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.