Pós-processamento de regras de regressão

• Ano de defesa: 2004
• Autor(a) principal: Pugliesi, Jaqueline Brigladori
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Não disponível; Not available
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-20082015-111001/

O processo de Mineração de Dados inicia-se com o entendimento do domínio da aplicação, considerando aspectos como os objetivos da aplicação e as fontes de dados. Em seguida, é realizado o pré-processamento dos dados e a extração de padrões. Após a etapa de extração de padrões, vem a de pós-processamento, na qual o conhecimento é avaliado quanto a sua qualidade e/ou utilidade a fim de ser utilizado para apoio a algum processo de tomada de decisão. Recentemente, as pesquisas têm se voltado para problemas de regressão, porém a regressão em Mineração de Dados preditiva é uma questão pouco explorada dentro do processo de extração de conhecimento de bases de dados, sendo de grande relevância o estudo de métodos para a exploração de tarefas desse tipo. Alguns trabalhos vêm sendo realizados no Laboratório de Inteligência Computacional (LABIC) em temas relacionados ao processo de Extração de Conhecimento de Bases de Dados e Textos e na construção de um ambiente computacional para extração de conhecimento de dados denominado DlSCOVER. Para apoiar a construção de um modelo de regressão simbólico e o pós-processamento de problemas de regressão foi proposto e desenvolvido o Ambiente \'RTJ^FL, Esse ambiente viabiliza a avaliação de regras de regressão, inclusive disponibilizando estratégias para o cálculo da matriz de contingência e consequente utilização de todas as medidas derivadas dessa matriz para avaliação de regras de regressão; a combinação de regressores homogéneos e heterogéneos para melhorar a precisão dos regressores e a integração e poda de regras de regressão obtidas de diferentes amostras ou algoritmos. Essas funcionalidades do Ambiente íR$í\'I*PE incrementam a potencialidade do Ambiente DlSCOVER quanto ao tratamento de regressão.