Avaliação do Conhecimento Extraído de Problemas de Regressão

• Autor(a) principal: Nagai, Walter Aoiama
• Data de Publicação: 2000
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-01032018-165127/
• topic: Não disponível; Not available

Data Mining refere-se ao processo de análise de dados e à aplicação de algoritmos que, mediante limitações de eficiência computacional aceitáveis, são capazes de produzir uma relação particular de padrões a partir de grandes massas de dados [Fayyad, 19964 A utilização desse processo em problemas do mundo real consiste na classificação dos dados, sejam eles categóricos ou contínuos. Problemas envolvendo dados categóricos são comumente denominados de problemas de classificação, enquanto que os dados contínuos são denominados de/problemas de regressão. Problemas do mundo real consistem geralmente de problemas de regressão. Dessa forma, cresce o interesse em utilizar o processo Data Mining para extrair padrões de problemas de regressão. Além da extração, esses padrões devem ser posteriormente analisados segundo algumas medidas de avaliação de conhecimento para determinar se o padrão é preciso, compreensível ou de interesse ao usuário. Para explorar esse processo de avaliação do conhecimento em problemas de regressão, são realizados, neste trabalho, experimentos com conjuntos de diferentes domínios e características utilizando o ambiente RREvaluation O RREvaluation tem a finalidade de apoiar os usuários do processo Data Mining na análise do conhecimento extraído de problemas de regressão. O ambiente RREvaluation aqui proposto permite a utilização de diversas formas de avaliação da precisão utilizando as medidas MSE, MAD e NMSE. A compreensibilidade através da identificação do número de condições da regra e da função matemática envolvida, assim como algumas medidas de interessabilidade como GanhoMAD, LC e Q.