Giorgio Pedrazzi CINECA

Torino, 20 febbraio 2003

Processo di estrazione di conoscenzaconoscenza da banche dati di

grandi dimensionigrandi dimensioni tramite l’applicazione di algoritmi che

individuano le associazioni associazioni “nascoste”“nascoste” tra le informazioni e

le rendono visibili.

Che cos’è il Data Mining

volumevolume

valorevalore

dati

informazione

conoscenza

decisione

• Quantità di dati

• Natura dei dati

• Rapida evoluzione del mercato

• Inadeguatezza degli strumenti tradizionali

Perché sono necessari strumenti di Data Mining

Dati

?

?

?

?

STRUMENTI STATISTICI

DATA RETRIEVAL

DATA MINING

• analisi descrittive

• analisi esplorative

Problemi:•quantità di dati (records, variabili)•tipo di dati (qualitativi, testi)•missing•interpretazione risultati

queryProblemi:•tempi di risposta•inadeguatezza nell’individuare associazioni

conoscenza

Statistica tradizionale

Statisticainferenziale

Statistica

Statisticadescrittiva

Sono i due campioni

identicamente distribuiti ?

Inferenze eprevisioni

Descrizione dei dati

Il processo di estrazione di conoscenza (KDD)

Database /Database /Data WarehouseData Warehouse

Target dataTarget data

Selection /Sampling

Transformed dataTransformed data

Transformationand reduction

Cleaned dataCleaned data

Preprocessingand cleaning

Patterns / modelsPatterns / models

Data MiningKnowledgeKnowledge

Visualization /Evaluation

clienti

Segmentazione della clientela

agenziestampa

Analisi testualeTEXT MINING

venditeAnalisi delle associazioni

brevetti

Technology Watch

DATA MININGClustering

Reti neurali

Alberi di decisione

Associazioni

Segmentazione

Classificaz./ Previsione

Tecniche e tradizionali ambiti applicativi del Data Mining

Perché il Data mining in biologia• Esplosione della informazione biologica

in forme diverse

• The Human Genome Project: più di 22.1 miliardi di basi; parecchie decine di migliaia di geni sono stati identificati a partire dalla sequenza genomica.L’analisi delle sequenze mostrano 38,000 geni confermati dall’evidenza sperimentale.

• Swiss Prot Database: più di 10,000 proteine

• Pubmed: più di 12,000,000 abstracts biologici , ed il loro numero sta ancora aumentando!

………

• Relazioni complesse tra i dati biologici

Perché il Data mining in biologia

Perché il Data mining in biologia

• L’industria biofarmaceutica genera più dati chimici e biologici di quanti ne riesca a trattare. Come risultato di tutto ciò la creazione di nuovi composti farmaceutici è spesso un lungo ed arduo lavoro.

Perché il Data mining in biologia• La biologia rappresenta un campo di applicazione interessante per il Data Mining con un notevole disponibilità di dati e di problemi complessi. I metodi tradizionali, a volte, non sono sufficienti per analizzare una simile quantità di dati. Le due discipline si possono avvantaggiare l’un l’altra nella collaborazione.

KDD per la Bioinformatica

Genomic

Literature

Experimental

Integrated Data

Repository

Prepareddata

Dati

NormalizationCurationValidation…

ClusteringSVMsILPClassification…

Patterns

EvaluationVisualization

ConoscenzaExpert

Knowledge

SamplingExpressed GenesHomologs…

Spesso non esplicitament

e implementata

Selezione dei dati

Interrogazione dei databases pubblici (Bioperl).Genbank.

Stanford microarray database.

SWISS-Prot.

….

Dati raccolti in esperimenti

Integrazione delle diverse fonti di dati

Preparazione dei dati (data cleansing)

• Rimozione dei dati non validi, ridondanti o privi di utilità.

• Trattamento dei dati mancanti.

• Selezione delle variabili

• Trasformazione dei dati.– Dicotomizzazione, normalizzazione,

riproporzionamento, etc.

Alcune tecniche di Data Mining

• Clustering (classificazione non supervisionata)

• Text Mining (Medmole)

• Regole di associazione

• Classificazione (Alberi di decisione)

• Visualizzazione dei risultati

Altre tecniche: analisi delle serie temporali, analisi delle sequenze

Il punto di partenza di tutti gli algoritmi di clustering è un modello che prescinde completamente alla natura dei dati impiegati e dalle specifiche problematiche disciplinari. Si fa riferimento in generale ad una matrice dei dati contenente informazioni su N oggetti (casi o osservazioni; righe della matrice) specificate dai valori assegnati a V variabili (colonne della matrice)

Clustering

• Scelta delle variabili

• Indice di somiglianza

•Metodo di formazione dei gruppi

•Determinazione dei criteri di valutazione

Clustering

N

D

X11 X12 X13 … X1d (L)

X21 X22 X23 … X2d (L)

…

Xn1 Xn2 Xn3 … xnd (L)

variabile

osservazione

Rappresentazione formale del dato in forma matriciale

Clustering

Dalla matrice dei dati originaria (di dimensione NxV) si passa ad una matrice di distanze o di similarità fra casi (di dimensione NxN)

n

d

d(1,1) d(1,2) d(1,3) … d(1,n)

d(2,2) d(2,3) … d(2,n)

d(n,n)

Distanze dall’oggetto j

Distanze dall’oggetto i

Clustering

Una volta stabiliti i criteri per la misura del grado di similarità/diversità, è possibile sviluppare molteplici algoritmi per la classificazione dei casi.

Per variabili di tipo quantitativo si calcolano misure di distanza.

Per variabili di tipo qualitativo si calcolano misure di similarità.

Clustering

Distanza euclidea (di norma 2)

Distanza di Manhattan (o a blocchi)

2/1

1

2)(),(

d

jkjij xxkid

Misure di distanza

d

jkjij xxkid

1

||),(

Alcuni esempi di misure di distanza

Clustering

Esempi di misura di distanza

x = (5,5)

y = (9,8)Distanza euclidea:d(x,y) =sqrt(42+32)= 5

Distanza di Manhattan:d(x,y) =4+3 = 7

4

35

Clustering

Misure di similarità

xk: 0 1 1 0 1

xj: 1 1 0 1 1

Jaccard: d(i,k)= (a11) / (a11 + a10 + a01 )

Condorcet: d(i,k)= a11 / [a11+0.5(a10 + a01)]

Dice bis: d(i,k)= a11 / [a11+0.25(a10 + a01)]

a11 a10

a01 a00

1 0

1

0

2 2

1 0

1 0

1

0

Numero di 1corrispondenti

Clustering

Clustering

Clusteringgerarchico

Clusteringpartitivo

K-medie, Som, … Analisi relazionale…………..

Tecniche di Clustering

Clustering partitivo Clustering gerarchico

E

E1

E2E3

E4

E7

E8

E

E1 E2

E7 E8

Tecniche di Clustering

Gene Expression clustering

• Per gene (rat spinal cord development, yeast cell cycle):

• Wen et al., 1998; Tavazoie et al., 1999; Eisen et al., 1998; Tamayo et al., 1999.

• Per condizione o tipo di cellaGolub, et al. 1999; Alon, et al. 1999; Perou, et al. 1999; Weinstein, et al. 1997 Cheng, ISMB 2000.

Le tecniche di clustering sono utilizzate anche nelle applicazione di Text Mining.

Medmole è un’applicazione di Text Mining sugli abstract di Medline

Text Mining (Medmole)

Resultsexample: RET <OR> BRCA1

ClusterResultsexample: RET <OR> BRCA1

Cluster Keywords

Resultsexample:

RET <OR> BRCA1

Results example: RET <OR> BRCA1

Regole di associazione

• Dati del problema:– I insieme di items

• Prodotti venduti da un supermercato

– Transazione T: insieme di items t.C. T i• Oggetti acquistati nella stessa transazione di cassa al

supermercato

– Base di dati D: insieme di transazioni

Regole di associazione

• Regola di associazione X YX,Y I

• Supporto S: #trans. contenenti XY #trans. in D

– rilevanza statistica

• Confidenza C: #trans. contenenti XY #trans. contenenti X

– significatività dell’implicazione

Regole di associazione tra Sequenze proteiche, Struttura e Funzione

PROSITE

Sequence Motif Database

SWISS-PROT

Protein Sequence Database

PDB

Protein 3D Structure Database

Classificazione

Quale classe?

Modello di classificazione

Nuovi dati

Classificazione

• Dati del problema:– insieme di classi– insieme di oggetti etichettati con il nome della classe di

appartenenza (training set)

• Problema:– trovare il profilo descrittivo per ogni classe, utilizzando

le features dei dati contenuti nel training set, che permetta di assegnare altri oggetti, contenuti in un certo test set, alla classe appropriata

Costruzione del modello

TrainingData

NAME Color Shape Class

A Brown Bell bad

M Gray Convex good

B Yellow Bell good

J Gray Conical good

D Brown Convex good

C Gray Bell bad

Metodo diclassificazione

IF Color = ‘Yellow’OR Shape = ‘Conical’ or …THEN Class = ‘good’

Modello

Valutazione del modello

TestingData

NAME Color Shape Class

T Gray Bell bad

J Yellow Bell bad

W Yellow Flat good

H Gray Convex good

Modello di classificazione

Quanto è accurato il modello ?

IF Color = ‘Yellow’OR Shape = ‘Conical’ or …THEN Class = ‘good’

Applicazioni

• Classificazione tendenze di mercato

• identificazione automatica di immagini

• identificazione del rischio in mutui/assicurazioni

• efficiacia trattamenti medici

Alberi di decisione

• Veloci rispetto agli altri metodi

• Facili da interpretare tramite regole di classificazione

• Possono essere convertiti in interrogazioni SQL per interrogare la base di dati

Esempio

Eta` < 26

Alto Tipo auto

BassoAlto

ETA`

4065202550

CLASSE RISCHIObassoaltoaltoalto

basso

TIPO AUTO

familiaresportivautilitariasportivafamiliaresi no

sportivafamiliare

Alto

utilitaria

Costruzione albero

• Due fasi:– fase di build: si costruisce l’albero iniziale,

partizionando ripetutamente il training set sul valore di un attributo, fino a quando tutti gli esempi in ogni partizione appartengono ad una sola classe

– fase di pruning: si pota l’albero, eliminando rami dovuti a rumore o fluttuazioni statistiche

Esempio di albero di decisione creato per la classificazione di tessuti in cancerosi o non cancerosi utilizzando come variabili l’espressione genica dei geni rilevanti nel B-cell Lymphoma

Altri metodi di classificazione

Reti neurali

Support Vector Machine

Naive Bayes

……

VisualizzazioneVisualizzazione dei cluster Coordinate parallele

Evoluzione Temporale

Alcuni libri introduttivi

1. Bioinformatics – the machine learning approach by P. Baldi & S. Brunak, 2nd edition, the MIT press, 2001

2. Data mining – concepts and techniques by J. Han & M. Kamber, Morgan Kaufmann publishers, 2001

3. Pattern classification by R. Duda, P. Hart and D. Stork, 2nd edition, john Wiley & sons, 2001