BD espaciais com ruido Outlier Border Core Eps = 1cm MinPts = 5
DBSCAN: O algoritmo Selecione um pointo p arbitrariamente Recupere todos os pontos alcançaveis pela densidade de p wrt Eps and MinPts. Se p é um ponto core, forma-se um grupo. Se p é um ponto de fronteira, não há pontoas aclcançaveis pela densidade de p e DBSCAN visita o proxímo ponto da base de dados. Continue o processo até que todos os pontos tenham sido processados.
OPTICS: (1999) OPTICS: Ordering Points To Identify the Clustering Structure Ankerst, Breunig, Kriegel, and Sander (SIGMOD 99) Produz uma ordenação especial da base de dados em relação a sua estrutura de agrupamento baseada em densidade Esse ordenamento de grupo contém informação equivalente a agrupamento baseado em densidade correspondente a uma ampla faixa de ajuste de parametros Bom tanto para agrupamento automático como iterativo, incluindo a procura da estrutura de agrupamento intrinsica Pode ser representado graficamente ou usar tecnicas de visualização
Ordem de agrupamento dos objetos Distancia alcançavel indefinido
DENCLUE: using density functions DENsity-based CLUstEring by Hinneburg & Keim (KDD 98) Principais Caracteristicas Fundamentos matematicos solidos Bom para dados com presença maciça de ruido Permite uma descrição matemática compacta de grupos de forma arbitrária para dados multidemensionais Significativamente mais rápido do que os algoritmos existentes (mais rápido do que DBSCAN por um fator de até 45) No entanto precisa de uma enorme quantidade de parametros
Usa celulas em grade mas guarda informações apenas sobre aquelas que realmente contém pontos e manipula essa celulas em uma estrutura de acesso tipo árvore. Função de influencia: descreve o impacto dos dados na sua vizinhança. A densidade global do espaço de dados pode ser calculada como a soma da função de influencia de todos os pontos. Os grupos podem ser determinados matematicamente pela identificação de atratores de densidade. Atratores de densidade são máximos locais da função densidade global. Denclue: Essencia
Métodos baseados em Grade Usa uma estrutura de dados grade de multipla resolução
STING: Uma abordagem Grade com Informações Estatísticas Wang, Yang and Muntz (VLDB 97) A área espacial é dividida em células retangulares Há vários níveis de celulas correspondente a vários níveis de resolução
STING Cada célula em um nível mais alto é particionada em um número menor de celulas no próximo nível abaixo Calcula-se e armazena-se de antemão informações estatísticas de cada célula e usa-se a mesma para responder consultas Parametros de células de nível mais altos são facilmente calculadas à partir de parametros de células de nivel mais baixo count, mean, s, min, max tipo de distribuição normal, uniforme, etc. Usa uma abordagem top-down para responder consultas espaciais Inicia a partir de uma camada pre-selecionada tipicamente com um pequeno número de celulas Para cada célula do nível corrente calcule o intervalo de confiança
STING: Remoção de células irrelevantes para consideração adicional Quando acabar o exame da camada corrente, passe para a próxima camada de nível mais baixo Repita esse processo até alcançar a camada inferior Vantagens: Independente de consultas, facil de paralelizar, atualização incremental O(K), onde K é o número de células na grade ao nível mais baixo Desvantagens: Todas as fronteiras dos grupos ou são horizontais ou verticais; fronteiras diagonais não são detectadas
WaveCluster (1998) Sheikholeslami, Chatterjee, and Zhang (VLDB 98) Uma abordagem de agrupamento multi resolução que aplica transformada de wavelet no espaço de características Uma transformada de wavelet é uma tecnica de processamento de sinais que decompõe o sinal em diferentes sub-bandas de frequencia. É ao mesmo tempo um método baseado em grade e em densidade
WaveCluster (1998) Como aplicar transformada de wavelet para encontrar grupos Simplifique os dados pela imposição de uma estrutura de grade multidimensional no espaço dos dados Esse objetos espaciais multidimensionais são representados em um espaço de caracteristicas n- dimensional Aplicar a transformada de wavelet no espaço de caracteristicas para encontrar regiões densas nesse espaço Aplicar transformada de wavelet várias vezes que resulta em grupos de diferentes escalas da mais fina a mais grosseira
WaveCluster (1998) Porque a transformada wavelet é útil para agrupamento Agrupamento não supervisionado Usa filtros para enfatizar regiões cujos pontos agrupam, e simulteneamente suprime informações mais fracas na fronteira Remoção eficaz de valores aberrantes Multi-resolução Eficiencia do custo Principais caracteristicas: Complexidade O(N) Detecção de grupos de forma arbitrária em diferentes escalas Insensível ao ruido ou a ordem dos dados de entrada Aplicavel apenas a dados de poucas dimensões
CLIQUE (Clustering In QUEst) Agrawal, Gehrke, Gunopulos, Raghavan (SIGMOD 98). Identifica automaticamente regiões que permitem um melhor agrupamento do que o espaço original CLIQUE é ao mesmo tempo baseada em densidade e em grade Particiona cada dimensão no mesmo número de intervalos de igual tamanho Particiona o espaço m-dimensional em retangulos sem intersecção Uma unidade é densa se a fração dos pontos contida nessa unidade excede os parametros do modelo Um grupo é um conjunto máximo de unidades densas concectadas em um subespaço
CLIQUE: Principais etapas Particione o espaço de dados e encontre o número de pontos que se encontram dentro de cada celula da partição. Identifique os subespaços que contém grupos usando o principio do Apriori Identificaçãod e grupos: Determine unidades densas em todos os subespaços de interesse Determine unidades densas conectadas em todos os subespaços de interesse. Gere a descrição mínima dos grupos Determine regiões máximas que cobrem um grupo de unidades densas conectadas para cada grupo Determinação da cobertura mínima de cada grupo
Vantagens e desvantagens de CLIQUE Pontos fortes Encontra automaticamente regiões de máxima dimensionalidade tal que existe clusters de alta densidade neles É insensível a ordem de apresentação dos objetos e não é necessário supor nenhuma distribuição a priori para os dados Escalabilidade linear com o numero de objetos e boa escalabilidade quando o numero de dimensãoes dos dados cresce Pontos fracos A precisão dos resultados do agrupamento pode ser degradada em função da simplicidade requerida pelo método
Clustering baseado em Modelos Procura otimizar o ajustamento entre os dados e um modelo matemático particular Abordagens Estística e de AI Agrupamento Conceptual Uma forma de agrupamento em aprendizagem de máquina Fornece uma classificação para um conjunto de objetos não rotulados Encontra a descrição característica de cada conceito (classe) COBWEB (Fisher 87) Um método de agrupamento conceptual incremental Cria um agrupamento hierarquico expresso por uma árvore de classificação Cada nó representa um conceito e contém uma descrição probabilistica do mesmo
Uma árvore de classificação COBWEB
Clustering baseado em Estatística Limitações do COBWEB A suposição de que os atributos são independentes é muito forte: podem existir correlações Não é apropriado para o agrupamento de grandes bases de dados CLASSIT Extensão de COBWEB para agrupamento incremental de dados contínuos Sofre dos mesmos problemas de COBWEB AutoClass (Cheeseman and Stutz, 1996) Usa analise Bayesiana para estimar o número de grupos Popular na industria
Outros Métodos de Agrupamento baseado em Modelos Abordagens redes Neurais Representa cada grupo como um exemplo, que age como um prototipo do grupo Novos objetos são distribuidos para o grupo cujo exemplar é o mais similar segundo uma dada distancia Aprendizagem Competitiva Involve uma arquitetura hierárquica de várias unidades (neuronios) Os neuronios competem em um modo vencedorleva-tudo para o objeto sendo correntemente apresentado
Self-organizing feature maps (SOMs) O Agrupamento é realizado pela competição de várias unidades pelo objeto corrente A unidade cujo vetor de pesos é a mais próxima do objeto corrente vence O vencedor e seus vizinhos aprendem pelo ajustamento de seus pesos Bem adaptado para a visualização de dados multi-dimensionais em 2 ou 3 dimensões
Problemas e Desafios Progressos consideráveis forem realizados em métodos de agrupamento escalaveis Partição: k-means Densidade: DBSCAN, CLIQUE, OPTICS Grid: STING, WaveCluster Modelo: Autoclass, Denclue, Cobweb Os métodos atuais de agrupamento não satisfazem todos os requerimentos desejáveis adequadamente Agrupamento sob restrições: Restrições estão presentes no espaço de dados ou nas consultas dos usuários
Sumário Cluster analysis agrupa objetos com base nas suas similaridades e tem uma ampla faixa de aplicações Medidas de similaridade podem ser calculadas para varios tipos de dados Os Métodos de agrupamento podem ser divididos em métodos de partição, hierarquicos, baseados em densidade, baseados em grade e baseados em modelos Ainda há muitos progressos a serem realizados em análise de agrupamentos tais como em agrupamento baseado em restrições