Regras de associação quantitativas em intervalos não contínuos

Página do item simplificado
dc.creatorAlexandre Procaci da Silva
dc.date.accessioned2019-08-13T00:13:40Z
dc.date.accessioned2025-09-08T22:51:00Z
dc.date.available2019-08-13T00:13:40Z
dc.date.issued2004-06-28
dc.identifier.urihttps://hdl.handle.net/1843/SLBS-642RFH
dc.languagePortuguês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectAlgoritmos de computador
dc.subjectComputação
dc.subjectMineração de dados (Computação)
dc.subjectTecnologia da informação
dc.subject.otherIntervalos
dc.subject.otherAssociação
dc.titleRegras de associação quantitativas em intervalos não contínuos
dc.typeDissertação de mestrado
local.contributor.advisor1Wagner Meira Junior
local.contributor.referee1Marcello Peixoto Bax
local.contributor.referee1Nivio Ziviani
local.description.resumoTécnicas 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.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
disserta_ao.pdf
Tamanho:
243.75 KB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Ciência da Computação - Dissertações

Logo UFMG