Лекция Data Mining

Методы «раскопки данных» - Data Mining

Авторы

Тишков Артем Валерьевич Эюбова Наргиз Идаят кызы Делакова Екатерина Александровна Семенова Елена Михайловна

2013

Медицинские данные

Результаты медико-биологических исследований –

большое количество данных различного характера

Результаты лабораторных исследований; Социально-паспортные и антропометрические данные; Факторы риска;

Данные медицинских приборно-компьютерных систем.

Анализ медицинских данных

Статистические методы Методы, основанные на знаниях

–«Раскопка данных» (Data Mining)

–Экспертные системы

Data Mining «Раскопка данных»

–поиск (неочевидных) закономерностей в данных

–обнаружение скрытых знаний

Статистические методы

Frequency

Frequency

Согласованность с нормальным законом распределения

18

16

14

12
10
8
6
4
2
0
	80	85	90	95	100	105	110	115
9
8
7
6
5
4
3
2
1
0
20	30	40	50	60	70	80	90	100	110

Число_тромбоцитов_вовлеченных_в_аггрегаты_1

Корреляционный анализ

24

20

16

12

8

4

0 -4

-8

12

18

24

30

36

42

48

54

60

Сумма_актив ных_формт

rp-коэффициент корреляции

Pearson

ранговые:

Spearman Kendall

Гармон

изирова

нный

анализ

Нестатистические методы: «раскопка данных»

О

б

у

ч

а

ю

щ

а

я

в

ы

б

о

р

к

а

эотакс эотакс и

ин

н-

2

6,7 13

5,1 9,8

27 11,4

9 20

7 3

13 10

1,2 0

1 0

0 3,2

0,5 1

1,5 4

1 20

3 0

0,4 2

0,3 0,6

0,3 2

	MIP-
	1
интерлейки	al
н-8	p
	h
	a
113	13
89	29
48	73
44	14
16	49
11	28
1,2	0,8
0,8	0,1
26	0
7	0
10	0,7
33	0
17	0
29	0,3
34	0,6
9	0,3

MIP-
1	RANT				CXCR	CXCR
b	E	CCR1	CCR3	CCR5
					1	2
et	S
a							resu
33	23	126	99	63	113	86	y
15	23	102	27	32	49	74	y
36	61	116	118	118	114	85	y
11	52	111	102	101	101	84	y
49	61	79	58	39	109	111	y
10	15	100	91	102	76	66	y
1,6	1,4	140	96	158	96	122	n
0,06	10	165	88	66	1,8	73	n
0,1	0	94	104	74	27	54	n
4	18	146	81	112	27	90	n
1	43	145	103	127	36	103	n
0	98	152	122	140	50	103	n
0	39	128	103	18	35	74	n
0,06	32	112	98	96	36	79	n
0,3	6	108	112	92	34	98	n
0,2	1	121	114	105	8	120	n

Кластеризация

Кластеризация предназначена для разбиения совокупности объектов на однородные группы —кластеры.

Цель кластеризации — построить оптимальное разбиение объектов на группы: разбить N объектов на k кластеров.

Характеристиками кластера можно назвать два признака:

•внутренняя однородность;

•внешняя изолированность.

Непересекающиеся и пересекающиеся кластеры

Кластеризация. K-means

Разделить образцы на k групп (классов) автоматически, без информации о настоящем классе образца

1. Выбрать	2. Сгруппировать	3. Вычислить	4. Повторить
начальное	образцы по	новые	шаги 2 и 3 до
положение	принципу	положения	схождения
центров	близости к	центров	алгоритма
классов	центрам