generaliza o de regras de associa o utilizando taxonomias ap s p s processamento pr vio
Download
Skip this Video
Download Presentation
Generalização de Regras de Associação Utilizando Taxonomias Após Pós-Processamento Prévio.

Loading in 2 Seconds...

play fullscreen
1 / 27

Generalização de Regras de Associação Utilizando Taxonomias Após Pós-Processamento Prévio. - PowerPoint PPT Presentation


  • 69 Views
  • Uploaded on

Generalização de Regras de Associação Utilizando Taxonomias Após Pós-Processamento Prévio. Jackson D. N. Mourão Pietrângelo V. Ferronato. Processo de Extração de Padrões em Bases de Dados. Para que serve? Quem utiliza? Qual o problema?. Trabalhos Relacionados.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Generalização de Regras de Associação Utilizando Taxonomias Após Pós-Processamento Prévio.' - agatha


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
generaliza o de regras de associa o utilizando taxonomias ap s p s processamento pr vio

Generalização de Regras de Associação Utilizando Taxonomias Após Pós-Processamento Prévio.

Jackson D. N. Mourão

Pietrângelo V. Ferronato

processo de extra o de padr es em bases de dados
Processo de Extração de Padrões em Bases de Dados
  • Para que serve?
  • Quem utiliza?
  • Qual o problema?
trabalhos relacionados
Trabalhos Relacionados
  • Descrição de um Algoritmo para Generalização de Regras de Associação (DOMINGUES, 2004)
    • Objetivo: filtrar conjunto de regras;
    • Método Adotado: taxonomias;
    • Resultados: redução entre 14,61% e 50,11%;
  • Influência da Imputação de Valores Ausentes nos Classificadores Descobertos (CALIL, 2008)
    • Objetivo: imputação de valores ausentes;
    • Método Adotado: árvores de decisão;
    • Resultados: redução na quantidade de regras e na taxa de erro do classificador;
trabalhos relacionados1
Trabalhos Relacionados
  • Um Método de Pós-processamento de Regras de Associação com Base nas Relações de Dependência entre os Atributos (BÜRKLE, 2006)
    • Objetivo: eliminar regras redundantes;
    • Método Adotado: relações de dependência entre atributos;
    • Resultados: bons percentuais de redução nas quatro bases de dados testadas;
  • Análise do Conhecimento Extraído de Classificadores Simbólicos Utilizando Medidas de Avaliação e de Interessabilidade (GOMES, 2002)
    • Objetivo: medir os padrões descobertos;
    • Método Adotado: medidas qualitativas e quantitativas;
    • Resultados: algumas regras potencialmente mais interessantes.
trabalhos relacionados2
Trabalhos Relacionados
  • Identificação de Regras de Associação Interessantes por meio de Análises com Medidas Objetivas e Subjetivas (SINOARA, 2006)
    • Objetivo: identificar regras potencialmente mais interessantes;
    • Método Adotado: medidas objetivas e subjetivas;
    • Resultados: demonstrou-se que a combinação proposta auxilia na avaliação das regras;
regras de associa o
ConceitosRegras de Associação
  • “Um cliente que compra os produtos (X1,X2, ..., Xn) também irá comprar os produtos (Y1, Y2, ..., Ym) com probabilidade c%”
  • Padrão Apriori
    • Y  X Z (50.5%, 80.2%)
avalia o e poda de regras
ConceitosAvaliação e Poda de Regras
  • Objetivos
    • Avaliar regras geradas;
    • Reduzir o tamanho do conjunto de regras;
  • Método
    • Medidas objetivas e subjetivas;
    • Medidas quantitativas e qualitativas;
    • Identificar regras redundantes ou potencialmente não interessantes;
convic o
ConceitosConvicção
  • Domínio: de zero a infinito;
    • Caso for 1: existe a independência completa entre A e B;
    • Caso for infinito: A nunca aparece sem B (confiança de 100%);
generaliza o de regras
ConceitosGeneralização de Regras
  • Aplica-se conhecimento de domínio para gerar regras mais representativas e informativas.
  • “5% dos clientes que compram pão-pullman-light, também compram leite-parmalat-desnatado”
  • “30% dos clientes que comprar pão, também compram leite”
m todo proposto
Método Proposto
  • Avaliar e eliminar regras através da medida objetiva Convicção;
  • Generalizar as regras:
    • Agrupar por Conseqüente;
    • Generalizar em Linha;
    • Agrupar por Antecedente/Taxonomia;
    • Generalizar em Coluna;
    • Desfazer Generalizações Não Repetidas;
    • Concatenar Taxonomias aos Dados
    • Calcular Suporte e Confiança para as Regras Generalizadas;
    • “Desgeneralizar” Regras de Baixa Confiança;
    • Gerar Arquivo de Saída;
calcular suporte e confian a
Método PropostoCalcular Suporte e Confiança
  • Dados com Taxonomias
    • Roupas_leves acessorios calcados_abertos
    • Bermuda bone chinelo
    • Calcados_abertos ? Acessorios
    • Chinelobrinco bone
  • Varre a base de dados buscando itens nos registros duplos (linha das respectivas taxonomias e linha original);
resultados
Resultados

1062 Regras Podadas (50,8% menor)

1285 Registros

2091 Regras

958 Regras (7% menor)

conclus o
Conclusão
  • A eficácia do método depende:
    • Do quão generalizáveis são os dados;
    • De quanto conhecimento de domínio está disponível;
    • Da configuração das taxonomias confeccionadas;
trabalhos futuros
Trabalhos Futuros
  • RegrasGeneralizadas
    • Roupas_banhoentraNoMar
      • SungaentraNoMar
      • BiquinientraNoMar
    • MaiônaoEntraNoMar
  • Generalizar conseqüente da regra;
  • Agrupar no arquivo de saída as regras que possuem antecedentes de mesma taxonomia;
refer ncias
Referências
  • BÜRKLE, Paula Yamada. Um Método de Pós-processamento de Regras de Associação com Base nas Relações de Dependência entre os Atributos. Universidade Federal Fluminense, Niterói, 2006.
  • CALIL, Leonardo Aparecido de Almeida. Influência da imputação de valores ausentes nos classificadores descobertos. Universidade Tuiuti do Paraná, Curitiba, 2008.
  • CARVALHO, Veronica Oliveira de. Generalização de regras de associação utilizando conhecimento de domínio e avaliação do conhecimento generalizado. Universidade de São Paulo, São Carlos, 2007.
  • DOMINGUES, Marcos Aurélio. Generalização de regras de associação. Universidade de São Paulo, São Carlos, 2004.
  • GOMES, Alan Keller. Análise do Conhecimento Extraído de Classificadores Simbólicos Utilizando Medidas de Avaliação e de Interessabilidade. Universidade de São Paulo, São Carlos, 2001.
  • GONÇALVES, Eduardo Corrêa. Regras de Associação e suas Medidas de Interesse Objetivas e Subjetivas. Universidade Federal Fluminense, Niterói, 2005.
  • MELANDA, Edson Augusto. Pós-processamento de Regras de Associação. Universidade de São Paulo, São Carlos, 2004.
  • REZENDE, Solange Oliveira. Sistemas Inteligentes – Fundamentos e Aplicações. 1a edição. Barueri – SP Editora Manole, 2003.
  • SINOARA, Roberta Akemi. Identificação de regras de associação interessantes por meio de análises com medidas objetivas e subjetivas. Universidade de São Paulo, São Carlos, 2006.
  • SOUZA, Viviane Dal Molin; CARVALHO, Deborah Ribeiro. Avaliando a relação entre quão corretas e interessantes podem ser as regras de associação descobertas. Tuiuti: Ciência e Cultura, Curitiba, n.37, p. 9-19, 2005. Disponível em: http://www.utp.br/tuiuticienciaecultura/TCC%5Fonline/. Acesso em: 19 out. 2009.
nova vers o no site
Nova Versão no Site
  • http://code.google.com/p/generalizer/downloads/list
ad