MAESTRÍA EN INGENIERÍA EN COMPUTACIÓN
DATA MINING
M.I. ANA LUCÍA CORRAL FLORES
Data Mining – Métodos, Técnicas y
Herramientas
Alberto Valdés Chávez
2/03/2021
I. Introducción
Se le conoce como Data Mining al conjunto de técnicas y tecnologías que se utilizan para
analizar grandes cantidades de datos de forma automática para detectar patrones y
extraer información útil que pueda servir para la toma de decisiones.
Existen muchas técnicas de análisis de datos las cuales pueden ser utilizadas en Data
Mining, pero el proceso sigue de forma general ciertos lineamientos. Comenzando por la
comprensión del área de interés donde se encuentra el problema, la definición del
objetivo, recopilación, entendimiento y procesamiento de datos, modelado y análisis de
resultados.
A continuación, se describe la metodología general en Data Mining, las técnicas más
utilizadas y algunas herramientas populares.
II. Métodos, Técnicas y Herramientas de Data Mining
Metodología
1. Entendimiento del problema.
La primera etapa en Data Mining consiste en la definición de los objetivos. Para
esto se requiere conocimiento sobre el área de interés para poder definir y acotar
el problema.
2. Entendimiento de los datos.
Consiste en hacer una revisión inicial de los datos disponibles, para determinar su
utilidad, tomando en cuenta las fuentes, los tipos y las propiedades de los datos.
3. Preparación de datos.
Una vez que se determina que los datos disponibles sirven para lograr el objetivo,
se empieza a realizar la limpieza de datos. Durante el proceso se revisa que no
exista ruido en los datos, así como valores o propiedades faltantes. De ser así, se
trata de corregir los valores erróneos o completar los faltantes, si no es posible,
simplemente se eliminan mantener la consistencia.
Después se pueden aplicar transformaciones a los datos, cómo la creación de
nuevas características a partir de las ya existentes, normalización y escalamiento
de datos. El resultado final de este paso es una base de datos lista para ser
analizada por un modelo.
1
4. Modelado.
Dependiendo del objetivo, se selecciona el modelo más apropiado. Puede ser un
modelo estadístico o en el caso de un modelo de machine learning, pueden
utilizarse modelos supervisados o no supervisados.
5. Evaluación.
Los resultados del modelado son analizados y presentados, para ver si se logró
alcanzar el objetivo de forma satisfactoria.
6. Implementación.
A partir del modelado de los datos, el conocimiento adquirido sobre estos puede
utilizarse en aplicaciones de ayuda en la toma de decisiones o para desarrollar
nuevas estrategias.
Técnicas
Las que siguen son técnicas de modelado de datos que se utilizan más frecuentemente.
1. Clasificación
Este análisis busca clasificar datos en grupos relevantes.
2. Clustering
Sirve para agrupar los datos en subgrupos que tengan características en común.
3. Regresión
Analiza la correlación entre variables, para tratar de identificar que tanto cambia
una variable en relación con otras.
4. Reglas de Asociación
Busca encontrar la asociación entre dos o más objetos para tratar de encontrar
patrones.
5. Detección de Outliers
Sirve para encontrar objetos cuyas propiedades son significativamente diferentes
al resto de la población, para encontrar fallas o cosas fuera de lo común.
6. Patrones Secuenciales
Busca identificar patrones o tendencias en los datos que se ubican a lo largo de
una secuencia.
7. Predicción
Busca hacer una predicción futura de un evento, puede utilizar las técnicas
anteriores para analizar el pasado y presente para dar un valor futuro.
2
Herramientas
Algunos de los softwares más utilizados para la minería de datos son:
1. Rapidminer – Es un programa de uso libre que no necesita de conocimientos de
programación, tiene integrado algunas técnicas de análisis de datos como
clustering y limpieza de datos.
2. Weka – Es un programa que incluye una colección de algoritmos de machine
learning utilizados en la minería de datos, incluyendo algoritmos de regresión,
clasificación, clustering y visualización.
3. Orange – Es una librería del lenguaje de programación Python que incluye
algoritmos de machine learning para el análisis de datos.
4. R – Es un lenguaje de programación enfocado en el análisis estadístico. Tiene
integrado funciones para el manejo y análisis de datos, y cientos de librerías para
la minería de datos.
5. Knime – Es un programa enfocado en el pre procesamiento de datos, que incluye
la limpieza y transformación de ellos.
6. XL Miner – Es un Addon para Microsoft Excel que incluye modelos de machine
learning para regresión y clasificación, así como algoritmos no supervisados para
clustering.
III. Conclusiones
Data Mining es un área creciente en la ciencia de datos, aunque su popularidad viene
desde hace relativamente pocos años, tiene una metodología muy clara y estructurada
para el manejo de grandes bases de datos. Puede aplicarse prácticamente en todos los
campos de estudio en donde sea posible conseguir datos, lo que lo hace muy útil para
extraer información que de otra forma sería muy difícil de conseguir.
IV. Bibliografía
1. Guru99. (2020). Data Mining Tutorial: What is | Process | Techniques &
Examples. Guru99. [Link]
2. Ribas, E. (2018). ¿Qué es el Data Mining o minería de datos?. IEBS.
[Link]
data/#:~:text=El%20Data%20Mining%20es%20un,el%20comportamiento%20de
%20estos%20datos.
3. Shah, D. (2017). Data Mining Tools. Towards Data Science.
[Link]