Las técnicas de minería de datos provienen de la inteligencia artificial y la estadística. Incluyen métodos descriptivos para describir datos, métodos predictivos para estimar valores futuros, y técnicas de modelado para comprender y simular sistemas. Algunas técnicas comunes son la segmentación de datos, árboles de decisión, análisis de asociaciones y redes neuronales.

2. Técnicas de Minería de Datos

3. Provienen de la inteligencia artificial y de la propia estadística. Se trata de
algoritmos que se aplican sobre un conjunto de datos con el objetivo de obtener
resultado
Las técnicas de minería de datos

5. 1.-Técnicas Descriptivas
Orientadas a describir un conjunto de datos

6. Segmentación de datos
Para la agrupación automática de registros que comparten rasgos similares (no supervisados), existen diversas técnicas:
• Segmentación o clustering
El nº de segmentos se
determina durante la
ejecución del algoritmo
Procesa tanto variables
cuantitativas como
cualitativas
Maximiza la similitud
entre los miembros de
un mismo segmento y
las diferencias entre los
miembros de segmentos
diferentes, en base a
métricas de similitud, no
de distancia
Es eficiente para la
detección de nichos de
registro

7. Segmentación de datos
• Segmentación neuronal (mapas autoorganizativos de Kohonen)
Es necesario predefinir el nº de segmentos que se
desean obtener y su distribución bidimensional
Procesa tanto variables cualitativas como cuantitativas,
aunque funciona mejor cuando dominan estas últimas
Es eficiente cuando se desea particionar una población
imponiendo cierta relación entre los segmentos
obtenidos

8. Modelo de clasificación en forma de
árbol de decisión
Procesando tanto variables
cuantitativas como cualitativas
Técnicas de podado, que proporciona
árboles de menor tamaño
Son escalables, pudiendo procesar
conjuntos con independencia del
número de clases, atributos y registros
Clasificación
Como métodos de clasificación supervisada (predicción de variables cualitativas), algunas técnicas son:
Clasificación basada en árboles de decisión Clasificación neuronal
Basada en redes neuronales de
propagación hacia atrás
Detecta de forma automática la
topología más adecuada para cada
problema, aunque permite
especificar una concreta
Realiza un análisis de sensibilidad
para detectar las variables más
significativas para cada topología

9. Análisis de asociaciones
Los análisis de asociaciones y patrones secuenciales permiten extraer información desconocida de los hábitos de compra:
Análisis de asociaciones
Detecta elementos
en una
transacción que
implican la
presencia de otros
elementos en ésta
misma
Expresa las
afinidades entre
elementos en
forma de reglas de
asociación X y Y,
facilitando una
serie de métricas
como el soporte y
confianza

10. 2.-Técnicas Predictivas
Orientadas a estimar valores de salida

11. 2.1.-Análisis de patrones secuenciales
Detectan patrones entre transacciones, lo que
permite optimizar las ventas a lo largo del
tiempo
2.2.-Análisis de similitud en series temporales
Detecta todas las ocurrencias de secuencias
similares en una colección de series temporales

12. Predicción
Para la estimación de variables cuantitativas, los métodos más empleados son:
Funciones de base radial
Pueden procesar variables cuantitativas y cualitativas a
la vez
Detecta el número de centroides óptimo,
predefiniendo el número máximo de éstos y el
número mínimo de registros asignados a cada centro
Funciona especialmente bien cuando la estructura de
los datos tiende a agruparse en conjuntos, ya que
implementa cierto tipo de segmentación
Predicción neuronal
Basada en redes neuronales de propagación hacia
atrás
Detecta de forma automática la topología más
adecuada para cada problema, aunque permite
especificar una concreta
Permite predecir datos en forma de series
temporales } Permite implementar regresión
logística

13. 3.-Técnicas de Modelado
Orientadas a la comprensión del sistema: obtener una representación del sistema que permita imitar su
comportamiento

14. Agrupamiento
Consiste en la
agrupación de una
serie de vectores
según determinados
criterios que
habitualmente son a
distancia.
Según el análisis los algoritmos se pueden
clasificar como
Se trata de la
disposición de los
vectores de entrada
de manera que estén
más cercanos a los
que tengan
características
comunes
• algoritmos supervisados,
Los cuales descubren patrones y
tendencias que se presentan los datos.
que predicen un dato desconocido
inicialmente a partir de otros datos que
son de conocimiento previo.
• algoritmos no supervisados

15. Árboles de decisión
Se trata de un modelo de predicción que se
utiliza en el campo de la inteligencia artificial
a partir de una
base de datos en
donde se
construyen los
diagramas de
construcciones
lógicas.
Es un sistema similar a la predicción que está basado en reglas
que sirven para la representación de una serie de condiciones
que se presentan de manera sucesiva en la resolución de
problemas

16. Otra Clasificación

18. • Recuperado el 28 de Noviembre 2017 de http://ocw.uc3m.es/ingenieria-telematica/inteligencia-en-
redes-de-comunicaciones/material-de-clase-1/07-mineria-de-datos
• Recuperado el 28 de Noviembre 2017 de https://es.slideshare.net/lalopg/mtodos-predictivos-y-descriptivos-
minera-de-datos
• Recuperado el 28 de Noviembre 2017 de http://www.scielo.org.co/pdf/inun/v13n1/v13n1a07.pdf