Data Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering

Transkript

1 Data Mining Cup 2012 Wissensextraktion Multimedia Engineering deck using PDA or similar devices Fakultät für Ingenieurwissenschaften Jevgenij Jakunschin Christian Mewes

2 2 Gliederung 1. Software 2. Vorverarbeitung 3. Analyse 4. Algorithmen 5. Verfeinerung 6. Auswahl

3 3 Software Daten wurden in.csv Format gespeichert Excel für frühe Analysen und Umwandlung Knime + Weka + Math plugins für Datamining, Clusterung und die meisten Algorithmen Matlab für für Regression, Interpolation und Approximationverfahren Dropbox für Synchronisation

4 4

5 5 Vorverarbeitung Keine fehlenden Werte Keine Duplikate Keine fehlerhaften Werte Rein syntaxisch her Daten komplett korrekt Allerdings...

6 6 Vorverarbeitung Allerdings... Starke Schwankungen, mit Peaks Keine zusätzlichen/abgeleiteten Informationen (wie Wochentag oder Gewinn) Werte nicht normalisiert und/oder nominalisiert

7 7 Vorverarbeitung Erstellen von CSV Dateien mit Zusätzlichen Informationen: -Gewinn,Wochentag, Durschnittlicher Gewinn (soweit) Zusätzliche nominalisierten und normalisierten Werte Durschnittswerte für Diagramme und Statistiken Strukturieren und Anlegen von Zwischentabellen/Resultaten Tabellen mit allen Wochenwerten in einer Zeile (pro Produkt)

8 8

9 9 Analysis Erstellen von Tabellen mit Mittelwerten und Summen Darstellen von Diagrammen Notieren von Abweichungen, Min/Max-Werten Überprüfen auf Auffälligkeiten durch gruppierte Tabellen Starker Exceleinsatz

10 10

11 11 Algorithmen Erstellen von Matlab und Knime Umgebungen Möglichkeiten schnell Module und Algorithmen zu tauschen Schnelles Anpassen der Daten für Noralisieren, Partitonieren, Splitten, Clusterung......und schließlich Auswertung

12 12

13 13 Algorithmen: Regression (linear, logistic, polynom, WEKA versions) Bayes (Naive, WEKA versions, Multinomial) Neuronal Network (MLP, PNN, WEKA Voted Perceptron Kstar, LWL Decission Trees Clustering: Kmeans, Xmeans.. (usw.)

14 14 Algorithmen: Regression (linear, logistic, polynom, WEKA versions) Bayes (Naive, WEKA versions, Multinomial) Neuronal Network (MLP, PNN, WEKA Voted Perceptron Kstar, LWL Decission Trees Clustering: Kmeans, Xmeans.. (usw.)

15 15 Algorithmen Ergebnisse meist sehr ungenau (accuracy <<10%) aber 2 Algorithmen waren klar im Vorteil: Kstar WEKA plugin ungenau aber erkennt Tendenz Regressionen (Polynom/Linear) Accuracy Werte bis zu 20% Beide trotzdem bei weitem nicht genau genug

16 16 Verfeinerung Verbesserung der Resultate auf viele Weisen Veränderung interner Variablen Clusterung nach Wochentagen verbessert Ergebnisse stark Zusätzliche Einbindung von Neuronalen Netzwerken Entfernen oder skalieren mancher Daten

17 17 Verfeinerung Größte Veränderung durch Sortierung nach Wochentagen Durch mehr als 7 Cluster allerdings noch bessere Resultate Clustersuche schlägt sich vor K-means Relativ gute Ergebnisse bei Regression und Kstar

18 18 Das experementieren ging dann eine Weile weiter...

19 19 Testen - Knime 1) Allgemeiner Workflow und WEKA Workflow 2) Anwendungen meister Algorithmen 3) Entscheidung: Regression(Matlab) und Kstar(Knime) 4) Kstar Anpassung der Variablen (++) 5) Kstar+MLP Hinzufügen eines neuronalen Netzes (--) 6) Kstar Clusterung nach Wochetagen (++) 7) Kstar+Kmeans Automatische Clusterung (++) 8) Kstar+Kmeans Skalierung/Filterung (++) Beste Kstar Ergebnisse in 600ter Bereich...

20 20

21 21 Verfeinern - Matlab 1. Durchschnitt Tag/Menge pro Produkt 2. DS Wochentag/Menge pro Produkt (~16%) 3. MIN, MAX statt DS (ca.30%) 4. Ausreißer beseitigen (+ca.1.5%) 5. Identische Datensätze (+ca.1.5%) 6. Durchschnittspreis (+ca.0.5%) 7. Approximation Menge (30-40%, aber E:NaN, M:NaN) (8.Clustering Menge) (9.Clustering Produkt) 10.Zusammenführung aller Ansätze

22 22

23 23 Auswahl Bis man zwischen Regression und Kstar wählen musste (Bei Aufteilung 4:2 Wochen) Kstar: EuklD: 650, ManD: 20000, Accuracy bis 25% Regression: EuklD: 462, ManD: 20948, Accuracy bis 16.4% Regression kann konfiguriert werden, auf Kosten von der EuklD und ManD höhere Accuracy zu bekommen (30+) Endentscheidung: Regression

24 24 Quellen und Zusatzinformationen

25 Danke fürs zuhören! 25