La minería de datos o exploración de datos (es la etapa de análisis de «knowledge discovery in databases» o
KDD) es un campo de la estadística y las ciencias de la computación referido al proceso que intenta descubrir
patrones en grandes volúmenes de conjuntos de datos.1 2 Utiliza los métodos de la inteligencia artificial, aprendizaje
[ ][ ]
automático, estadística y sistemas de bases de datos. El objetivo general del proceso de minería de datos consiste
en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso
posterior. Además de la etapa de análisis en bruto, supone aspectos de gestión de datos y de bases de datos,
de procesamiento de datos, del modelo y de las consideraciones de inferencia, de métricas de intereses, de
consideraciones de la teoría de la complejidad computacional, de post-procesamiento de las estructuras
descubiertas, de la visualización y de la actualización en línea.
El término es un concepto de moda, y es frecuentemente mal utilizado para referirse a cualquier forma de datos a
gran escala o procesamiento de la información (recolección, extracción, almacenamiento, análisis y estadísticas),
pero también se ha generalizado a cualquier tipo de sistema informático de apoyo a decisiones, incluyendo la
inteligencia artificial, aprendizaje automático y la inteligencia empresarial. En el uso de la palabra, el término clave es
el descubrimiento, comúnmente se define como «la detección de algo nuevo». Incluso el popular libro «La minería
de datos: sistema de prácticas herramientas de aprendizaje y técnicas con Java» (que cubre todo el material de
aprendizaje automático) originalmente iba a ser llamado simplemente «la máquina de aprendizaje práctico», y el
término minería de datos se añadió por razones de marketing. A menudo, los términos más generales «análisis de
datos», «análisis»; o, cuando se refieren a los métodos actuales, «inteligencia artificial» y «aprendizaje automático»,
son más apropiados.
La tarea de minería de datos real es el análisis automático o semiautomático de grandes cantidades de datos para
extraer patrones interesantes hasta ahora desconocidos, como los grupos de registros de datos (análisis clúster),
registros poco usuales (la detección de anomalías) y dependencias (minería por reglas de asociación). Esto
generalmente implica el uso de técnicas de bases de datos como los índices espaciales. Estos patrones pueden
entonces ser vistos como una especie de resumen de los datos de entrada, y pueden ser utilizados en el análisis
adicional o, por ejemplo, en el aprendizaje automático y análisis predictivo. Por ejemplo, el paso de minería de datos
podría identificar varios grupos en los datos, que luego pueden ser utilizados para obtener resultados más precisos
de predicción por un sistema de soporte de decisiones. Ni la recolección de datos, la preparación de datos, ni la
interpretación de los resultados y la información son parte de la etapa de minería de datos, pero que pertenecen a
todo el proceso KDD como pasos adicionales.3 [ ]
Los términos relacionados con la obtención de datos, la pesca de datos y espionaje de los datos se refieren a la
utilización de métodos de minería de datos a las partes de la muestra de un conjunto de datos de población más
grandes establecidas que son (o pueden ser) demasiado pequeñas para las inferencias estadísticas fiables que se
hizo acerca de la validez de cualquier patrón descubierto. Estos métodos pueden, sin embargo, ser utilizados en la
creación de nuevas hipótesis que se prueban contra poblaciones de datos más grandes.
Si bien la minería de datos tiene muchas ventajas, incluida la capacidad de compartir información, también existen
desventajas relacionadas con la privacidad. Al hacer que la información esté disponible, las empresas pueden
promover los problemas de privacidad y seguridad. Algunas soluciones sugeridas por los investigadores implican
diferentes formas de proteger la privacidad, incluida la limitación del acceso a los datos, la eliminación de
agrupaciones que no son esenciales o el aumento de los datos.4 [ ]
Proceso
[editar]
Un proceso, entendiéndose como conjunto de etapas sucesivas, típico de minería de datos consta de los siguientes
pasos generales:
1. Selección del conjunto de datos, tanto en lo que se refiere a las variables objetivo (aquellas que se
quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el
cálculo o proceso), como posiblemente al muestreo de los registros disponibles.
2. Análisis de las propiedades de los datos, en especial los histogramas, diagramas de dispersión,
presencia de valores atípicos y ausencia de datos (valores nulos).
3. Transformación del conjunto de datos de entrada, se realizará de diversas formas en función del
análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se
adapte a los datos y al problema, a este paso también se le conoce como preprocesamiento de los
datos. Un problema sustancial asociado al desarrollo de este tipo de sistemas cuando contienen texto en
inglés es el tamaño de su vocabulario; que es más grande que el de cualquier otra Lengua en el mundo.
Un método que se está ahora utilizando en estos casos es el de simplificación antes de proceder con el
proceso, por medio de convertir dicho texto a Inglés básico; mismo que contiene solo 1000 palabras que
también se utilizan para describir en notas al pie el sentido de las más de 30 000 palabras definidas en el
«Diccionario Básico de Ciencias».5
[ ]
4. Selección y aplicación de la técnica de minería de datos, se construye el modelo predictivo, de
clasificación o segmentación.
5. Extracción de conocimiento, mediante una técnica de minería de datos, se obtiene un modelo de
conocimiento, que representa patrones de comportamiento observados en los valores de las variables del
problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la
vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente
de los datos.
6. Interpretación y evaluación de datos, una vez obtenido el modelo, se debe proceder a su validación
comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de
haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en
busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados
esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.
