Samira: uma proposta de sistema de apoio à mineração de regras de associação

• Ano de defesa: 2010
• Autor(a) principal: Xavier, Sandro Luiz da Paixão
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Palavras-chave em Português: Algoritmo; Computação aplicada; Mineracao de Dados
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=67704

<span style="font-style: normal;">Descoberta de Conhecimento em Bancos de Dados é um processo essencial em que métodos inteligentes são aplicados, em ordem, para extrair conhecimentos implícitos e auxiliar na tomada de decisão. Um dos padrões mais comuns que pode ser descoberto a partir deste processo é o conjunto de Regras de Associação que representam combinações de itens que ocorrem com determinada frequência em uma base de dados. Neste trabalho foi desenvolvido um sistema de apoio à decisão denominado SAMiRA (Sistema de Apoio à Mineração de Regras de Associação), que contempla todas as etapas do processo de Mineração de Dados. Para validar este sistema, foram realizados estudos de casos com as bases de dados de duas empresas: uma focada no comércio de produtos veterinários e a outra no comércio de produtos de controle de pragas, em que foi possível analisar os perfis das regras geradas para estes ramos de negócio e realizar uma avaliação comparativa dos algoritmos para Regras de Associação </span><em>Apriori</em> e <em>FP-Growth</em> para os conjuntos de transações de vendas deste mesmos ramos de negócios. Como resultados destes estudos de casos, para a empresa de produtos veterinários foram encontradas regras com suporte de até 5%. O <em>Apriori </em>encontrou uma quantidade maior de regras em alguns casos, enquanto que o<em> FP-Growth</em> apresentou um tempo de processamento expressivamente menor. Para a empresa de produtos de controle de pragas foram encontradas regras com suporte de até 21%. Na avaliação comparativa entre os algoritmos, o <em>Apriori </em>encontrou uma quantidade maior de regras em alguns casos, enquanto que o <em>FP-Growth</em> apresentou tempos de processamentos apenas um pouco menor que os encontrados pelo <em>Apriori.</em> Palavras-chave: <em>KDD</em>. Mineração de Dados. Regras de Associação. <em>Apriori</em>. <em>FP-Growth</em>.