Extracción de conocimiento en grandes bases de datos utilizando estrategias adaptativas

Premio Dr. Raúl Gallard (Año 2013).

Resumen -- Motivación -- Desarrollos y aportes -- Publicaciones derivadas de esta tesis doctoral -- Capítulo 1. Introducción a la Minería de Datos -- 1. Minería de datos -- 1.1. tipos de datos -- 1.2. tipos de modelos -- 2. Extracción de conocimiento -- 2.1. Fase de integración y recopilación -- 2.2. Fase de selección, limpieza y transformación -- 2.2.1. Limpieza y transformación -- 2.2.1.1. Discretización -- 2.2.1.2. Numerización -- 2.2.1.3. Normalización de rango: escalado y centrado -- 2.2.2. Exploración y selección -- 2.3. Fase de minería de datos -- 2.3.1. Tareas predictivas -- 2.3.2. Tareas descriptivas -- 2.3.3. Técnicas -- 2.3.4. Aprendizaje inductivo -- 2.3.5. Grandes bases de datos -- 2.4. Fase de evaluación e interpretación -- 2.4.1. Técnicas de evaluación -- 2.4.1.1. Validación simple -- 2.4.1.2. Validación cruzada con k pliegues -- 2.4.1.3. Bootstrapping -- 2.4.2. Medidas de evaluación de modelos -- 2.4.3. Interpretación y contextualización -- 2.5. Fase de difusión, uso y monitorización -- 3. Árboles de decisión -- 3.1. Particiones -- 3.2. Criterio de selección de particiones -- 3.3. Poda y reestructuración -- 3.4. Extracción de reglas -- 4. Algoritmos evolutivos -- 5. Minado de datos incremental -- 5.1. Adaptabilidad del modelo -- 6. Toma de decisiones -- 7. Hiper-rectángulos -- 7.1. El uso de los hiper-rectángulos en minería de datos -- Capítulo 2. Clasificación utilizando hiper-rectángulos. armado del modelo de datos y -- obtención de reglas de clasificación -- 1. Hiper-rectángulos -- 1.1. Creación de hiper-rectángulos a partir de una base de datos -- 2. Superposiciones -- 2.1. Tipos de superposiciones -- 2.1.1. Superposición sin datos involucrados -- 2.1.2. Superposición con datos de una clase -- 2.1.3. Superposición con datos de ambas clases -- 2.2. Eliminación de superposiciones -- 2.2.1. Sin datos involucrados -- 2.2.2. Con datos de una clase en la superposición -- 2.2.3. Con datos de ambas clases -- 3. Índices -- 3.1. Índices de superposición -- 3.1.1. Z1i – Proporción del ancho de la intersección de área respecto al ancho del hiper-rectángulo -- 3.1.2. Z2i – Proporción del ancho del intervalo de la intersección de datos con respecto al ancho del intervalo del subconjunto de datos participante -- 3.1.3. Z3i – Proporción del ancho del intervalo del subconjunto de datos intersectados en relación al ancho del intervalo del subconjunto de datos participante -- 3.1.4. Z4i – Proporción del ancho del intervalo del subconjunto de datos participantes en relación al ancho de la superposición de área -- 3.1.5. Z5i – Desplazamiento del intervalo del subconjunto de datos intersectados de un hiper-rectángulo en relación al mínimo del intervalo de subconjunto de datos participantes del otro hiper-rectángulo. -- 3.1.6. Z6i – Desplazamiento del intervalo del subconjunto de datos intersectados de un hiper-rectángulo en relación al máximo del intervalo de subconjunto de datos participantes del otro hiper-rectángulo. -- 3.2. Índice de separabilidad Ω -- 3.2.1. Ponderando por la cantidad de datos participantes -- 3.2.1.1. Z1i -- 3.2.1.2. Z2i -- 3.2.1.3. Z3i -- 3.2.1.4. Z4i -- 3.2.1.5. Z5i -- 3.2.1.6. Z6i -- 3.2.1.7. Re-definición del cálculo de Ωi ponderado por los pesos V -- 3.2.2. Ponderando los índices por otros criterios -- 3.3. Una estrategia de clasificación flexible -- 4. CLUHR -- 4.1. Inicialización del algoritmo -- 4.1.1. Detectar superposiciones iniciales -- 4.2. Eliminar todas las superposiciones -- 4.2.1. Calcular los índices Ω -- 4.2.2. Realizar el ajuste -- 4.2.2.1. Método alternativo para la división de hiper-rectángulos cuando hay datos de ambas clases en la superposición -- 4.2.3. Actualizar los hiper-rectángulos representativos mínimos -- 4.2.4. Detectar las nuevas superposiciones -- 4.3. Finalizar con el armado del modelo de datos -- 4.4. Estructura del modelo de datos -- 4.5. Datos faltantes -- 4.6. Una metodología determinista -- 4.7. Limitaciones de CLUHR -- 5. Extracción de las reglas -- 5.1. Método greedy -- 6. Uso del modelo. predicción -- 7. Intervención del experto -- Capítulo 3. Adaptabilidad y actualización del modelo de datos -- 1. Adaptabilidad del modelo -- 1.1. Precondiciones -- 2. Actualización en línea -- 2.1. Agregando nuevos datos -- 2.1.1. El nuevo dato está incluido en un único hiper-rectángulo -- 2.1.2. El nuevo dato está incluido en una superposición entre dos hiper-rectángulos -- 2.1.3. El nuevo dato no está incluido en ningún hiper-rectángulo -- 2.2. Eliminando datos existentes -- 2.2.1. El dato está incluido en un hiper-rectángulo representante de otra clase -- 2.2.2. El dato está incluido en un hiper-rectángulo representante de su misma clase -- 2.3. Modificación de la clase de los datos -- 2.3.1. El dato está incluido en un hiper-rectángulo de la misma clase a la cual cambia el dato -- 2.3.2. El dato está incluido en un hiper-rectángulo que representa a otra clase distinta -- 2.4. Sub-clasificando muestras -- 2.5. Realizando varios cambios simultáneamente -- 3. Actualizando reglas de clasificación -- 4. Intervención del experto -- 5. Análisis de rendimiento -- 5.1. Costo en hallar el hiper-rectángulo (u hoja) -- 5.2. Re-estructuración del hiper-rectángulo (u hoja) -- 5.3. Conclusiones -- Capítulo 4. Resultados y comparaciones -- 1. Ejemplos ficticios en 2D -- 1.1. Configuración de la estrategia -- 1.2. Dos clases separadas -- 1.2.1. Descripción del ejemplo -- 1.2.2. Resultado -- 1.3. Una clase entremedio de otra -- 1.3.1. Descripción del ejemplo -- 1.3.2. Resultado -- 1.4. Una clase envolviendo parcialmente a otras dos -- 1.4.1. Descripción del ejemplo -- 1.4.2. Resultado -- 1.5. Envolturas sucesivas -- 1.5.1. Descripción del ejemplo -- 1.5.2. Resultado -- 1.6. Tres clases con varias zonas de superposición -- 1.6.1. Descripción del ejemplo -- 1.6.2. Resultado -- 1.7. Doble espiral -- 1.7.1. Descripción del ejemplo -- 1.7.2. Resultado -- 1.8. Una clase que encierra a otra -- 1.8.1. Descripción del ejemplo -- 1.8.2. Resultado -- 1.9. Una clase que encierra a otra de manera más ajustada -- 1.9.1. Descripción del ejemplo -- 1.9.2. Resultado -- 1.10. División en diagonal -- 1.10.1. Descripción del ejemplo -- 1.10.2. Resultado -- 1.11. Dos clases compartiendo un sector del espacio -- 1.11.1. Descripción del ejemplo -- 1.11.2. Resultado -- 1.12. Mezcla total de dos clases -- 1.12.1. Descripción del ejemplo -- 1.12.2. Resultado -- 1.13. Resumen -- 2. Bases de datos del repositorio UCI -- 2.1. Bases de datos usadas -- 2.1.1. Ecoli data set -- 2.1.2. Glass data set -- 2.1.3. Haberman's Survival data set -- 2.1.4. Image segmentation data set -- 2.1.5. Ionosphere data set -- 2.1.6. Iris data set -- 2.1.7. Liver disorders data set -- 2.1.8. Pima indians diabetes data set -- 2.1.9. Connectionist bench (Sonar, mines vs. rocks) data set -- 2.1.10. Statlog (Vehicle silhouettes) data set -- 2.1.11. Connectionist bench (Vowel recognition – Deterding data) data set -- 2.1.12. Wine data set -- 2.1.13. Breast cancer Wisconsin (Original) data set -- 2.1.14. Forest Covertype data set -- 2.2. Resultados -- 3. Comparaciones con otros métodos -- 3.1. C4.5 -- 3.2. EHS-CHC -- 3.3. PSO/ACO2 -- 3.4. Resultados -- 3.5. Análisis de rendimiento -- 3.5.1. C4.5 -- 3.5.2. EHS-CHC -- 3.5.3. PSO/ACO2 -- 3.5.4. Resultados -- 4. Minería incremental -- Capítulo 5. Discusión y trabajo a futuro -- 1. CLUHR -- 1.1. Índices de separabilidad -- 1.2. Supervisión de un experto en el dominio del problema -- 1.3. Adaptabilidad -- 1.4. Comparaciones -- 1.5. Trabajando con valores decrecientes para µ -- 2. Trabajo a futuro -- 2.1. CLUHR mejorado -- 2.1.1. Índices -- 2.1.2. Unión de hiper-rectángulos -- 2.1.3. Simplificación de reglas -- 2.1.4. Operaciones con otros dominios de datos -- 2.1.5. Implementación de una herramienta de supervisión para expertos -- Bibliografía

Tesis doctoral en Ciencias Informáticas, Universidad Nacional de la Plata - Facultad de Informática, 2012.