Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos
- Autores
- Ciciliani, Gabriel; Martins, Sebastián; Merlino, Hernán
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- En el campo de la explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori qué pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En este artículo se propone un diseño experimental que permita validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita vincular dichas características con la pareja de algoritmos que mejor rendimiento ofrece. En adición, se presentan resultados preliminares obtenidos.
XV Workshop Bases de Datos y Minería de Datos (WBDDM)
Red de Universidades con Carreras en Informática (RedUNCI) - Materia
-
Ciencias Informáticas
Minería de Datos
inducción de reglas
descubrimiento de reglas de pertenencia a grupos
estudio de algoritmos
clustering - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/73239
Ver los metadatos del registro completo
id |
SEDICI_7f0610a217acae74980a8af7fdc04599 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/73239 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a gruposCiciliani, GabrielMartins, SebastiánMerlino, HernánCiencias InformáticasMinería de Datosinducción de reglasdescubrimiento de reglas de pertenencia a gruposestudio de algoritmosclusteringEn el campo de la explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori qué pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En este artículo se propone un diseño experimental que permita validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita vincular dichas características con la pareja de algoritmos que mejor rendimiento ofrece. En adición, se presentan resultados preliminares obtenidos.XV Workshop Bases de Datos y Minería de Datos (WBDDM)Red de Universidades con Carreras en Informática (RedUNCI)2018-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf501-510http://sedici.unlp.edu.ar/handle/10915/73239spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-658-472-6info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:12:21Zoai:sedici.unlp.edu.ar:10915/73239Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:12:22.097SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
title |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
spellingShingle |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos Ciciliani, Gabriel Ciencias Informáticas Minería de Datos inducción de reglas descubrimiento de reglas de pertenencia a grupos estudio de algoritmos clustering |
title_short |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
title_full |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
title_fullStr |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
title_full_unstemmed |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
title_sort |
Análisis preliminar del rendimiento de algoritmos para el procesos de descubrimiento de reglas de pertenencia a grupos |
dc.creator.none.fl_str_mv |
Ciciliani, Gabriel Martins, Sebastián Merlino, Hernán |
author |
Ciciliani, Gabriel |
author_facet |
Ciciliani, Gabriel Martins, Sebastián Merlino, Hernán |
author_role |
author |
author2 |
Martins, Sebastián Merlino, Hernán |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Minería de Datos inducción de reglas descubrimiento de reglas de pertenencia a grupos estudio de algoritmos clustering |
topic |
Ciencias Informáticas Minería de Datos inducción de reglas descubrimiento de reglas de pertenencia a grupos estudio de algoritmos clustering |
dc.description.none.fl_txt_mv |
En el campo de la explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori qué pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En este artículo se propone un diseño experimental que permita validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita vincular dichas características con la pareja de algoritmos que mejor rendimiento ofrece. En adición, se presentan resultados preliminares obtenidos. XV Workshop Bases de Datos y Minería de Datos (WBDDM) Red de Universidades con Carreras en Informática (RedUNCI) |
description |
En el campo de la explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori qué pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En este artículo se propone un diseño experimental que permita validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita vincular dichas características con la pareja de algoritmos que mejor rendimiento ofrece. En adición, se presentan resultados preliminares obtenidos. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/73239 |
url |
http://sedici.unlp.edu.ar/handle/10915/73239 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-950-658-472-6 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 501-510 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844615993751502848 |
score |
13.070432 |