Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais

Detalhes bibliográficos
Autor(a) principal: Andrade, Ricardo Alcântara
Data de Publicação: 2023
Outros Autores: Cabral, Caio Xavier
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: http://app.uff.br/riuff/handle/1/30665
Resumo: A maior parte das empresas utiliza sistemas computação para apoiar suas atividades e com o passar do tempo fica acumulado uma grande massa de dados em suas bases de dados. Esses dados representam o histórico dessas atividades e possuem implicitamente uma variedade de informações ocultas relevantes para essas entidades. Mas como revelar essas informações? Uma das ferramentas de mineração de dados utilizadas para esse propósito são as regras de associação. Com o passar do tempo a quantidade de dados acumulados crescem exponencialmente o que torna necessário uma evolução contínua dos processos de mineração para torná-lo cada vez mais eficiente. Ao longo desse processo de evolução um dos estudos que se encontra na literatura com esse propósito é o desenvolvimento de métricas de associação. O objetivo deste trabalho é realizar um estudo sobre métricas de associação, descrevendo suas propriedades e características, implementando um grupo de métricas na linguagem de programação PYTHON para posteriormente elaborar uma análise inicial de similaridade entre elas através da “correlação de Pearson” e então agrupá-las em clusters de acordo com sua similaridade de comportamentos
id UFF-2_70a2d2e0089f62edbbabc2d72785aa3b
oai_identifier_str oai:app.uff.br:1/30665
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Implementação e estudo de métricas de significância em regras de associações para base de dados transacionaisRegras de associaçãoMineração de dadosMedidas de interessePYTHONCorrelação de PearsonMétricas de associaçãoPython (Linguagem de programação de computador)Mineração de dados (Computação)Association rulesData miningMeasures of interestPearson correlationA maior parte das empresas utiliza sistemas computação para apoiar suas atividades e com o passar do tempo fica acumulado uma grande massa de dados em suas bases de dados. Esses dados representam o histórico dessas atividades e possuem implicitamente uma variedade de informações ocultas relevantes para essas entidades. Mas como revelar essas informações? Uma das ferramentas de mineração de dados utilizadas para esse propósito são as regras de associação. Com o passar do tempo a quantidade de dados acumulados crescem exponencialmente o que torna necessário uma evolução contínua dos processos de mineração para torná-lo cada vez mais eficiente. Ao longo desse processo de evolução um dos estudos que se encontra na literatura com esse propósito é o desenvolvimento de métricas de associação. O objetivo deste trabalho é realizar um estudo sobre métricas de associação, descrevendo suas propriedades e características, implementando um grupo de métricas na linguagem de programação PYTHON para posteriormente elaborar uma análise inicial de similaridade entre elas através da “correlação de Pearson” e então agrupá-las em clusters de acordo com sua similaridade de comportamentosMost companies use computing systems to support their activities and over time a large mass of data accumulates in their databases. This data represents the history of these activities and implicitly has a variety of hidden information relevant to these entities. But how to reveal this information? One of the data mining tools used for this purpose is association rules. Over time the amount of accumulated data grows exponentially which necessitates a continual evolution of mining processes to make it increasingly efficient. Throughout this process of evolution one of the studies in the literature for this purpose is the development of association metrics. The aim of this paper is to conduct a study on association metrics, describing their properties and characteristics, implementing a group of metrics in the PYTHON programming language to further elaborate an initial similarity analysis between them using the “Pearson correlation” and then grouping them together. there in clusters according to their similarity of behaviors83 p.Mantuan, Altobelli de BritoMiranda, Leandro Botelho Alves deAndrade, Ricardo AlcântaraCabral, Caio Xavier2023-09-29T16:32:24Z2023-09-29T16:32:24Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfANDRADE, Ricardo Alcântara; CABRAL, Caio Xavier. Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais. 2019. 83 f. Trabalho de Conclusão de Curso (Graduação em Tecnologia em Sistemas de Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2019.http://app.uff.br/riuff/handle/1/30665CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-09-29T16:32:28Zoai:app.uff.br:1/30665Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T10:58:15.661992Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
title Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
spellingShingle Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
Andrade, Ricardo Alcântara
Regras de associação
Mineração de dados
Medidas de interesse
PYTHON
Correlação de Pearson
Métricas de associação
Python (Linguagem de programação de computador)
Mineração de dados (Computação)
Association rules
Data mining
Measures of interest
Pearson correlation
title_short Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
title_full Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
title_fullStr Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
title_full_unstemmed Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
title_sort Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais
author Andrade, Ricardo Alcântara
author_facet Andrade, Ricardo Alcântara
Cabral, Caio Xavier
author_role author
author2 Cabral, Caio Xavier
author2_role author
dc.contributor.none.fl_str_mv Mantuan, Altobelli de Brito
Miranda, Leandro Botelho Alves de
dc.contributor.author.fl_str_mv Andrade, Ricardo Alcântara
Cabral, Caio Xavier
dc.subject.por.fl_str_mv Regras de associação
Mineração de dados
Medidas de interesse
PYTHON
Correlação de Pearson
Métricas de associação
Python (Linguagem de programação de computador)
Mineração de dados (Computação)
Association rules
Data mining
Measures of interest
Pearson correlation
topic Regras de associação
Mineração de dados
Medidas de interesse
PYTHON
Correlação de Pearson
Métricas de associação
Python (Linguagem de programação de computador)
Mineração de dados (Computação)
Association rules
Data mining
Measures of interest
Pearson correlation
description A maior parte das empresas utiliza sistemas computação para apoiar suas atividades e com o passar do tempo fica acumulado uma grande massa de dados em suas bases de dados. Esses dados representam o histórico dessas atividades e possuem implicitamente uma variedade de informações ocultas relevantes para essas entidades. Mas como revelar essas informações? Uma das ferramentas de mineração de dados utilizadas para esse propósito são as regras de associação. Com o passar do tempo a quantidade de dados acumulados crescem exponencialmente o que torna necessário uma evolução contínua dos processos de mineração para torná-lo cada vez mais eficiente. Ao longo desse processo de evolução um dos estudos que se encontra na literatura com esse propósito é o desenvolvimento de métricas de associação. O objetivo deste trabalho é realizar um estudo sobre métricas de associação, descrevendo suas propriedades e características, implementando um grupo de métricas na linguagem de programação PYTHON para posteriormente elaborar uma análise inicial de similaridade entre elas através da “correlação de Pearson” e então agrupá-las em clusters de acordo com sua similaridade de comportamentos
publishDate 2023
dc.date.none.fl_str_mv 2023-09-29T16:32:24Z
2023-09-29T16:32:24Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv ANDRADE, Ricardo Alcântara; CABRAL, Caio Xavier. Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais. 2019. 83 f. Trabalho de Conclusão de Curso (Graduação em Tecnologia em Sistemas de Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2019.
http://app.uff.br/riuff/handle/1/30665
identifier_str_mv ANDRADE, Ricardo Alcântara; CABRAL, Caio Xavier. Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais. 2019. 83 f. Trabalho de Conclusão de Curso (Graduação em Tecnologia em Sistemas de Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2019.
url http://app.uff.br/riuff/handle/1/30665
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1811823622599213056

Registros relacionados