Do you know what k-Means? Cluster-Analysen

JAX 2017 - Big Data– H. Erb
Do you know what k-Means?
Cluster-Analysen durchführen und
in Echtzeit implementieren
Harald Erb
Oracle Business Analytics & Big Data

JAX 2017 - Big Data– H. Erb 2
Speaker Bio
Harald Erb
Sales Engineer,
Information Architect
Business Analytics & Big Data
+49 (0)6103 397-403
harald.erb@oracle.com
• Architect, Project Lead
• Requirements Analysis
• DWH-/BI Development
1998 2009 2011 2017
Database
SQL*Plus
Intermedia-Text
Cross Industry Engagements
• Solution Architect
• Region Western Europe
PLM
Analytics
Warehouse
Builder
In-Database
Analytics
• Information Architect
• Region EMEA, DE/CH Cluster
Big Data Discovery
Information
Discovery
BI In-Memory Machine
HDFS, Hive, Impala
Big Data
Spatial & Graph
E-Commerce/Intranet
Solutions

Agenda
Data Lab
Innovation
Discovery
OutputEvents
& Daten
Handlungsrelevante
Informationen
Umsetzbare
Erkenntnisse
Data
Reservoir
Data Factory Enterprise
Information Store
(Echtzeit-)
Datenstrom
“Tagesgeschäft”
Unternehmens-
daten (ERP, CRM,
operative Daten)
Externe
strukturierte
Daten
Line of Governance
Intelligente
Prozesse
Event Engine BI &
Analyse
Oracle White Paper - Information Management & Big Data,
A Reference Architecture

Cluster-Analysen mit k-Means
Wie und wozu?

Cluster-Analysen mit k-Means
5
• Cluster-Analyse:
̶ Oberbegriff für multivariate Methoden, die versuchen,
Strukturen (Cluster) in den Massendaten zu finden
̶ Methoden basieren meist auf Berechnungen der Distanz
der Beobachtungen im multidimensionalen Datenraum
• Typische Fragestellungen:
̶ Kundensegmente oder ähnliche Textdokumente finden
̶ Abnormale Datenpunkte innerhalb eines großen Data
Sets oder Massendaten finden
̶ Guter Einstieg in Datenanalysen, bevor Klassifikations-
oder Regressionsmethoden zum Einsatz kommen
• k-Means Clustering :
̶ gehört zu den Austauschverfahren und ist ein
partitionierender Clustering Algorithmus
̶ Unterscheidung. Algorithmus von Lloyd ("der" k-Means
Algorithmus) vs. MacQueen (führte mit dem Begriff
"k-Means allerdings einen anderen Algorithmus ein)
• Vor- und Nachteile
̶ Einfache und schnelle Implementierung, gute Laufzeiten
̶ Schwachstelle: Die gefundene Lösung hängt stark von den
gewählten Startpunkten ab
• Verschiedene k-Means Variationen, u.a.:
̶ k-Medians: verwendet statt der euklidischen Distanz, u.a.
die sog. „Manhattan-Distanz“ zur Abstandsberechnung
̶ k-Means++-Algorithmus: wählt die Cluster-Schwerpunkte
nicht zufällig, sondern nach Vorschrift
̶ k-Medoids (PAM, Partitioning Around Medoids) minimiert
die Distanzen (statt der Summe der Varianzen bei k-Means)

Prinzip/Ablauf einer k-Means Cluster-Analyse
1. Initialisierung 2. Klassifizierung 3. Cluster-Zentren (Mean) berechnen 4. Iteration
n Durchgänge bis die Verschiebung der Cluster-Zentren ausreichend klein ist bzw. gegen 0 geht

k-Means Cluster-Analysen
Der ambitionierte Fachanwender

Business Analyst
(ambitionierter Fachanwender)
Herausforderung:
Know-how bei Auswahl/
Anwendung/Parametrisierung
geeigneter Algorithmen
Vorhandenes Toolset hilft
i.d.R. nur begrenzt (Daten-
menge, Funktionalität)
Will mathematische
Verfahren für mehr/
bessere Erkenntnisse
nutzen:
Kann damit in Massen-
daten Strukturen finden,
wenn sonstige Ansatz-
punkte fehlen

Fallbeispiel: „Das zweite Standbein“
Wein-Saison 2015@Oracle – ein fast fiktives Szenario
9
Hamburg
Bremen
Hannover
Frankfurt
Munich
Geneva
Zurich
Copenhagen
Stockholm
Gothenburg
Oslo
Helsinki
Heidelberg
Stuttgart

Fallbeispiel: „Das zweite Standbein“AnzahlBestellungen
Weinangebote
AnzahlBestellungen
Weinangebote
Ziel: Erkennen möglicher Bestellmuster
durch Bildung von Gruppen (Cluster) aus
einer Menge von ähnlichen Objekten
Ausgangslage: Bestellungen vs. Weinangebote
Klassifizierung historischer Bestelldaten

Cluster-Analyse „zu Fuß“: MS Excel + Solver
1. Start: Welche Geschäfte sind zustande bzw. nicht zustande
gekommen?
̶ Matrix mit 32 Angeboten pro Kunde
̶ Geschäft zu stande gekommen? 0 = Nein, 1 = Ja
̶ Hilfsmittel: Pivot-Assistent
2. Anzahl Cluster festlegen
̶ Nicht zu groß beginnen, z.B. k=4 Cluster  denn es
sollen nicht zu viele unterschiedl. Newletter getextet
werden müssen...
3. Cluster-Bildung vorbereiten (für k=4 Cluster)
̶ Abstandsmessung zwischen Cluster-Zentrum und
einem anderen Punkt: euklidische Norm
̶ Excel: Array-Formel {=SQRT(SUM((.... .....)^2))}
̶ Kleinster Abstand zu Cluster-Zentren bestimmen
̶ Zuweisung zu Cluster mit Funktion MATCH()
4. Cluster-Zentren bestimmen (k=4 Cluster)
̶ Optimierung mit dem Ziel: Optimale Punkte finden, bei
denen die Summe der Abstände zw. den Kunden und
ihren zugewiesenen Clustern am kleinsten ist
̶ Hilfsmittel: Solver  verwendet evolutionären
Algorithmus (= Kombination aus regelloser Suche und
„Ausbrüten“), Solver-Parameter:
• Ziel = Minimierung der Summe der Abstände
zwischen Kunde und Cluster-Zentren
• Entscheidungsvariablen: ..
• Bedinungen: Cluster-Zentren sollen Werte
zwischen 0 und 1 haben
5. Interpretation der Ergebnisse (k=4 Cluster)
̶ Mitglieder (=Angebote) bzw. Top-Verkäufe zu einem
Cluster untersuchen mit Funktion SUMIF()
̶ Ergebnisse noch nicht eindeutig, Cluster überlappen
sich teilweise  Anzahl k Cluster verändern?

1

Cluster-Analyse „zu Fuß“: MS Excel + Solver
6. Cluster-Bewertung (Silhouette) berechnen
̶ Zunächst als Hilfsmittel eine Abstandsmatrix für alle
Kunden untereinander anlegen, dazu helfen u.a. die
Excel-Funktionen OFFSET()
̶ Silhouette: Durchschnittl. Abstand zu Mitgliedern im
nächstgelegenen benachb. Cluster vs. durchschnittl.
Abstand zu den Mitgliedern im eigenen Cluster.
̶ Silhouetten-Bewertung: Wertebereich liegt zwischen
-1 und +1 (perfekt)
̶ Hilfreiche Excel-Funktionen: AVERAGEIF(), SMALL(),
INDEX(), IF()
7. Ergebnis (Cluster k=4)
̶ Silhouette = 0,149
̶ Entscheidung: Anzahl k für Cluster-Bildung verändern
8. Neue Anzahl k für Cluster festlegen
̶ Jetzt mit k=5 Cluster rechnen
9. Cluster-Zentren bestimmen (k=5 Cluster)
̶ ...((wie zuvor))
10. Interpretation der Ergebnisse (k=5 Cluster)
̶ Silhouette = 0,134
̶ Entscheidung: Algorithmus verändern und Abstands-
berechnung überdenken
11. k-Medians Algorithmus verwenden (k=5 Cluster)
̶ Vorgenommene Änderung: im Solver mit binären
Daten rechnen (Kunde hat gekauft = 1 oder nicht = 0)
12. Auswahl der geeigneten Abstandsmetrik
̶ Ziel der Analyse: „Warum wurde etwas gekauft?“ 
binäre 1 (gekauft) ist mehr wert als 0 (nicht gekauft)
̶ Neue Abstandsmetrik: statt „Manhattan-Distanz“
asymmetrische Abstandsrechnung für die 0-1-Daten
wählen  Kosinus-Abstand (Kosinus-Ähnlichkeit)
13. Cluster-Bildung mit Kosinus-Abstand (k=5 Cluster)
̶ ...((wie zuvor, nur mit binärer Solver-Bedingung)

k-Means Clustering für alle: Data Viz Tools



Einfach mit 1-Click-Funktionen – aber aussagekräftig?


k-Means Cluster-Resultate interpretieren
Hier geht die Analyse erst richtig los!
quora.com/How-do-you-interpret-k-means-clustering-results

k-Means Clustering für alle: Data Viz Tools
Syntax-Informationen zur Cluster-Bildung
(über Wrapper technisch implementiert via R-Integration)
Verfügbare Methoden für K-Means:
MacQueen, Lloyd, Hartigan-Wong, Forgy,...
Mehr Methoden, präzise Paramtetrisieren – noch einfach?

k-Means Cluster-Analysen
Teamsport im Data Lab

1876: Edison’s Invention
Factory, Menlo Park, NJ

Characteristics of Digital Business Leaders
They ‘Reframe’ Challenges
Looking at them from new
perspectives and multiple
angles
They Sprint
They work at pace - researching,
testing and evaluating current
ideas while generating new ones
They Appreciate That
Failure Can Be Good
and are not afraid of new ideas
They Convert Data Into Value
They invest heavily in analyzing
their own data and data from
external sources to establish
patterns and un-noticed
opportunities
Source: Oracle EMEA, Digital Group

Design Thinking, Experimentation, Agility

Analytical Competency Center
Collaboration Model and Services
» offers a tiered service model, which
can be flexibly adapted to the
analytics competencies of the
specialist departments
» serves as an incubator for specialist
departments without Analytics
competence and enables rapid
statements (i.e. within 10 days) on
the potential and feasibility of use
cases
» supports knowledge building and
exchange in the area of Advanced
Analytics within the company
Department – has
no own Analytics
competencies
Department – has
domain specific
Analytics competencies
Department – runs
their own Analytics
infrastructure
„Analytics as a
Service“ –
including platform
services and
project execution
Providing platform,
methodological
expertise and
comprehensive
data knowledge
ACC ACC ACC
Analysis
in the
backend
and on
mass data
Domain knowledge Domain specific
analysis
Domain
specific
analysis on
specialized
infra-
structure

Data Science – Types
Source: Cloudera

Data Science – Process Model
Source: Klaas Bollhoefer, Chief Data Scientist, *um

Data Lab
Data Management
Architecture
Sandboxes
26

Data Lab and overall Data Management
Line of Governance
Data Lake
Data
Processing
Data
EnrichmentRaw Data
Sets
Curated &
Transformed
Data Sets
Data
Aggregation
Data Lab
Sandboxes
Data Catalog
Data Discovery
Tools
Transformations
Prototyping
Analytic Tools
Enterprise
Information
Store
Operational
Data Store
Data Federation &
Virtualization Layer
CommonSQLAccessto
ALLData
Orchestration, Scheduling & Monitoring
Metadata Management
Data
Ingestion
Batch
Integration
Real-Time
Integration
Data
Streaming
Data
Wrangling
Reporting /
Business
Intelligence
Data Driven
Applications
Advanced
Analytics
Non-structured
Sources
Logs
Social
Media
External
Data
Interactions
Structured Data
Master Data
Applications
Channels
Data Stores
Adhoc Files
or Data Sets

Data Lab – Key Requirements
Based on
Raw Data
Full Access to
Data Sources
(Select only)
Complete
Sandbox
Environment
Agile
Experimentation
“Fail Fast”

Data Lab - Team Sport
DWH /
OLTP
Databases
Hadoop
Data
Engineer
Data
Science
Discovery
Output
Business
Analyst
New KPI, Report
Requirement
Data
Scientist
New Data Set
(cleaned / enriched)

Data Lab
Exploratory Analysis
Big Data Discovery
30

Scenario: Investigation of Retail Sales
Demo
Part 1
Additional data
(Store locations and
other attributes)
Historical Retail Sales data
New Data Set in
Data Catalog
train.csv - historical data including Sales
test.csv - historical data excluding Sales
store.csv - supplemental information about Retail Stores

Data Catalog
Create/maintain Catalog, Identify Data Sets, Define Data Project, Grant Access

Data Project
Inspect & Annotate Data Sets inside the Project

Data Project
Verifying Data Quality and Information Potential, Experimenting with a Scratchpad

Data Project
Link multiple Data Sets and finetune attributes (Aggregation, Refinements)

Data Project
Create Dashboards from scratch, configure/modify and extend as needed

Data Project
From interactive Summaries...

Data Project
...down to the lowest Detail Level

Data Project
...Timeline view, side-by-side comparisons

Data Project
Document analysis steps, findings and share with peers

Data Lab
Data Science Tools,
Python ML, Spark
Jupyter Notebook
42

Data Lab - Team Sport (Continued)
Data Scientist is taking over and applies Statistical Methods
DWH /
OLTP
Databases
Hadoop
Data
Engineer
Data
Science
Discovery
Output
Business
Analyst
New KPI, Report
Requirement
Data
Scientist
New Data Set
(cleaned / enriched)

Sampling and Transformation Pushdown

Shaping a Data Set for further processing
Handling of sparse Data / NULL values

Aggregation
• Roll up low-level data to higher grains, i.e.
Store Level
• Intuitive UI helps analysts find the right
grains
• Execute at full scale using
• Results can be sampled or indexed in full

Joining multiple Data Sets
Blend huge Data Sets in BDD
• UI to support experimentation, preview
• Execute at scale with

Data Analysis with Python
(Re-)use data from Oracle Big Data Discovery while working with the BDD Shell
List of Oracle
Big Data Discovery
Data Sets
Converting a Oracle
Big Data Discovery
Data Set into an
Apache Spark
Dataframe
Import of
additional
Libraries
for Data
Analysis &
Machine
Learning
•BDD Shell is an
interactive tool
designed to work with
BDD without using
Studio's front-end
•Provides a way to
explore and manipulate
the internals of BDD
and interact with
Hadoop
•Python-based shell
•Exposes all BDD data
objects
•Easy-to-use Python
Wrappers for BDD APIs
and Python Utilities
•Use of Third-party
Libraries, e.g., Pandas
and NumPy
Data
Science

Notebooks for a better user experience
xx
Easiest way to use the
BDD-Shell
– Visual appeal, ease of use,
collaboration features of an
integrated platform
– Power and flexibility of custom
code
– Pick up BDD’s datasets and
leverage Machine Learning
algorithms to infer new insight
Data
Science

Demo
Part 2
Re-using a Data Set for Machine Learning
Shaping a new Data Set in
Big Data Discovery Tool
Machine Learning with Python ML & Spark
in Jupyter Notebook

Demo
Part 2
Using Jupyter Notebook, Python ML & Spark

Exploratory Analysis
Decomposition of the original time series data set
to check for trend, seasonal effects
Checking for new features, patterns, outliers etc.

Prediction and Validation of Results
Extraction of non-linear features
using Gradient Boosting Decision Trees
Result of Random Forest decision
trees showing how much each
explanatory variable affects the
model
Prediction using a simple Linear Regression model

K-Means Cluster-Analysen
Stream Analytics Beispiel

Data Science for the Enterprise
Discovery and monetising steps have different requirements
AdaptedfromCloudera
Line of
Governance
• Commercial exploitation
• Narrower toolset
• Integration to operations
• Non-functional requirements
• Code standardisation & governance
• Unbounded discovery
• Self-Service sandbox
• Wide toolset
• Agile methods

Oracle Big Data Analytics Platform
Relational database option
7) Data Scientist
develops R code
and deploys
the R code for
parallel
server-side
execution in
the database or
Hadoop
Oracle R
Enterprise
Oracle R
Hadoop
6) Data Scientist accesses
all data in HDFS, NoSQL
and relational databases
via Oracle Big Data SQL
Oracle Big
Data SQL
Oracle
Database
Plant
automation
1) Data extract,
transform, load
Oracle Data
Integrator/
Goldengate
Big Data - Spark
NoSQL HDFS
CX/CRM
ERP, Asset
management
Devices
Oracle
Machine
Learning
5) Data Scientist
analyses the data by
predictive tools
4) Collaboration with
Data Scientists by
sharing snapshots
Oracle
Big Data
Discovery
3) Subject Matter
Expert explores
and discovers
Oracle
Big Data
Discovery
2) Automatic
catalog of all
data sets in
Hadoop
9) Stream analytics
Business
Activity
Monitor
8) Data
Scientist loads
model
configuration
as PMML for
stream
analytics
execution
Oracle Stream
Analytics
λ
Kafka
PMML
λ

Predictive Model Markup Language
PMML / JPMML
Source: en.wikipedia.org/wiki/Predictive_Model_Markup_Language
PMML
» is an XML-based predictive model interchange format
» provides a way for analytic applications to describe and exchange
predictive models produced by data mining and machine learning
algorithms
PMML components
» Header: contains general information about the PMML document
» Data Dictionary: contains definitions for all possible fields used by the model.
» Data Transformations: transformations allow for the mapping of user data into
a more desirable form to be used by the mining model. PMML defines several
kinds of simple data transformations (Normalization, Discretization, Value
mapping, custom and built-in Functions , Aggregation
» Model: contains the definition of the data mining model.
» Mining Schema: a list of all fields used in the model.
» Targets: allows for post-processing of the predicted value in the format of
scaling if the output of the model is continuous.
» Output: this element can be used to name all the desired output fields
expected from the model.

Batch Analytics
Custom k-Means Code using PySpark (Spark Python API)

Stream Analytics
 k-Means Machine Learning Pattern
Prinzip der Anomalie-Erkennung
(im 2-dimensionalen Raum)
Beispiel: Herstellung von Netzteilen. Ein 2-
dimensionaler Raum ist über 2 Variablen (Features)
definiert, die Messpunkte liegen üblicherweise in 2
Gruppen. Ein auffälliges Gerät ( x ) liegt zwar im
Toleranzbereich aber außerhalb der beiden Gruppen
Demo-
Video

Stream Analytics



Event Stream zuweisen
Live Output
Topolgie-Ansicht
Demo-
Video

Takeway Message
&
Bonus

Take away Message
Smart analysieren – mit Vorgehensmodell, Wissen und Experimentierumgebung
Data Analytics Kreislauf  ein iterativer
Prozess inkl. Fehlschläge! Im Fokus steht
dabei immer die fachliche Aufgabe bzw.
das Ziel der Analyse
Trotz komfortabler Analyse-Tools kommt
man nicht an solcher Lektüre vorbei, denn....
...k-Means clustering (und die
Anwendung anderer Algorithmen)
is not a free lunch
varianceexplained.org/r/kmeans-free-lunch

 github.com/oracle
 developer.oracle.com

Bonus: Analytics mit python-cx_Oracle
 oracle.com/technetwork  github.com/oracle

DANKE

Do you know what k-Means? Cluster-Analysen

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Andere mochten auch

Andere mochten auch (18)

Ähnlich wie Do you know what k-Means? Cluster-Analysen

Ähnlich wie Do you know what k-Means? Cluster-Analysen (20)

Mehr von Harald Erb

Mehr von Harald Erb (12)

Do you know what k-Means? Cluster-Analysen