ebook img

Data Mining Algorithms in C++. Data Patterns and Algorithms for modern Applications PDF

293 Pages·2018·3.65 MB·English
Save to my drive
Quick download
Download
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

Preview Data Mining Algorithms in C++. Data Patterns and Algorithms for modern Applications

Data Mining Algorithms in C++ Data Patterns and Algorithms for Modern Applications Timothy Masters Data Mining Algorithms in C++ Timothy Masters Ithaca, New York, USA ISBN-13 (pbk): 978-1-4842-3314-6 ISBN-13 (electronic): 978-1-4842-3315-3 https://doi.org/10.1007/978-1-4842-3315-3 Library of Congress Control Number: 2017962127 Copyright © 2018 by Timothy Masters Any source code or other supplementary material referenced by the author in this book is available to readers on GitHub via the book’s product page, located at www.apress.com/9781484233146. For more detailed information, please visit www.apress.com/source-code. Contents Introduction� ������������������������������������������������������������������������������������������������������������xi Chapter 1: Information and Entropy �������������������������������������������������������������������������1 Entropy ������������������������������������������������������������������������������������������������������������������������������������������1 Entropy of a Continuous Random Variable ������������������������������������������������������������������������������5 Partitioning a Continuous Variable for Entropy ������������������������������������������������������������������������5 An Example of Improving Entropy �����������������������������������������������������������������������������������������10 Joint and Conditional Entropy �����������������������������������������������������������������������������������������������������12 Code for Conditional Entropy �������������������������������������������������������������������������������������������������16 Mutual Information����������������������������������������������������������������������������������������������������������������������17 Fano’s Bound and Selection of Predictor Variables ���������������������������������������������������������������19 Confusion Matrices and Mutual Information �������������������������������������������������������������������������21 Extending Fano’s Bound for Upper Limits �����������������������������������������������������������������������������23 Simple Algorithms for Mutual Information ����������������������������������������������������������������������������27 The TEST_DIS Program ����������������������������������������������������������������������������������������������������������34 Continuous Mutual Information ���������������������������������������������������������������������������������������������������36 The Parzen Window Method ��������������������������������������������������������������������������������������������������37 Adaptive Partitioning �������������������������������������������������������������������������������������������������������������45 The TEST_CON Program ��������������������������������������������������������������������������������������������������������60 Asymmetric Information Measures ���������������������������������������������������������������������������������������������61 Uncertainty Reduction �����������������������������������������������������������������������������������������������������������61 Transfer Entropy: Schreiber’s Information Transfer ���������������������������������������������������������������65 Chapter 2: Screening for Relationships ������������������������������������������������������������������75 Simple Screening Methods ���������������������������������������������������������������������������������������������������������75 Univariate Screening �������������������������������������������������������������������������������������������������������������76 Bivariate Screening ���������������������������������������������������������������������������������������������������������������76 Forward Stepwise Selection ��������������������������������������������������������������������������������������������������76 Forward Selection Preserving Subsets����������������������������������������������������������������������������������77 Backward Stepwise Selection �����������������������������������������������������������������������������������������������77 Criteria for a Relationship �����������������������������������������������������������������������������������������������������������77 Ordinary Correlation ��������������������������������������������������������������������������������������������������������������78 Nonparametric Correlation ����������������������������������������������������������������������������������������������������79 Accommodating Simple Nonlinearity ������������������������������������������������������������������������������������82 Chi-Square and Cramer’s V ���������������������������������������������������������������������������������������������������85 Mutual Information and Uncertainty Reduction ���������������������������������������������������������������������88 Multivariate Extensions ���������������������������������������������������������������������������������������������������������88 Permutation Tests �����������������������������������������������������������������������������������������������������������������������89 A Modestly Rigorous Statement of the Procedure �����������������������������������������������������������������89 A More Intuitive Approach �����������������������������������������������������������������������������������������������������91 Serial Correlation Can Be Deadly �������������������������������������������������������������������������������������������93 Permutation Algorithms ���������������������������������������������������������������������������������������������������������93 Outline of the Permutation Test Algorithm �����������������������������������������������������������������������������94 Permutation Testing for Selection Bias ����������������������������������������������������������������������������������95 Combinatorially Symmetric Cross Validation ������������������������������������������������������������������������������97 The CSCV Algorithm �������������������������������������������������������������������������������������������������������������102 An Example of CSCV OOS Testing ����������������������������������������������������������������������������������������109 Univariate Screening for Relationships �������������������������������������������������������������������������������������110 Three Simple Examples �������������������������������������������������������������������������������������������������������114 Bivariate Screening for Relationships ���������������������������������������������������������������������������������������116 Stepwise Predictor Selection Using Mutual Information�����������������������������������������������������������124 Maximizing Relevance While Minimizing Redundancy ��������������������������������������������������������125 Code for the Relevance Minus Redundancy Algorithm ��������������������������������������������������������128 An Example of Relevance Minus Redundancy ���������������������������������������������������������������������132 A Superior Selection Algorithm for Binary Variables �����������������������������������������������������������136 FREL for High-Dimensionality, Small Size Datasets ������������������������������������������������������������������141 Regularization����������������������������������������������������������������������������������������������������������������������145 Interpreting Weights ������������������������������������������������������������������������������������������������������������146 Bootstrapping FREL �������������������������������������������������������������������������������������������������������������146 Monte Carlo Permutation Tests of FREL ������������������������������������������������������������������������������147 General Statement of the FREL Algorithm ���������������������������������������������������������������������������149 Multithreaded Code for FREL �����������������������������������������������������������������������������������������������153 Some FREL Examples ����������������������������������������������������������������������������������������������������������164 Chapter 3: Displaying Relationship Anomalies �����������������������������������������������������167 Marginal Density Product ����������������������������������������������������������������������������������������������������������171 Actual Density ���������������������������������������������������������������������������������������������������������������������������171 Marginal Inconsistency �������������������������������������������������������������������������������������������������������������171 Mutual Information Contribution �����������������������������������������������������������������������������������������������172 Code for Computing These Plots �����������������������������������������������������������������������������������������������173 Comments on Showing the Display ������������������������������������������������������������������������������������������183 Chapter 4: Fun with Eigenvectors �������������������������������������������������������������������������185 Eigenvalues and Eigenvectors ��������������������������������������������������������������������������������������������������186 Principal Components (If You Really Must) ��������������������������������������������������������������������������������188 The Factor Structure Is More Interesting ����������������������������������������������������������������������������������189 A Simple Example ����������������������������������������������������������������������������������������������������������������190 Rotation Can Make Naming Easier ��������������������������������������������������������������������������������������192 Code for Eigenvectors and Rotation ������������������������������������������������������������������������������������������194 Eigenvectors of a Real Symmetric Matrix ���������������������������������������������������������������������������194 Factor Structure of a Dataset ����������������������������������������������������������������������������������������������196 Varimax Rotation �����������������������������������������������������������������������������������������������������������������199 Horn’s Algorithm for Determining Dimensionality ���������������������������������������������������������������������202 Code for the Modified Horn Algorithm ���������������������������������������������������������������������������������203 Clustering Variables in a Subspace �������������������������������������������������������������������������������������������213 Code for Clustering Variables ����������������������������������������������������������������������������������������������217 Separating Individual from Common Variance ��������������������������������������������������������������������������221 Log Likelihood the Slow, Definitional Way ���������������������������������������������������������������������������228 Log Likelihood the Fast, Intelligent Way ������������������������������������������������������������������������������230 The Basic Expectation Maximization Algorithm �������������������������������������������������������������������232 Code for Basic Expectation Maximization ���������������������������������������������������������������������������234 Accelerating the EM Algorithm ��������������������������������������������������������������������������������������������237 Code for Quadratic Acceleration with DECME-2s ����������������������������������������������������������������241 Putting It All Together ����������������������������������������������������������������������������������������������������������246 Thoughts on My Version of the Algorithm ����������������������������������������������������������������������������257 Measuring Coherence ���������������������������������������������������������������������������������������������������������������257 Code for Tracking Coherence ����������������������������������������������������������������������������������������������260 Coherence in the Stock Market �������������������������������������������������������������������������������������������264 Chapter 5: Using the DATAMINE Program �������������������������������������������������������������267 File/Read Data File ��������������������������������������������������������������������������������������������������������������������267 File/Exit �������������������������������������������������������������������������������������������������������������������������������������268 Screen/Univariate Screen ���������������������������������������������������������������������������������������������������������268 Screen/Bivariate Screen �����������������������������������������������������������������������������������������������������������269 Screen/Relevance Minus Redundancy ��������������������������������������������������������������������������������������271 Screen/FREL������������������������������������������������������������������������������������������������������������������������������272 Analyze/Eigen Analysis �������������������������������������������������������������������������������������������������������������274 Analyze/Factor Analysis ������������������������������������������������������������������������������������������������������������274 Analyze/Rotate ��������������������������������������������������������������������������������������������������������������������������275 Analyze/Cluster Variables����������������������������������������������������������������������������������������������������������276 Analyze/Coherence �������������������������������������������������������������������������������������������������������������������276 Plot/Series ���������������������������������������������������������������������������������������������������������������������������������277 Plot/Histogram ��������������������������������������������������������������������������������������������������������������������������277 Plot/Density �������������������������������������������������������������������������������������������������������������������������������277 Index ���������������������������������������������������������������������������������������������������������������������281 Introduction Data mining is a broad, deep, and frequently ambiguous field. Authorities don’t even agree on a definition for the term. What I will do is tell you how I interpret the term, especially as it applies to this book. But first, some personal history that sets the background for this book… I’ve been blessed to work as a consultant in a wide variety of fields, enjoying rare diversity in my work. Early in my career, I developed computer algorithms that examined high-altitude photographs in an attempt to discover useful things. How many bushels of wheat can be expected from Midwestern farm fields this year? Are any of those fields showing signs of disease? How much water is stored in mountain ice packs? Is that anomaly a disguised missile silo? Is it a nuclear test site? Eventually I moved on to the medical field and then finance: Does this photomicrograph of a tissue slice show signs of malignancy? Do these recent price movements presage a market collapse? All of these endeavors have something in common: they all require that we find variables that are meaningful in the context of the application. These variables might address specific tasks, such as finding effective predictors for a prediction model. Or the variables might address more general tasks such as unguided exploration, seeking unexpected relationships among variables—relationships that might lead to novel approaches to solving the problem. That, then, is the motivation for this book. I have taken some of my most-used techniques, those that I have found to be especially valuable in the study of relationships among variables, and documented them with basic theoretical foundations and well- commented C++ source code. Naturally, this collection is far from complete. Maybe Volume 2 will appear someday. But this volume should keep you busy for a while. You may wonder why I have included a few techniques that are widely available in standard statistical packages, namely, very old techniques such as maximum likelihood factor analysis and varimax rotation. In these cases, I included them because they are useful, and yet reliable source code for these techniques is difficult to obtain. There are times when it’s more convenient to have your own versions of old workhorses, integrated into your own personal or proprietary programs, than to be forced to coexist with canned packages that may not fetch data or present results in the way that you want. You may want to incorporate the routines in this book into your own data mining tools. And that, in a nutshell, is the purpose of this book. I hope that you incorporate these techniques into your own data mining toolbox and find them as useful as I have in my own work. There is no sense in my listing here the main topics covered in this text; that’s what a table of contents is for. But I would like to point out a few special topics not frequently covered in other sources. • Information theory is a foundation of some of the most important techniques for discovering relationships between variables, yet it is voodoo mathematics to many people. For this reason, I devote the entire first chapter to a systematic exploration of this topic. I do apologize to those who purchased my Assessing and Improving Prediction and Classification book as well as this one, because Chapter 1 is a nearly exact copy of a chapter in that book. Nonetheless, this material is critical to understanding much later material in this book, and I felt that it would be unfair to almost force you to purchase that earlier book in order to understand some of the most important topics in this book. • Uncertainty reduction is one of the most useful ways to employ information theory to understand how knowledge of one variable lets us gain measurable insight into the behavior of another variable. • Schreiber’s information transfer is a fairly recent development that lets us explore causality, the directional transfer of information from one time series to another. • Forward stepwise selection is a venerable technique for building up a set of predictor variables for a model. But a generalization of this method in which ranked sets of predictor candidates allow testing of large numbers of combinations of variables is orders of magnitude more effective at finding meaningful and exploitable relationships between variables. • Simple modifications to relationship criteria let us detect profoundly nonlinear relationships using otherwise linear techniques. • Now that extremely fast computers are readily available, Monte Carlo permutation tests are practical and broadly applicable methods for performing rigorous statistical relationship tests that until recently were intractable. • Combinatorially symmetric cross validation as a means of detecting overfitting in models is a recently developed technique, which, while computationally intensive, can provide valuable information not available as little as five years ago. • Automated selection of variables suited for predicting a given target has been routine for decades. But in many applications you have a choice of possible targets, any of which will solve your problem. Embedding target selection in the search algorithm adds a useful dimension to the development process. • Feature weighting as regularized energy-based learning (FREL) is a recently developed method for ranking the predictive efficacy of a collection of candidate variables when you are in the situation of having too few cases to employ traditional algorithms. • Everyone is familiar with scatterplots as a means of visualizing the relationship between pairs of variables. But they can be generalized in ways that highlight relationship anomalies far more clearly than scatterplots. Examining discrepancies between joint and marginal distributions, as well as the contribution to mutual information, in regions of the variable space can show exactly where interesting interactions are happening. • Researchers, especially in the field of psychology, have been using factor analysis for decades to identify hidden dimensions in data. But few developers are aware that a frequently ignored byproduct of maximum likelihood factor analysis can be enormously useful to data miners by revealing which variables are in redundant relationships with other variables and which provide unique information. • Everyone is familiar with using correlation statistics to measure the degree of relationship between pairs of variables, and perhaps even to extend this to the task of clustering variables that have similar behavior. But it is often the case that variables are strongly contaminated by noise, or perhaps by external factors that are not noise but that are of no interest to us. Hence, it can be useful to cluster variables within the confines of a particular subspace of interest, ignoring aspects of the relationships that lie outside this desired subspace. • It is sometimes the case that a collection of time-series variables are coherent; they are impacted as a group by one or more underlying drivers, and so they change in predictable ways as time passes. Conversely, this set of variables may be mostly independent, changing on their own as time passes, regardless of what the other variables are doing. Detecting when your variables move from one of these states to the other allows you, among other things, to develop separate models, each optimized for the particular condition. I have incorporated most of these techniques into a program, DATAMINE, that is available for free download, along with its user’s manual. This program is not terribly elegant, as it is intended as a demonstration of the techniques presented in this book rather than as a full-blown research tool. However, the source code for its core routines that is also available for download should allow you to implement your own versions of these techniques. Please do so, and enjoy!

See more

The list of books you might like

Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.