DOI:
https://doi.org/10.14483/2322939X.4067Published:
2004-12-01Issue:
Vol. 1 No. 1 (2004)Section:
Research and DevelopmentMINERÍA DE DATOS DIFUSA: DESCUBRIMIENTO DE REGLAS ASOCIATIVAS DIFUSAS
Keywords:
Minería de Datos, Conjuntos Difusos, Reglas Asociativas Generalizadas, Taxonomía. (es).Downloads
Abstract (es)
Este documento centra su interés en el problema de descubrir reglas asociativas en datos que se encuentran clasificados de forma difusa. Uno de los procesos más importantes en el descubrimiento de conocimiento en bases de datos es la minería de datos. El objetivo primordial de un algoritmo de minería de datos es el de encontrar regularidades en grandes cantidades de datos, estas regularidades entre muchas formas, pueden ser tomadas como reglas asociativas, una regla asociativa es una expresión que establece una relación entre dos conjuntos de elementos pertenecientes a una base de datos. Clásicamente el descubrimiento de reglas asociativas generalizadas, es el proceso de descubrir relaciones entre atributos de datos pertenecientes a todos los niveles de una estructura de clasificación llamada taxonomía, está taxonomía es exacta. En muchas aplicaciones reales, la estructura de clasificación puede ser difusa. Este documento centra su interés en el problema de descubrir reglas asociativas generalizadas en estructuras taxonómicas difusas. Para ello se hace una extensión de los conceptos de grado de soporte y grado de confianza, que son nociones tradicionales en el proceso de descubrimiento de reglas asociativas. Posteriormente se hace una descripción del proceso de minería de datos asociado para finalizar con los posibles estudios futuros en el áreaReferences
AGRAWAL, Rakesh; IMICLINSKI, Tomasz; SWAMI, Arun. Mining Association Rules between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD Conference Washington DC, USA, 1993.
SRIKANT, Ramakrishnan; AGRAWAL, Rakesh. Mining Generalized Association Rules, Proceedings of the 21st VLDB Conference Zurich, Swizerland, 1995.
ZADEH A, Lofti. Fuzzy sets in Information and Control, 1965.
ZIMMERMANN H., -J, (1993). Fuzzy Set - Theory and Applications, 2 ed. Kluwer, Boston. (1 ed. 1991).
AGRAWAL, Rakesh; SRIKANT, Ramakrishnan. Fast Algorithms for Mining Association Rules, Proceedings of VLDB Conference, Santiago, Chile, Sept. 1994. Expanded version available as IBM Research Report RJ9839, June 1994.
M, Blue; B, Bush; J, Puckett. Applications of Fuzzy Logic to Graph Theory, Los Alamos National Laboratory (1997).
CHEN, Guoqing. Fuzzy Logic in Data Modeling: semantics, constraints and database design, Boston: Kluwer Academic Publishers, 1998.
AGRAWAL, Rakesh; MANNILA, Heikki; SRIKANT, Ramakrishnan; TOIVONEN, Hannu; VERKAMO A., Inkeri. Fast Discovery of Association Rules in Advances in Knowledge Discovery and Data Mining, AAAI Press/The MIT Press, 1996.
CHEN, Guoqing, WEI, Qiang, KERRE, Etienne. Fuzzy Data Mining: Discovery of Fuzzy Generalized Association Rules. In Bordagna & Pasi (eds.), Recent Research Issues on Management of Fuzziness in Databases. Physica-Verlag (Springer), 2000.
KERRE E., Etienne. Introduction to Basic Principles of Fuzzy Set Theory and Some of Its Applications. 2 ed. Gent, Belgium: Communication & Cognition, 1993.
WEI, Qiang; CHEN, Guoqing. Mining Generalized Association Rules with Fuzzy Taxonomic Structures, Proceedings of the North America Fuzzy Information Processing Society (NAFIPS99). New York, 1999. p. 477-481.
3.png)
