Applying Methods to Minimize the Number of Association Rules that Fully Represent a Database

Resumo

As regras de associação são uma forma de representação de conhecimento utilizada em sistemas de tomada de decisão devido à sua estrutura simples e ao alto potencial de armazenamento de informações. Essas características pode ser obtida através de algoritmos de mineração de regras de associação, como o Apriori, que toma um conjunto de dados como parâmetro de entrada e retorna um conjunto de regras de associação. Entretanto, os algoritmos existentes retornam um grande número de regras, o que torna o uso de regras de associação oneroso para sistemas de computacionais e muito difícil de interpretar para especialistas de domínio. A fim de superar esta dificuldade e facilitar a aplicação das regras de associação na solução de problemas de tomada de decisão, muitas pesquisas têm procurado uma solução computacional para reduzir a quantidade de regras de associação, de tal forma que não haja perda significativa de informações. Este artigo apresenta dois procedimentos computacionais para minimizar o número de regras de associação que representam plenamente um conjunto de dados. Em seguida, os autores apresentam os testes realizados e um estudo comparativo com outros métodos da literatura. Tendo em vista o sucesso alcançado, os autores fazem suas considerações sobre os resultados e apontam a nova direção do projeto.

Biografia do Autor

Diego Paixão Pinheiro, Universidade Federal do Tocantins

Student at Computer Science Department, Federal University of Tocantins.

Marcelo Lisboa Rocha, Universidade Federal do Tocantins

Professor Researcher at Computer Science Department and Postgraduate Program in Computational Modelling of Systems, Federal University of Tocantins.

Publicado
2021-10-11
Como Citar
Paixão Pinheiro, D., & Marcelo Lisboa Rocha. (2021). Applying Methods to Minimize the Number of Association Rules that Fully Represent a Database. REVISTA CEREUS, 13(3), 218-245. Recuperado de http://ojs.unirg.edu.br/index.php/1/article/view/3561
Seção
Artigos