DM 02 Persiapan Data Id
Preparing Data What is Data?
Kumpulan obyek data dan atributnya
Atribut adalah property atau karakteristik suatu obyek
Contoh: warna mata, temperature, dll
Atribut dikenal sebagai variable, feld, ataupun karakteristik
Attributes Objects Tid Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes
9 No Married 75K No 10 No Single 90K Yes 10
Nilai atribut adalah angka-angka atau simbol-simbol yang diassign ke suatu atribut
Perbedaan antara atribut dan nilai atribut
Atribut yg sama dapat dipetakkan ke nilai atribut yang beda
Misal: ketinggian dapat diukur dalam feet atau meter
Atribut yg beda dapat dipetakan ke himpunan nilai yang sama
Ada jenis-jenis atribut yang berbeda:
Nominal
Contoh: nomor ID, warna mata, kode pos
Ordinal
Rangking/ tingkatan (contoh rasa dari kripik kentang dalam skala 1-10), grade, tinggi dalam {tinggi, sedang, rendah}
Interval
Contoh: tanggal kalender, temperature dalam Celsius atau Fahrenheit
Ratio
Contoh: temperature dalam Kelvin, panjang, waktu, jumlah Properties of Attribute Values /1
Jenis atribut tergantung pada properti berikut yang mana dia miliki
Distinctness: =
Order: < >
Addition: + -
Multiplication: * /
Nominal attribute: distinctness
Ordinal attribute: distinctness & order
Interval attribute: distinctness, order & addition
Ratio attribute: all 4 properties Properties of Attribute Values /2 Attribute Type
Description Examples Operations Nominal The values of a nominal attribute are just diferent names, i.e., nominal attributes provide only enough information to distinguish one object from another. (=, ) zip codes, employee ID numbers, eye color, sex: {male, female} mode, entropy, contingency correlation, 2 test
Ordinal The values of an ordinal attribute provide enough information to order objects. (<, >) hardness of minerals, {good, better, best}, grades, street numbers median, percentiles, rank correlation, run tests, sign tests
Interval For interval attributes, the diferences between values are meaningful, i.e., a unit of measurement exists. (+, - ) calendar dates, temperature in Celsius or Fahrenheit mean, standard deviation, Pearson's correlation, t and F tests
Ratio For ratio variables, both diferences and ratios are temperature in Kelvin, monetary geometric mean, Properties of Attribute Values /
Comments Transformation Level Nominal Any permutation of values If all employee ID numbers were reassigned, would it make any diference?
Ordinal An order preserving change of An attribute values, i.e., encompassing the new_value = f(old_value) notion of good, better where f is a monotonic best can be represented function. equally well by the values {1, 2, 3} or by
Interval new_value =a * old_value + b Thus, the Fahrenheit { 0.5, 1, 10}. where a and b are constants and Celsius temperature scales difer in terms of where their zero value is and the size of a unit
Discrete and Continuous Attributes
Discrete Attribute
Mempunyai himpunan nilai terbatas atau tak terbatas
Contoh: zip codes, himpunan kata dalam kumpulan dokumen
Sering direpresentasikan sbg variable integer
Note: binary attributes special case
Continuos Attribute
Memiliki angka-angka real sebagai nilai atribut Asymmetric Attributes
Hanya keberadaannya (non zero attribute value) diperhatikan
Contoh:
Kata-kata muncul di dokumen
Item-item muncul di transaksi customer
Document 1 Document 2 3 5 2 6 2 2 7
2
1 3Record
▫ Data Matrix ▫ Document Data ▫ Transaction Data
Graph
▫ World Wide Web ▫ Molecular Structures Ordered
▫ Spatial Data ▫ Temporal Data
Important characteristics of structured
data Dimensionality
Sparsity
Hanya menghitung kemunculan
Resolution
Pola-pola bergantung skala Record Data
Data yang berisi kumpulan record, yang mana masing- masing berisi suatu himpunan atribut yang ditentukan. Tid Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No
2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No
5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No
8 No Single 85K Yes 9 No Married 75K No
Jika objek data mempunyai kumpulan atribut numerik yg ditentukan , kemudian data objek dapat dipandang sebagai titik dalam ruang multidimensional, di mana setiap dimensi merepresentasian suatu atribut yang berbeda.
Seperti data set dapat direpresentasikan dengan suatu matrik m dengan n di mana ada m baris, satu dari setiap objek dan n kolom, satu untuk setiap atribut.
Projection Projection Projection Projection Distance Distance Load Load Thickness Thickness of x Load of x Load of y load of y load
10.23
10.23
5.27
5.27
15.22
15.22
2.7
2.7
1.2
1.2 Document Data
Setiap document menjadi suatu ‘term’ vector,
Setiap term adalah komponen (atribut) dari vector
Nilai setiap komponen adalah banyaknya waktu yg berhubungan terms terdapat dalam document
Document 1 Document 2 3 5 2 6 2 2 7 2 1 3 Transaction Data
Jenis spesial dari data rekord , dimana s etiap
record (transaksi) mencangkup kumpulan item-
item Contoh: Toko penjualan bahan makanan. Sejumlah produk dibeli customer selama perjalanan
pembelian merupakan suatu transaksi, namun
produk yg dibeli merupakan itemTID Items
1 Bread, Coke, Milk
2 Beer, Bread
3 Beer, Coke, Diaper, Milk
4 Beer, Bread, Diaper, Milk
Contoh: Generic graph and HTML Links <li> Data Mining </a> <a href="papers/papers.html#bbbb">
2 <li> Graph Partitioning </a> <a href="papers/papers.html#aaaa">
1
5 Parallel Solution of Sparse Linear System of Equations </a> <a href="papers/papers.html#aaaa">
2 <a href="papers/papers.html#ffff"> <li>
Benzene Molecule: C H
6
6
Sequence of transaction
Items/Events
Genomic sequence data
Spatio-Temporal data
Average Monthly
Temperature of land
and ocean Jenis masalah apakah kualitas data?
Bagaimana kita dapat mendeteksi masalah dengan data?
Apa yg dapat kita lakukan tentang masalah ini?
Contoh masalah kualitas data:
Noise & outliers
Missing Values
Duplicate data Noise
Mengacu pada modifkasi nilai original
Contoh: distorsi suara seseorang ketika berbicara
Outliers adalah
obyek data dengan
karakteristik berbedadengan kebanyakan
data obyek lain dalam data set.
Contoh: suatu data set merepresentasikan gambaran umur dengan 20 nilai yg berbeda,
Age = {3, 56, 23, 39, 156, 52, 41, 22, 9, 28, 139, 31, 55, 20, - 67, 37, 11, 55, 45, 37}
Maka parameter statistika yg berhubungan:
Mean = 39.9
Standard deviation = 45.65 Jika kita memilih nilai threshold untuk distribusi normal data :
Theshold = Mean ± 2 x Standard Deviation maka seluruh data yg diluar range [-54.1, 131.2] adalah potential outliers. Dan oleh karena age >0, mungkin mengurangi range
Beberapa alasan missing values:
Informasi tidak terkumpul (misal: orang2 menolak memberikan info umur dan berat mereka)
Atribut mungkin tidak dapat diaplikasikan ke semua kasus (misal: pendapatan tidak dapat diaplikasikan ke anak2)
Mengatasi missing values:
Eliminasi obyek data
Data set mungkin terdapat obyek data yang duplikat, atau hampir duplikasi dari yg lain
Isu utama dengan menggabungkan sumber yg berbeda-beda
Contoh: orang yg sama dengan berbagai email address
Data cleaning
Proses perlakuan dengan isu data duplikasi Data Preprocessing: Why is
Data di dunia riil cenderung kotor
Incomplete: kekurangan nilai atribut, kurang atribut ttt yg menarik, atau hanya berupa kumpulan data
Noise: berisi errors atau outliers
Inconsistent: berisi berbeda format dalam code dan nama
Data yg tidak berkualitas, tidak ada hasil-hasil mining yg berkualitas
Major task in Data
Data Cleaning
Data Integration
Data Transformation
Data Reduction
Data Discretization Forms of Data
Preprocessin
g Normalization
Data smoothing
Diferences and ratios
Nilai yg terukur dapat diskala ke range khusus, seperti [-1, 1], atau [0,1] dengan alasan ukuran-ukuran jarak akan overweight yang dimiliki, atas rata-rata, nilai-nilai itu lebih besar.
Ada 3 tehnik normalisasi: 1.
Decimal scalling 2. Min-max normalization 3. Standard deviation normalization Decimal scalling
Menggerakkan titik desimal tetapi masih
memelihara kebanyakan nilai digit asal. Skala
khusus memelihara nilai dalam range -1 sampai 1. Persamaan berikut menggambarkan penskalaan desimal, dimana v(i) adalah nilai dari feature v untuk kasus i dan v’(i) adalah nilai yg diskala. k v’(i)=v(i)/10 untuk k terkecil sehingga max (v’(i))< 1
Andaikan data v dalam suatu range antara 150 dan 250. Maka, metode normalisasi sebelumnya akan memberikan data yg dinormalisasi antara .15 dan .25; tetapi dia akan mengakumuladi nilai dalam subinterval kecil dalam range keseluruhan. Untuk mencapai distribusi yg lebih baik dari nilai seluruhnya, intervalnya dinormalisasikan, seperti [0, 1]
v’(i) =(v(i)-min(v(i))) / (max(vi))- min(v(i)))
dimana, nilai minimum dan maksimum v Standard deviation
Normalisasi dengan standard deviasi sering bekerja baik dengan ukuran jarak, tetapi transformasi data tidak dapat dikenali data asalnya. v’(i)=(v(i)-mean(v))/sd(v)
Contoh: Jika himpunan nilai atribut awal v={1, 2, 3}, maka mean(v)=2, sd(v)=1, dan
himpunan nilai yg dinormalisasikan adalah
v* ={-1,0,1}
Suatu feature numerik, y, mungkin berkisar atas banyak nilai yg berbeda, terkadang sebanyak jumlah kasus pelatihan. Banyak teknik data-mining, perbedaan minor antar nilai-nilai ini tidak signifkan dan mungkin menurunkan performance metode dan hasil akhir. Oleh karena itu, dia terkadang menjadi keuntungan untuk menghaluskan nilai variable.
Sebagai contoh, bilangan real dengan beberapa letak desimal, pembulatan nilai ke presisi yg diberikan dapat menjadi algoritma smoothing yg sederhana untuk sejumlah sampel yg besar, dimana setiap sampel mempunya nilai realnya sendiri.
Meskipun perubahan kecil feature dapat menghasilkan perbaikan yang signifkan dalam performance data- mining. Dampak transformasi dari i/o yg relative minor adalah hal yg penting dalam menspesifkasi tujuan data-mining.
Transformasi kadangkala menghasilkan hasil yg lebih bagus dari tujual prediksi suatu angka semula.
Contoh: tujuan menggerakkan control untuk proses manufaktur pada suatu setting optimal. Daripada mengoptimisasi spesifkasi besaran yg nyata untuk output s(t-1), dia akan lebih efektive men-set tujuan gerakan relatif dari nilai saat ini ke optimal akhir
Transformasi perbedaan dan rasio tidak hanya berguna
untuk ftur output, tetapi juga untuk input. Mereka dapat digunakan sebagai perubahan dalam waktu untuk satu feature atau sebagai komposisi dari perbedaan feature input.
Contoh: data set medical, ada 2 feature dari pasien, tinggi
dan berat, yg diambil sebagai parameter input untuk analisis diagnosa yg berbeda. Beberapa aplikasi menunjukkan hasil diagnosa dicapai lebih bagus ketikatransformasi awal ditunjukkan menggunakan feature baru
yg disebut body-mass index (BMI), yg mana rasiopembobotan antara berat dan tinggi. Fitur komposisi lebih
baik dari parameter awal untuk menggambarkan beberapaTransforming Data
Centering
Mengurangi setiap data dengan rata2 dari setiap atribut
Normalization
Hasil dari centering dibagi dengan standard deviasi
Scaling
Merubah data sehingga berasa dalam skala