Generalização de Regras de Associação Utilizando Taxonomias Após Pós-Processamento Prévio.Jackson D. N. MourãoPietrângelo V. Ferronato

Processo de Extração de Padrões em Bases

de Dados

Para que serve?

Quem utiliza?

Qual o problema?

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 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 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 AssociaçãoConceitos

“Um cliente que compra os produtos (X1,X2, ..., Xn) também irá comprar os produtos (Y1, Y2, ..., Ym) com probabilidade c%”

Padrão AprioriY X Z (50.5%, 80.2%)

Avaliação e Poda de Regras

Conceitos

ObjetivosAvaliar regras geradas;

Reduzir o tamanho do conjunto de regras;

MétodoMedidas objetivas e subjetivas;

Medidas quantitativas e qualitativas;

Identificar regras redundantes ou potencialmente não interessantes;

ConvicçãoConceitos

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%);

Generalização de RegrasConceitos

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”

Técnica da TaxonomiaConceitos

Método PropostoAvaliar 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;

Agrupar por Conseqüente

Método Proposto

Generalizar em LinhaMétodo Proposto

Agrupar por Antecedente

Método Proposto

Agrupar por Antecedente

Método Proposto

Generalizar em ColunaMétodo Proposto

Generalizar em ColunaMétodo Proposto

Desfazer Generalizações não Repetidas

Método Proposto

Concatenar Taxonomias aos Dados

Método Proposto

Calcular Suporte e Confiança

Método Proposto

• Varre a base de dados buscando itens nos registros duplos (linha das respectivas taxonomias e linha original);

“Desgeneralizar” Regras com Baixa Confiança

Método Proposto

Gerar Arquivo de SaídaMétodo Proposto

Resultados2091 Regras

1062 Regras Podadas (50,8% menor)

958 Regras (7% menor)

1285 Registros

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

• Generalizar conseqüente da regra;

• Agrupar no arquivo de saída as regras que possuem antecedentes de mesma taxonomia;

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 Versão no Site

• http://code.google.com/p/generalizer/downloads/list