Algoritmo, guiado por conocimiento previo, para la reducción de redundancia en reglas de asociación.

Abstract

El proceso de minería de datos busca encontrar y representar conocimiento no trivial implícito en grandes cantidades de datos, desarrollando varias técnicas como las relacionadas con las reglas de asociación. En la actualidad existen múltiples algoritmos que extraen de manera automática reglas de asociación correspondientes a un determinado modelo de datos. Debido a la creciente necesidad de almacenar información las bases de datos son cada vez más extensas, por lo que los algoritmos de extracción generan un conjunto de reglas de asociación tan grande que no pueden ser interpretadas por los especialistas. Muchas de las reglas extraídas, representan conocimiento que ha sido cubierto por otras, lo que las convierte en redundantes. Partiendo de la premisa de que una regla es redundante si representa un conocimiento previamente conocido por el especialista del dominio en cuestión, el presente trabajo propone una nueva definición de redundancia y un mecanismo para su reducción. El algoritmo que se presenta se basa en un conjunto de reglas aportadas por los analistas y elimina o reduce las que se derivan de dicho conjunto. El proceso de reducción de redundancia permite hacer el conjunto final de reglas más compacto y simple, facilitando la correcta interpretación y toma de decisiones por parte de los usuarios. Los resultados experimentales demuestran que con un conocimiento aportado por los especialistas que represente menos del 10% del total de reglas generadas, se alcanzan niveles de reducción cercanos al 90%.