Regras de associação quantitativas em intervalos não contínuos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2004 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/SLBS-642RFH |
Resumo: | Técnicas de mineração de dados têm sido muito utilizadas na extração de informações úteis (conhecimento) de grandes quantidades de dados. Uma destas técnicas é conhecida como mineração de regras de associação, geralmente utilizada para descobrir afinidades ou correlações entre dados. Entretanto, a maioria das abordagens sobre a geração de regras de associação não considera dados quantitativos. Considerando que este tipo de dado é freqüentemente encontrado em bases de dados das mais diversas naturezas, o descarte ou tratamento inadequado destes dados podem causar a não consideração de informações interessantes. Neste trabalho propomos o GRINC um algoritmo para geração de regras de associação quantitativas utilizando dados numéricos discretizados, onde cada item numérico da regra pode estar associado a faixas de valores não contínuas. Além disso, propomos uma nova medida de interesse para regras de associação quantitativas, o quantitavive leverage que leva em consideração tato os atributos numérico como os atrbutos categóricos da regra. Utilizando o quantitative leverage, as regras geradas pelo GRINC foram comparadas com as regras geradas por uma das técnicas mais tradicionais para mineração de regras de associação quantitativas. Em um teste com uma base de dados real, 91% das regras geradas pelo GRINC tiveram o quantitative leverage superior a 99%, enquanto apenas 25% das regras geradas pelo outro algoritmo atingiram este valor. |
id |
UFMG_dd4d8421c790fecfbe0d92b8e1032faa |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/SLBS-642RFH |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Wagner Meira JuniorMarcello Peixoto BaxNivio ZivianiAlexandre Procaci da Silva2019-08-13T00:13:40Z2019-08-13T00:13:40Z2004-06-28http://hdl.handle.net/1843/SLBS-642RFHTécnicas de mineração de dados têm sido muito utilizadas na extração de informações úteis (conhecimento) de grandes quantidades de dados. Uma destas técnicas é conhecida como mineração de regras de associação, geralmente utilizada para descobrir afinidades ou correlações entre dados. Entretanto, a maioria das abordagens sobre a geração de regras de associação não considera dados quantitativos. Considerando que este tipo de dado é freqüentemente encontrado em bases de dados das mais diversas naturezas, o descarte ou tratamento inadequado destes dados podem causar a não consideração de informações interessantes. Neste trabalho propomos o GRINC um algoritmo para geração de regras de associação quantitativas utilizando dados numéricos discretizados, onde cada item numérico da regra pode estar associado a faixas de valores não contínuas. Além disso, propomos uma nova medida de interesse para regras de associação quantitativas, o quantitavive leverage que leva em consideração tato os atributos numérico como os atrbutos categóricos da regra. Utilizando o quantitative leverage, as regras geradas pelo GRINC foram comparadas com as regras geradas por uma das técnicas mais tradicionais para mineração de regras de associação quantitativas. Em um teste com uma base de dados real, 91% das regras geradas pelo GRINC tiveram o quantitative leverage superior a 99%, enquanto apenas 25% das regras geradas pelo outro algoritmo atingiram este valor.Universidade Federal de Minas GeraisUFMGAlgoritmos de computadorComputaçãoMineração de dados (Computação)Tecnologia da informaçãoIntervalosAssociaçãoRegras de associação quantitativas em intervalos não contínuosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALdisserta_ao.pdfapplication/pdf249595https://repositorio.ufmg.br/bitstream/1843/SLBS-642RFH/1/disserta_ao.pdf92090d84adc2ba9f62532f72cdfab2e7MD51TEXTdisserta_ao.pdf.txtdisserta_ao.pdf.txtExtracted texttext/plain154486https://repositorio.ufmg.br/bitstream/1843/SLBS-642RFH/2/disserta_ao.pdf.txt147aeb91de758b07fcd3d5bcde31334cMD521843/SLBS-642RFH2019-11-14 20:26:21.421oai:repositorio.ufmg.br:1843/SLBS-642RFHRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T23:26:21Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Regras de associação quantitativas em intervalos não contínuos |
title |
Regras de associação quantitativas em intervalos não contínuos |
spellingShingle |
Regras de associação quantitativas em intervalos não contínuos Alexandre Procaci da Silva Intervalos Associação Algoritmos de computador Computação Mineração de dados (Computação) Tecnologia da informação |
title_short |
Regras de associação quantitativas em intervalos não contínuos |
title_full |
Regras de associação quantitativas em intervalos não contínuos |
title_fullStr |
Regras de associação quantitativas em intervalos não contínuos |
title_full_unstemmed |
Regras de associação quantitativas em intervalos não contínuos |
title_sort |
Regras de associação quantitativas em intervalos não contínuos |
author |
Alexandre Procaci da Silva |
author_facet |
Alexandre Procaci da Silva |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Wagner Meira Junior |
dc.contributor.referee1.fl_str_mv |
Marcello Peixoto Bax |
dc.contributor.referee2.fl_str_mv |
Nivio Ziviani |
dc.contributor.author.fl_str_mv |
Alexandre Procaci da Silva |
contributor_str_mv |
Wagner Meira Junior Marcello Peixoto Bax Nivio Ziviani |
dc.subject.por.fl_str_mv |
Intervalos Associação |
topic |
Intervalos Associação Algoritmos de computador Computação Mineração de dados (Computação) Tecnologia da informação |
dc.subject.other.pt_BR.fl_str_mv |
Algoritmos de computador Computação Mineração de dados (Computação) Tecnologia da informação |
description |
Técnicas de mineração de dados têm sido muito utilizadas na extração de informações úteis (conhecimento) de grandes quantidades de dados. Uma destas técnicas é conhecida como mineração de regras de associação, geralmente utilizada para descobrir afinidades ou correlações entre dados. Entretanto, a maioria das abordagens sobre a geração de regras de associação não considera dados quantitativos. Considerando que este tipo de dado é freqüentemente encontrado em bases de dados das mais diversas naturezas, o descarte ou tratamento inadequado destes dados podem causar a não consideração de informações interessantes. Neste trabalho propomos o GRINC um algoritmo para geração de regras de associação quantitativas utilizando dados numéricos discretizados, onde cada item numérico da regra pode estar associado a faixas de valores não contínuas. Além disso, propomos uma nova medida de interesse para regras de associação quantitativas, o quantitavive leverage que leva em consideração tato os atributos numérico como os atrbutos categóricos da regra. Utilizando o quantitative leverage, as regras geradas pelo GRINC foram comparadas com as regras geradas por uma das técnicas mais tradicionais para mineração de regras de associação quantitativas. Em um teste com uma base de dados real, 91% das regras geradas pelo GRINC tiveram o quantitative leverage superior a 99%, enquanto apenas 25% das regras geradas pelo outro algoritmo atingiram este valor. |
publishDate |
2004 |
dc.date.issued.fl_str_mv |
2004-06-28 |
dc.date.accessioned.fl_str_mv |
2019-08-13T00:13:40Z |
dc.date.available.fl_str_mv |
2019-08-13T00:13:40Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/SLBS-642RFH |
url |
http://hdl.handle.net/1843/SLBS-642RFH |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/SLBS-642RFH/1/disserta_ao.pdf https://repositorio.ufmg.br/bitstream/1843/SLBS-642RFH/2/disserta_ao.pdf.txt |
bitstream.checksum.fl_str_mv |
92090d84adc2ba9f62532f72cdfab2e7 147aeb91de758b07fcd3d5bcde31334c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589572833050624 |