Resumen de Modelo aumentado de árbol de decisión utilizando mapas autoorganizados

Wilson Castillo Rojas, Fernando Medina Quispe, Claudio Meneses Villegas

• español

  Un aspecto clave en el proceso de descubrimiento de conocimiento en bases de datos (KDD) es la comprensibilidad y credibilidad de los modelos generados por los esquemas inductivos de aprendizaje. Este artículo explora la aplicación de la técnica SOM sobre un modelo de árbol de decisión, para lograr una visualización aumentada del modelo. Representaciones de percepción visual del modelo, conjuntamente con datos y patrones, son establecidas basados en un esquema denominado VAM-MD, para soportar eficientemente su exploración y análisis visual durante la etapa de afinamiento del modelo de minería de datos. Con esto se busca responder preguntas genéricas respecto del funcionamiento interno del modelo, y con ello lograr mejorar su comprensión. Esta propuesta se implementó con un software prototipo, donde el analista de datos puede aplicar un conjunto de elementos visuales, sobre los datos en cada nodo del árbol, seleccionados apropiadamente para complementar la visualización del modelo generado. Además, el usuario dispone de diversos mecanismos de interacción que le permiten explorar cada componente del modelo. Finalmente, se analizan los resultados obtenidos desde un experimento controlado, llevado a cabo con dos grupos de usuarios, quienes utilizaron el software WEKA y el prototipo experimental para realizar una tarea de minería de datos sobre un conjunto de datos previamente preparados. El análisis preliminar de los resultados obtenidos permiten, por un lado, corroborar empíricamente la utilidad del uso de la técnica SOM para aumentar visualmente un árbol de decisión, y por otro, estimar subjetivamente su eficiencia en apoyar la comprensión del modelo generado.

• English

  A key aspect in the process of Knowledge Discovery in Databases (KDD), is the understandability and credibility of models generated by inductive learning schemes. This article explores the application of Self-Organizing Maps (SOM) technique on a model of decision tree, to achieve enhanced visualization of the model. Representations of visual perception model, together with data and patterns are established, based on a schema called VAM-MD, to support exploration and visual analysis efficiently during tuning stage for Data Mining Model. This seeks to answer generic questions about the inner workings of the model and to achieve better understanding. This proposal was implemented through a software prototype, where a set of visual elements may be applied to data from each node in the tree, appropriately selected to complement the visualization of the generated model. Additionally, the user has several mechanisms of interaction that enable for exploration of each component of the model. Finally, the results from a controlled experiment, conducted on two user groups who used the WEKA software and the experimental prototype, for a data mining task on a previously prepared data were analyzed. Preliminary analysis of the results obtained allow, on one hand empirically corroborate the utility of using the SOM technique to visually enhance a decision tree and on the other subjectively estimate their efficiency in supporting the understanding of the model generated.