La minería de datos o Data Mining puede definirse inicialmente como un proceso de descubrimiento de nuevas y significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos.La disponibilidad de grandes volúmenes de información y el uso generalizado de herramientas informáticas ha transformado el análisis de datos orientándolo hacia determinadas técnicas especializadas englobadas bajo el nombre de minería de datos o Data Mining.Las técnicas de minería de datos persiguen el descubrimiento automático del conocimiento contenido en la información almacenada de modo ordenado en grandes bases de datos. Estas técnicas tienen como objetivo descubrir patrones, perfiles y tendencias a través del análisis de los datos utilizando técnicas avanzadas como muestreo, análisis exploratorio de datos, técnicas de reducción de la dimensión, técnicas de modelización avanzada, clasificación, segmentación, predicción, reconocimiento de patrones y otras técnicas avanzadas de análisis de datos.Este libro trata la mayoría de estas técnicas desde el punto de vista práctico utilizando el software SAS ENTERPRISE MINER, uno de los más adecuados del mercado para estas tareas.
La minería de datos o Data Mining puede definirse inicialmente como un proceso de descubrimiento de nuevas y significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos.La disponibilidad de grandes volúmenes de información y el uso generalizado de herramientas informáticas ha transformado el análisis de datos orientándolo hacia determinadas técnicas especializadas englobadas bajo el nombre de minería de datos o Data Mining.Las técnicas de minería de datos persiguen el descubrimiento automático del conocimiento contenido en la información almacenada de modo ordenado en grandes bases de datos. Estas técnicas tienen como objetivo descubrir patrones, perfiles y tendencias a través del análisis de los datos utilizando técnicas avanzadas como muestreo, análisis exploratorio de datos, técnicas de reducción de la dimensión, técnicas de modelización avanzada, clasificación, segmentación, predicción, reconocimiento de patrones y otras técnicas avanzadas de análisis de datos.Este libro trata la mayoría de estas técnicas desde el punto de vista práctico utilizando el software SAS, uno de los más adecuados del mercado para estas tareas.
Con la ayuda de este libro, a través de ejemplos totalmente resueltos, el lector profundizará en el descubrimiento e interpretación de la información contenida en grandes conjuntos de datos. Se trata de exponer, con sencillez y mediante una metodología interactiva, los conceptos de minería de datos e inteligencia de negocios. Este libro analiza las herramientas más habituales y las posibilidades que ofrecen SAS, SAS Enterprise Guide, SAS Enterprise Miner, IBM SPSS e IBM SPSS Modeler.
The most thorough and up-to-date introduction to data mining techniques using SAS Enterprise Miner. The Sample, Explore, Modify, Model, and Assess (SEMMA) methodology of SAS Enterprise Miner is an extremely valuable analytical tool for making critical business and marketing decisions. Until now, there has been no single, authoritative book that explores every node relationship and pattern that is a part of the Enterprise Miner software with regard to SEMMA design and data mining analysis. Data Mining Using SAS Enterprise Miner introduces readers to a wide variety of data mining techniques and explains the purpose of-and reasoning behind-every node that is a part of the Enterprise Miner software. Each chapter begins with a short introduction to the assortment of statistics that is generated from the various nodes in SAS Enterprise Miner v4.3, followed by detailed explanations of configuration settings that are located within each node. Features of the book include: The exploration of node relationships and patterns using data from an assortment of computations, charts, and graphs commonly used in SAS procedures A step-by-step approach to each node discussion, along with an assortment of illustrations that acquaint the reader with the SAS Enterprise Miner working environment Descriptive detail of the powerful Score node and associated SAS code, which showcases the important of managing, editing, executing, and creating custom-designed Score code for the benefit of fair and comprehensive business decision-making Complete coverage of the wide variety of statistical techniques that can be performed using the SEMMA nodes An accompanying Web site that provides downloadable Score code, training code, and data sets for further implementation, manipulation, and interpretation as well as SAS/IML software programming code This book is a well-crafted study guide on the various methods employed to randomly sample, partition, graph, transform, filter, impute, replace, cluster, and process data as well as interactively group and iteratively process data while performing a wide variety of modeling techniques within the process flow of the SAS Enterprise Miner software. Data Mining Using SAS Enterprise Miner is suitable as a supplemental text for advanced undergraduate and graduate students of statistics and computer science and is also an invaluable, all-encompassing guide to data mining for novice statisticians and experts alike.
Este libro profundiza en dos de las técnicas más habituales utilizadas en minería de datos, como son las redes neuronales y los árboles de decisión. El contenido se aborda de una forma sencilla y fácil de entender a través de una de las soluciones de software más comunes de entre las existentes en el mercado, en concreto, SAS ENTERPRISE MINER. Se persigue como finalidad inicial clarificar las aplicaciones relativas a métodos tradicionalmente calificados como difíciles u opacos. Se busca presentar las aplicaciones en la minería de datos sin necesidad de manejar desarrollos matemáticos elevados ni algoritmos teóricos complicados, que es la razón más común de las dificultades en la comprensión y aplicación de esta materia.Hoy en día se utiliza la minería de datos en diferentes campos de la ciencia. Cabe destacar las aplicaciones financieras y en banca, en análisis de mercados y comercio, en seguros y salud privada, en educación, en procesos industriales, en medicina, en biología y bioingeniería, en telecomunicaciones y en muchas otras áreas. Lo esencial para empezar a trabajar en minería de datos, sea cual sea el campo en que se aplique, es la comprensión de los propios conceptos, tarea que no exige ni mucho menos el dominio de aparato científico que conlleva la materia. Posteriormente, cuando ya sea necesaria la operatoria avanzada, los programas de ordenador permiten obtener los resultados sin necesidad de descifrar el desarrollo matemático de los algoritmos que están debajo de los procedimientos.
Para los investigadores, la extracción del conocimiento a partir de grandes cantidades de datos es una de las áreas de trabajo que suponen un gran reto, al tener que buscar una nueva manera de pensar, diseñar, e implementarlas metodologías existentes relativas el análisis de los datos. Por otro lado, una pléyade de investigadores de múltiples áreas aplicadas, como la biología, medicina, economía, etc. han descubierto el enorme potencial que supone las aportaciones teóricas en Minería de Datos para resolver con éxito problemas reales que anteriormente eran tratados de forma simple. Ello ha supuesto que actualmente el Data Mining sea una de las áreas profesionales y de investigación más activas y excitantes.De las múltiples definiciones más o menos equivalentes que existen de Data Mining, la definición que hace el Instituto SAS recoge con acierto la idea que subyace a este concepto. SAS define el concepto de Data Mining como el proceso de Seleccionar (Selecting), Explorar (Exploring), Modificar (Modifying), Modelar (Modeling) y Valorar (Assessment) grandes cantidades de datos con el objetivo de descubrir patrones desconocidos que puedan ser utilizados como ventaja. Este libro trata las técnicas que se utilizan en todas las fases del proceso de Minería de Datos haciendo especial hincapié en las Redes Neuronales y los Árboles de Decisión, que constituyen Técnicas Predictivas avanzadas de precisión óptima con gran aplicación práctica. Todas las técnicas se desarrollan a través de ejemplos.
Most books on data mining focus on principles and furnish few instructions on how to carry out a data mining project. Data Mining Using SAS Applications not only introduces the key concepts but also enables readers to understand and successfully apply data mining methods using powerful yet user-friendly SAS macro-call files. These methods stress the use of visualization to thoroughly study the structure of data and check the validity of statistical models fitted to data. Learn how to convert PC databases to SAS data Discover sampling techniques to create training and validation samples Understand frequency data analysis for categorical data Explore supervised and unsupervised learning Master exploratory graphical techniques Acquire model validation techniques in regression and classification The text furnishes 13 easy-to-use SAS data mining macros designed to work with the standard SAS modules. No additional modules or previous experience in SAS programming is required. The author shows how to perform complete predictive modeling, including data exploration, model fitting, assumption checks, validation, and scoring new data, on SAS datasets in less than ten minutes!
SAS Enterprise Miner streamlines the data mining process to create highly accurate predictive and descriptive models based on analysis of vast amounts of data from across an enterprise. Data mining is applicable in a variety of industries and provides methodologies for such diverse business problems as fraud detection, householding, customer retention and attrition, database marketing, market segmentation, risk analysis, affinity analysis, customer satisfaction, bankruptcy prediction, and portfolio analysis. In SAS Enterprise Miner, the data mining process has the following (SEMMA) steps: Sample the data by creating one or more data sets. The sample should be large enough to contain significant information, yet small enough to process. This step includes the use of data preparation tools for data import, merge, append, and filter, as well as statistical sampling techniques. Explore the data by searching for relationships, trends, and anomalies in order to gain understanding and ideas. This step includes the use of tools for statistical reporting and graphical exploration, variable selection methods, and variable clustering. Modify the data by creating, selecting, and transforming the variables to focus the model selection process. This step includes the use of tools for defining transformations, missing value handling, value recoding, and interactive binning. Model the data by using the analytical tools to train a statistical or machine learning model to reliably predict a desired outcome. This step includes the use of techniques such as linear and logistic regression, decision trees, neural networks, partial least squares, LARS and LASSO, nearest neighbor, and importing models defined by other users or even outside SAS Enterprise Miner. Assess the data by evaluating the usefulness and reliability of the findings from the data mining process. This step includes the use of tools for comparing models and computing new fit statistics, cutoff analysis, decision support, report generation, and score code management. You might or might not include all of the SEMMA steps in an analysis, and it might be necessary to repeat one or more of the steps several times before you are satisfied with the results. After you have completed the SEMMA steps, you can apply a scoring formula from one or more champion models to new data that might or might not contain the target variable. Scoring new data that is not available at the time of model training is the goal of most data mining problems. Furthermore, advanced visualization tools enable you to quickly and easily examine large amounts of data in multidimensional histograms and to graphically compare modeling results.
