Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Cited by Google
- Similars in SciELO
- Similars in Google
Share
Revista Lasallista de Investigación
Print version ISSN 1794-4449
Abstract
GIRALDO MEJIA, Juan Camilo; MONTOYA QUINTERO, Diana María and JIMENEZ BUILES, Jovani Alberto. Modelo baseado no conhecimento para apoiar a tomada de decisões entre duas técnicas de associação de mineração de dados. Rev. Lasallista Investig. [online]. 2017, vol.14, n.2, pp.41-50. ISSN 1794-4449. https://doi.org/10.22507/rli.v14n2a4.
Introdução.
O artigo mostra em um modelo conceituai baseado no conhecimento a caracterização e funcionalidade de duas técnicas de regressão logística de Data Mining (MD) e regras de associação, para escolher a técnica de MD apropriada em projetos de aquisição de conhecimento com base em critérios que descrevem a Projeto específico a ser desenvolvido.
Objetivo.
Apoie a tomada de decisão no momento da escolha da técnica mais apropriada para o desenvolvimento de um projeto de mineração de dados.
Materiais e métodos.
As técnicas de associação e regressão logística são caracterizadas, mostrando a funcionalidade de seus algoritmos.
Resultados.
O modelo proposto é a entrada para a implementação de um sistema baseado no conhecimento que imita o conhecimento de um perito humano ao decidir qual técnica de mineração de dados escolher contra um problema específico que relaciona um projeto de mineração para informações. Facilita a verificação dos processos de negócios de cada uma das técnicas e mede a correspondência entre os objetivos de um projeto versus os componentes que oferecem a técnica de regressão logística e a técnica das regras de associação.
Conclusão.
Informações atuais e históricas estão disponíveis para a tomada de decisões através de modelos gerados pela mineração de dados. Os dados para os modelos provêm de data warehouses, que são ambientes informativos, que fornecem uma visão integrada e total da organização.
Keywords : algoritmo apriori; mineração de dados; regras de associação; regressão logística.