Data Mining com a Ferramenta

Weka
Eduardo Corra Gonalves
Escola Nacional de Cincias Estatsticas (IBGE/ENCE)
Rua Andr Cavalcanti, 1!, Centro " #$#%1&' " Rio de (aneiro " R(
eduardo$correa)i*+e$+ov$*r
1
Tpicos da Apresentao
PARTE 1: Introduo Minerao de Dados
Data Mining, Fraldas e er!e"as
Tare#as e T$cnicas de Minerao de Dados
onte%to atual da Minerao de Dados
PARTE &: Weka ' uma Ferramenta (i!re )ara Data Mining
A)resentao da Ferramenta
*ases de Dados ARFF
Weka em Ao: Minerando um lassi#icador
2
3
Parte I. Introduo Minerao de Dados
Minerao de dados: empregada em )es+uisas cient,#icas desde o
incio dos anos 90.
Muitas em)resas esto se beneficiando da tecnologia com o propsito de
alcanar um melhor posicionamento no mercado.
Mas o +ue $ minerao de dados? Quais so as suas a)lica-es
)r.ticas?
stas !uest"es so discutidas a seguir#
* HQ originalmente publicada em 03/01/2000. Disponvel no site http:$$%%%.dilbert.com$.
O que Minerao de Dados?
&efinio simples para minerao de dados 'data mining(:
Processo reali)ado atra*+s de estrat+gias automati/adas !ue tem por
ob,eti*o a descoberta de con0ecimento !alioso em grandes bases de
dados.
s!uema conceitual: um -)e+ueno diamante de in#ormao. +
e/trado a partir de uma *erdadeira -montan0a de dados.#
4
Algoritmos: a Essncia da Minerao de Dados
0 minerao de dados baseia1se na utili)ao de algoritmos capa)es de
*asculhar grandes bases de dados de modo eficiente e re*elar )adr-es
interessantes2 escondidos dentro da -montanha de dados..
studar data mining significa -mergulhar fundo. nos algoritmos#
3rabalhar com data mining consiste em trabalhar com algoritmos#
4tili)ar uma ferramenta de data mining significa conhecer e saber
manipular os algoritmos !ue ela disponibili)a#
5
Propriedades Bsicas de um Diamante de !n"ormao#
5 conhecimento descoberto atra*+s de processos de minerao de dados +
considerado interessante !uando apresenta certas )ro)riedades:
1alidade Ines)era2ilidade
Inter)reta2ilidade 3o!idade
4tilidade
stas propriedades sero e/plicadas no e/emplo a seguir.
6
$raldas e %er&e'a ()*+,
/emplo real 'ser6?( e muito conhecido.
&e acordo com 7899:;2 a minerao do banco de dados de uma grande lo,a
de departamentos dos 402 re*elou !ue grande parte dos consumidores !ue
fa)em compras nas noites de +uinta5#eira2 costuma ad!uirir os dois
produtos: #raldas e cer!e"a.
/emplo antigo2 mas ainda *ale a pena discuti1lo.
Quando foi minerada2 a regra apresentou todas as )ro)riedades
capa)es de caracteri)61la como interessante para os analistas da lo,a
de departamentos.
<o por acaso2 o e/emplo + citado em muitos cursos e li*ros de
minerao de dados.
7
$raldas e %er&e'a (-*+,
=or !ue a regra foi considerada to interessante?
>epresenta*a uma informao no!a.
<o era conhecida pelos analistas da empresa.
?oi uma associao ines)erada.
5s analistas imagina*am !ue as *endas de cer*e,a esti*essem
associadas apenas a produtos como salgados2 carne para churrasco e
outras bebidas alcolicas2 mas nunca a produtos de higiene infantil.
0 regra foi considerada !.lida6
la possua e/pressi*idade estatstica. 4ma porcentagem consider6*el
das compras reali)adas nas noites de !uinta1feira continha ambos os
produtos.
8
$raldas e %er&e'a (+*+,
=or !ue a regra foi considerada to interessante? 'Continuao...(
0 regra + inter)ret.!el.
=@de ser entendida e e/plicada pelos analistas. Augere !ue nas noites
de !uinta1feira2 os casais "o!ens se preparam para o fim1de1semana
estocando fraldas para os bebBs e cer*e,a para o papai.
&e maneira estereotipada2 podemos at+ imaginar o ,o*em -papai norte1
americano. como algu+m !ue no pode mais ir ao bar e nem aos ,ogos
de baseball ou futebol americano. nto ele fica em casa2 assistindo aos
,ogos pela 3C en!uanto bebe as suas latinhas de cer*e,a#
2 mais importante do !ue tudo2 a regra descoberta era 7til.
5s gerentes da lo,a de departamentos puderam tomar a"es capa)es de
aumentar as *endas de cer*e,a. /: os produtos foram colocados em
prateleiras pr/imas.
9
%omo .urgiu a Minerao de Dados? ()*+,
0 e!oluo da tecnologia da *D 'anos D0 em diante( possibilitou com !ue
as organi)a"es coletassem e arma/enassem de #orma cont,nua uma
enorme !uantidade de dados 'sobre clientes2 fornecedores2 produtos e
ser*ios(.
<os anos 90 percebeu1se !ue os dados esta*am sendo sub1utili)ados.
=or !ue no analis61los para descobrir no!as in#orma-es e utili)61las
de forma estrat$gica?
10
%omo .urgiu a Minerao de Dados? (-*+,
9ogo se percebeu !ue no se trata!a de uma tare#a tri!ial 7?=A9E;:
mpresas mantBm bancos de dados com bilh"es ou trilh"es de registros
histricos de suas transa"es.
Fentenas de atributos precisam ser analisados simultaneamente.
M+todos tradicionais 'AQ92 =lanilhas2 in*estigao manual( so
in*i6*eis#
Este cen.rio moti!ou o surgimento da ci8ncia +ue
rece2eu o nome de minerao de dados6
Trata5se da lin0a de )es+uisa +ue se )reocu)a com a
)ro)osio de metodologias e algoritmos e#icientes
)ara a desco2erta de con0ecimento em grandes
2ancos de dados6

11
%omo .urgiu a Minerao de Dados? (+*+,
0 Minerao de &ados + uma linha de pes!uisa multidisci)linar.
la ada)tou ideias pro*enientes de diferentes 6reas com o intuito
de resol*er o problema da descoberta de conhecimento escondido
em grandes bases de dados.
5 es!uema abai/o apresenta trBs dessas 6reas 'e/istem outras(.
=ara ser ,usto: a minerao de dados reuniu ideias oriundas de outras
6reas e tamb+m introdu)iu algumas no*idades.
12
O que a Minerao de Dados Pode $a/er? ()*)0,
/istem di*ersas tare#as 'ou #uncionalidades( de minerao de
dados 'data mining tas! $ "unction(:
4ma tarefa determina o ti)o de )ro2lema !ue ser6 resol*ido pelo
processo de minerao de dados.
0 seguir2 uma bre*e apresentao sobre as principais tarefas de M&.
13
O que a Minerao de Dados Pode $a/er? (-*)0,
Tare#a 1: DE9:*ERTA DE A99:IA;<E9
:2"eti!o: descobrir com2ina-es de itens ou !alores de atri2utos !ue
ocorrem com #re+u8ncia signi#icati!a em uma base de dados.
E%em)lo 5 Minerao do 8& de um supermercado:
#$0% das compras &ue cont'm "raldas( tamb)m cont'm cerve*a.
1$% de todas as compras cont'm os dois produtos+.
Re)resentao =regra de associao>: ?#raldas@ ?cer!e"a@

-, compra do produto mil-o verde aumenta em $ ve.es a c-ance
de um cliente comprar ervil-as..
Re)resentao : ?mil0o !erde@ ?er!il0as@

14
O que a Minerao de Dados Pode $a/er? (+*)0,
Tare#a 1: DE9:*ERTA DE A99:IA;<E9 'Continuao...(
5utras a)lica-es
para as >egras de
0ssociao
9istemas de
Recomendao: so
sistemas !ue2 de
maneira aut@noma2
sugerem itens !ue
considera
interessantes para
um usu6rio 'li*ros2
notcias2 mGsicas2
*deos2 etc(.
9egurana de 9istemas: regras de associao so utili)adas para
aprimorar os bancos de dados dos anti*rus e sistemas de deteco de
intrus"es.
(service = echo reply) (SrvCount > 500) (Class = Intrusion)
15
O que a Minerao de Dados Pode $a/er? (1*)0,
Tare#a &: DE9:*ERTA DE PADR<E9 9EA4E3IAI9
:2"eti!o: descobrir se+u8ncias de e!entos fre!uentes.

=arece com a minerao de associa"es2 mas le*a em conta a ordem ou
a data de ocorr8ncia dos e*entos.
E%em)lo 5 Minerao do 8& de uma lo,a de suprimentos de eletr@nica:
-H0I dos consumidores &ue ad&uirem um netboo! compram um
-ard dis! e/terno de 2 a 4 meses aps a a&uisio do netboo!..

5utras a)lica-es importantes:
0n6lise de se!uBncias de &<0.
Minerao de uso da Jeb 'an6lise de se!uBncia de cli!ues(.
16
O que a Minerao de Dados Pode $a/er? (2*)0,
Tare#a &: DE9:*6 DE PADR<E9 9EA4E3IAI9 'Continuao(
=odem ser utili)ados em !ual!uer problema onde se,a poss*el registrar a
ordem de ocorrBncia de e*entos.
0n6lise de se!uBncias em cadeias de &<0
Minerao de uso da Jeb
17
O que a Minerao de Dados Pode $a/er? (3*)0,
Tare#a B: (A99IFIA;C:
:2"eti!o: a partir de um banco de dados contendo ob,etos pr+1classificados
'ob,etos cu,a classe + conhecida(2 construir um modelo !ue se,a capa) de
classi#icar automaticamente no!os o2"etos 'ob,etos cu,a a classe +
desconhecida( em funo de suas caractersticas.
5 modelo criado + chamado de modelo classi#icador.
E%em)lo 5 Minerao do 8& de uma seguradora:
18
O que a Minerao de Dados Pode $a/er? (4*)0,
Tare#a B: (A99IFIA;C: 'Continuao...(
Ae/o feminino : -no se en*ol*e em acidente.
Ae/o masculino e idade superior a KH anos : -no se en*ol*e em acidente..
Ae/o masculino e idade igual ou inferior a KH anos: -se en*ol*e em acidente.
5 modelo pode ser usado para a empresa pre*er a classe de um futuro
cliente. 0 classificao + uma tare#a )rediti!a.
Mostraremos um e/emplo pr6tico na ferramenta JeLa#
19
O que a Minerao de Dados Pode $a/er? (5*)0,
Tare#a D: DETERMI3A;C: DE AER4PAME3T:9
:2"eti!o: di!idir automaticamente um con,unto de ob,etos em gru)os
'clusters( de acordo com algum de tipo de relacionamento de similaridade
e/istente.
E%em)lo
1
: se *ocB ti*esse !ue di*idir em dois gru)os de acordo com a
similaridade2 como *ocB faria?
M
/emplo retirado do tutorial N0 Oentle Pntroduction to Machine 9earning and &ata Mining for the &atabase
FommunitQN apresentado por amonn Reogh no MDo Aimpsio 8rasileiro de 8ancos de &ados S A88& K00T
20
O que a Minerao de Dados Pode $a/er? (6*)0,
Tare#a D: DETERMI3A;C: DE AER4PAME3T:9 'Continuao(
0lgumas solu"es poss*eis...
5utras solu"es: crianas e adultos2 gordos e magros2 inteligentes e nem
tanto '#(2 fumantes e no1fumantes2 '*e,a !ue clustering + difcil e
sub,eti*o###(
21
O que a Minerao de Dados Pode $a/er? ()0*)0,
:utras Tare#as
Minerao de Te%to =text mining>: descoberta de no*as informa"es
a partir da an6lise de te%to li!re 'artigos2 documentos J5>& ou =&?2
etc.( ou semi5estruturado 'e/: ar!ui*os U3M9 ou VM9(.
Minerao We2 =web mining>: uso de algoritmos para minerar
conhecimento Gtil de documentos e ser*ios da We2.
Regresso: similar W tarefa de classificao. 0 principal diferena + !ue
o atributo al*o + do tipo cont,nuo.
Padr-es em 9$ries Tem)orais: os dados de s+ries temporais cont+m
obser*a"es ad,acentes e ordenadas2 tipicamente uma se!uBncia de
*alores num+ricos com um atributo representando o tem)o.
Minerao de E%ce-es: o ob,eti*o da tarefa + determinar ob,etos !ue
se,am di#erentes da maioria dos outros ob,etos. 0plica"es pr6ticas:
deteco de #raudes2 pre*iso de distGrbios no ecossistema2 e outras.
22
%omo Minerar Dados? (7cnicas de Data Mining,
5 conceito de t$cnica de minerao de dados + di#erente do conceito de
tare#a.
Fada tarefa de minerao de dados possui um con,unto de t$cnicas
associadas2 !ue representam os algoritmos !ue podem ser
empregados para a sua e/ecuo.
Tare#a T$cnicas
Regras de Associao 0priori2 ?=1Oro%th2 &FP2 F9032 Floset.
Padr-es 9e+uenciais 0priori0ll2 OA=2 =refi/Apan2 890A3.
lassi#icao <aX*e 8aQes2 Yr*ores de &eciso 'P&T2 FZ.H2
F0>32 FU0P&(2 >edes <eurais2 L1<earest
<eighbor2 Aupport Cector Machines.
An.lise de Agru)amentos L1M+dias2 L1Medoides2 M+todos Uier6r!uicos.
23
%onte8to Atual da Minerao de Dados ()*-,
<os Gltimos anos2 a minerao de dados tem atrado o interesse no
apenas dos pes!uisadores2 mas tamb+m das empresas.
la + considerada uma importante tecnologia de Business Intelligence
'8P(2 assim como o data 0are-ousing e a an6lise 590=.
0l+m de ferramentas comerciais '5racle2 A0A2 A=AA2 AQ9 Aer*er2 (2
tamb+m e/istem #erramentas li!res para minerao de dados.
/emplos:
R : ,6 e/istem di*ersos pacotes para data mining !ue podem ser
integrados a este tradicional soft%are open source para estatstica.
Weka: ferramenta !ue apresentaremos ho,e...
24
%onte8to Atual da Minerao de Dados (-*-,
0 mdia2 de um modo geral2 tamb+m tem dado consider6*el ateno W
minerao de dados.
[ cada *e) mais comum encontrar artigos sobre o tema em publica"es
sobre computao2 biologia2 marLeting2 administrao2 etc.
0t+ re*istas de *ariedades e li*ros de conteGdo no t+cnico tratam do
tema. E%em)los:
-<umerati. de Atephen 8aLer.
-5 FlicL. de 8ill 3ancer.
Mas h6 um )ro2lema s$rio: empresas tamb+m tentam usar a
minerao de dados para in*adir nossa pri*acidade e manipular nosso
comportamento ### 'consulte 78aL09;(
E%em)los: nos indu)ir o !ue de*emos comprar e em !uem *otar.
25
26
Weka uma Ferramenta Livre para Data Mining
TF)icos: 0presentao da ?erramenta2 8ases de &ados 0>??2 JeLa em
0o: Minerando um Flassificador
* Cop1rig-t2 3artin 4ramer 5m!ramer60/s.nl7
O que 9e:a?
8 um p9ssaro tpico da :ova ;el<ndia= 3as no somente...
Weka + um Software li!re do tipo open source para minerao
de dados2 desen*ol*ido em Ga!a2 dentro das especifica"es da EP(
'>eneral ?ublic @icense(.
5 sistema foi desen*ol*ido por um
grupo de pes!uisadores da
4ni*ersidade de JaiLato2 <o*a
\el]ndia.
0o longo dos anos se consolidou
como a ferramenta de data mining
mais utili)ada em ambiente
acadBmico.
Aeu ponto forte + a tarefa de classi#icao2 mas tamb+m + capa) de
minerar regras de associao e clusters de dados.
=ode ser utili)ada no modo console ou atra*+s da interface gr6fica
Weka E%)lorer.
27
O ;i&ro da 9e:a
0s caractersticas da JeLa e as t+cnicas
nela implementadas so apresentadas no
li*ro -Data 3ining2 ?ractical 3ac-ine
@earning Aools and Aec-ni&ues. 7J?UMM;
5s autores do li*ro so os ideali)adores
da ferramenta.
HIf you hae data that you want to analy!e and
understand, this boo" and the associated #e"a tool"it are
an excellent way to start$H
^im OraQ2 3icroso"t Besearc- '#?#?#?(
28
%omo usar a 9e:a?
&uas formas principais:
Inter#ace Er.#ica: o
ambiente Weka
E%)lorer permite a
e/ecuo dos
algoritmos de data
mining da JeLa de
forma interati*a.
Ceremos um
e/emplo nessa
apresentao#
onsole: fa)endo a chamada aos algoritmos no prompt.
java weka.associations.Apriori -t veiculos.arff
29
Bases de Dados A<$$ ()*2,
5 #ormato ARFF + utili)ado como padro para estruturar as bases de dados
manipuladas pela JeLa.
30
Bases de Dados A<$$ (-*2,
le corresponde a um ar+ui!o te%to contendo um con,unto de registros2
precedido por um pe!ueno cabealho.
31
Bases de Dados A<$$ (+*2,
E%em)lo: Weat0er6ARFF

32
Bases de Dados A<$$ (1*2,
33
Bases de Dados A<$$ (2*2,
34
9e:a em Ao = Minerao de um %lassi"icador
0gora mostraremos um e/emplo pr6tico de utili)ao da JeLa:
Aer6 reali)ada a minerao de um classificador# =or+m... antes + preciso
falar um pou!uinho sobre classificao...
35
O que %lassi"icao? ()*-,
:2"eti!o: a partir de um banco de dados contendo ob,etos pr+1classificados
'ob,etos cu,a classe + conhecida(2 construir um modelo !ue se,a capa) de
classi#icar automaticamente no!os o2"etos 'ob,etos cu,a a classe +
desconhecida( em funo de suas caractersticas.
5 modelo criado + chamado de modelo classi#icador.
[ a tarefa de data mining mais popular2 pois e/istem inGmeras aplica"es
pr6ticas. 0lguns e%em)los:
Administradoras de carto de cr$dito: modelos classificadores so
empregafos para detectar se uma transao financeira + -legal. ou
-suspeita..
=rogramas de #iltragem de s)am.
36
Base de Dados para %lassi"icao ()*-,
0 base de dados para classificao de*e conter:
um ou mais atri2utos )rediti!os6
um atributo especial2 denominado atri2uto classe 'ou atri2uto al!o(2
sempre do tipo discreto.
E%em)lo 5 8& de uma
locadora de *eculos
* Base de dados exemplo retirada de : DataMining - Lus Alfredo Vidal de Carvalo! Ed. Cincia Moderna, 2001
37
Base de Dados para %lassi"icao (-*-,
E%em)lo 5 8& de uma locadora de *eculos.
0 ideia + minerar um modelo !ue classifi!ue o cliente como -cliente de carro
nacional. ou -cliente de carro importado. em funo de sua -idade. e
-renda..
Mostraremos agora como minerar um classificador2 sobre a base de dados da
locadora de *eculos2 usando a t+cnica de 6r*ores de deciso 'u"a=(
38
9e:a em Ao ()*)5,
PA99: 1: antes de comear o processo2 precisamos gerar uma !erso
ARFF da base !ue iremos minerar.
39
9e:a em Ao (-*)5,
PA99: &: abrir a JeLa /plorer 'O4P para minerao de dados(
40
9e:a em Ao (+*)5,
PA99: B: abrir a base de dados
41
9e:a em Ao (1*)5,
PA99: B: abrir a base de dados
42
9e:a em Ao (2*)5,
43
9e:a em Ao (3*)5,
=odemos e/plorar a base de dados antes de miner61la.
44
9e:a em Ao (4*)5,
45
9e:a em Ao (5*)5,
Or6fico de barras: fre!uBncia do atributo classe.
46
9e:a em Ao (6*)5,
Or6fico: cru)amento do atributo classe com cada atributo prediti*o.
47
9e:a em Ao ()0*)5,
PA99: D: Aeleo da aba -FlassifQ. para a minerao do classificador.
48
9e:a em Ao ())*)5,
PA99: I: scolha do algoritmo de classificao
&entre as t+cnicas !ue podem ser utili)adas2 encontram1se:
<aX*e 8aQes
Yr*ores de &eciso 'nossa escol-a nessa apresentao=(
>edes <eurais
L1<earest <eighbor
Aupport Cector Machines.
49
9e:a em Ao ()-*)5,
PA99: I: scolha do algoritmo de classificao
50
9e:a em Ao ()+*)5,
PA99: I: scolha do algoritmo de classificao.
5ptamos pelo algoritmo ^ZD para minerao de 6r*ores de deciso
51
9e:a em Ao ()1*)5,
PA99: J: Fonfigurar par]metros e disparar o algoritmo#
52
9e:a em Ao ()2*)5,
0ps alguns segundos2 a 6r*ore + minerada na ,anela Dutput.
53
9e:a em Ao ()3*)5,
PA99: K: 0 !ualidade da 6r*ore pode ser a*aliada atra*+s do uso de
diferentes m+tricas.
orrectlL lasssi#ied Instances: porcentagem de registros classificados
corretamente durante a construo do modelo de classificao.
IncorrectlL lasssi#ied Instances: porcentagem de registros classificados
incorretamente durante a construo do modelo de classificao.
54
9e:a em Ao ()4*)5,
PA99: K: 0 !ualidade da 6r*ore pode ser a*aliada atra*+s do uso de
diferentes m+tricas.
on#usion Matri% =matri/ de con#uso>: + simplesmente uma matri)
!uadrada !ue indica as classifica"es corretas e errada.
0 classe !ue est6 sendo analisada aparece na linha. 0s classifica"es
encontradas aparecem nas colunas.
0 diagonal da matri) corresponde Ws classi#ica-es corretas.
55
9e:a em Ao ()5*)5,
3amb+m + poss*el *isuali)ar a 6r*ore de deciso em um formato gr6fico.
56
%onclus>es e %omentrios $inais
<a pr6tica2 o processo de classificao + mais trabalhoso e comple/o.
<essa apresentao2 mostramos um e/emplo simplificado#
57
%onclus>es e %omentrios $inais
Aobre a JeLa...
mbora se,a normalmente utili)ada para fins did6ticos2
)ossi2ilita a minerao de 2ases reais 'contanto !ue
possam ser importadas para a memria >0M(.
Muitos papers cientficos relatam e/periBncias onde a ferramenta foi
aplicada de forma bem sucedida sobre bases de diferentes
domnios.
0 ferramenta est6 dispon*el para 9inu/2 Jindo%s e outras
plataformas2 podendo ser obtida ,untamente com seu cdigo
fonte em:
http:$$%%%.cs.%aiLato.ac.n)$ml$%eLa$
0 *erso T.E.Z + a Gltima *erso est6*el da ferramenta.
58
%onclus>es e %omentrios $inais
Aobre a JeLa...
Mostramos apenas um e/emplo2 usando um algoritmo#
0 JeLa tem de)enas de algoritmos implementados#
pode minerar regras de associao e clusters de dados2
al+m de classificadores.
5utra coisa muito boa + !ue *ocB pode integrar os algoritmos
implementados na JeLa nos programas ^a*a criados por *ocB.
Ce,a o tutorial de 7Aan0H; para maiores informa"es.
59
e!er"ncias
78aL09; A. 8aLer. :umerati. d. 0>V 'K009(.
7899:; M. ^. 0. 8errQ e O. 9inoff. Data 3ining Aec-ni&ues "or 3ar!eting( Eales and Customer
Eupport. JileQ Fomputer =ublishing2 M99:.
7?=A9E; 4. M. ?aQQad2 O. =iatetsLQ1Ahapiro e =. Amith. -?rom &ata Mining to Rno%ledge &isco*erQ:
0n 5*er*ie%.. ,dvances in 4no0ledge Discover1 and Data 3ining2 000P$MP3 =ress2 M99E2 p.
MSTZ.
7UR0E; ^. Uan e M. Ramber. Data 3ining2 Concepts and Aec-ni&ues. Ka dio2 Morgan Raufmann2
K00E.
7Aan0H; >. Aantos. -JeLa na Munheca: um Ouia para 4so do JeLa em Acripts e Pntegrao com
0plica"es ^a*a.. Pnstituto <acional de =es!uisas spaciais 'P<=(2 K00H.
7AanM0; >. Aantos. -=rincpios e 0plica"es de Minerao de &ados.. :otas de aula2 Pnstituto
<acional de =es!uisas spaciais 'P<=(2 K0M0.
73AR0E; =. 3an2 M. Ateinbach e C. Rumar. Fntroduo ,o Data 3ining G 3inerao de Dados. d.
FiBncia Moderna2 K009 'ed. original em PnglBs publicada em K00E(.
7J?UMM; P. U. Jitten2 . ?ranL2 M. 0. Uall. Data 3ining2 ?ractical 3ac-ine @earning Aools and
Aec-ni&ues. T
rd
dition2 Morgan Raufmann2 K0MM.
60