Optimización de reglas de asociación generalizadas y jerárquico-temporales

• Autores: Galimberti, Emiliano; Fernández, Ignacio Manuel
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Ruz, Cecilia Ana
• Materia: REGLAS DE ASOCIACION; REGLAS DE ASOCIACION GENERALIZADAS; REGLAS DE ASOCIACION TEMPORALES
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Reglas de asociación es una técnica de minería de datos no supervisada que permite generar hipótesis a partir de los datos. Esta técnica consiste en encontrar todos los subconjuntos de items que ocurren frecuentemente en una base de datos, para luego generar reglas que indiquen la influencia y relación entre los elementos de los subconjuntos conseguidos anteriormente. El dominio de problema más común son las compras de supermercado. Las reglas de asociación generalizadas son una extensión de las reglas de asociación. Estas aprovechan el uso de una taxonomía predefinida sobre los datos para obtener información más abstracta y compacta. La taxonomía es definida por un experto del dominio o por un proceso automático. En el caso de una base de datos transaccional como las compras del supermercado, la taxonomía puede ser la categorización de los productos. Otra extensión son las reglas de asociación temporales. Estas buscan relacionar el espacio temporal con los items de la base de datos y utilizar esta información para obtener los subconjuntos que ocurren frecuentemente en distintos periodos de tiempo, sin descartarlos en caso de no cumplir con la frecuencia deseada en la totalidad de la base de datos. Vamos a utilizar una jerarquía temporal que nos ayudará a buscar reglas por periodos granulares. En el presente trabajo se investigaron las soluciones existentes para este problema y las extensiones mencionadas. Luego, se llevaron a cabo implementaciones de cada una de ellas, agregando técnicas de optimización apoyadas por experimentación para luego concluir con la creación de un algoritmo que combina las reglas generalizadas con las temporales. Finalmente, estos algoritmos se disponibilizarán mediante una librería pública en Python para su uso académico y profesional.
Fil: Galimberti, Emiliano. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Fil: Fernández, Ignacio Manuel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.