Análisis y aplicación de algoritmos de
minería de datos
Data mining algorithms analysis and application
https://revistas.uniminuto.edu/index.php/Pers/issue/view/195
71-88
RECIBIDO : JULIO 12 -2020
ACEPTADO: DICIEMBRE 21 – 2020
RESUMEN
Introducción La Minería de
Datos es utilizada en diferentes disciplinas para la búsqueda de patrones y
modelos ocultos en las Bases de Datos. Esta generalmente es aplicada en las
áreas de negocios y marketing. Sin embargo, su aplicación y uso quedan
finalmente a disposición de quienes manejan este conocimiento, por lo que debe
de ser trasformado en información útil para los niveles superiores. Materiales
y métodos. Unos de los métodos más conocidos para describir atributos de una
base de datos son tabla decisión, árbol de decisión, regresión lineal y M5. Conclusión.
Se tomaron trece atributos de un cultivo de vinos, a los cuales se les hizo una
discriminación y luego se agruparon en un conjunto denominado químicos. El
óptimo dentro de este grupo resultaron ser los fenoles totales de acuerdo con
los algoritmos aplicados. Por lo cual es el más recomendable de usar para el cultivo.
Palabras Clave: minería de datos, procesamiento
de datos, algoritmo y interpretación de datos, árbol de un solo nivel.
ABSTRACT
Introduction Data Mining is
used in different disciplines for searching for hidden patterns and models in
databases. This is usually applied in the areas of business and marketing.
However, its application and use are finally made available to those who handle
this knowledge, so it must be transformed into useful information for the
higher levels. Materials and methods.
One of the best-known methods for describing attributes in a database is Decision Table,
Decision Tree, Linear Regression, and M5. Conclusion. Thirteen attributes were taken from
a wine crop, which was discriminated
against and then grouped into a set called chemicals. The optimal one
within this group turned out
to be the total phenols according to the algorithms applied. Therefore, it is
the most recommended to use for cultivation.
Key words. data mining, data processing, algorithm and data interpretation,
single-level tree
Introducción
El
almacenamiento de datos se ha convertido en una tarea rutinaria de los sistemas
de información de las organizaciones. Esto es aún más evidente en las empresas
de la nueva economía, el comercio, la telefonía, el marketing directo, etc. Los
datos almacenados son un tesoro para las organizaciones, que es donde se
guardan las interacciones pasadas con los clientes, la contabilidad de sus
procesos internos, representan la memoria de la organización. Pero con tener
memoria no es suficiente, hay que pasar a la acción inteligente sobre los datos
para extraer la información que almacenan Bezerra (2009).
Esto se puede realizar por medio del campo de la Minería de Datos, la cual es
un área de las Tecnologías de Información que ha tomado gran relevancia para
diversas industrias e instituciones académicas, dado que las metodologías y herramientas
implementadas permiten un análisis objetivo de los procesos, basado en sus
ejecuciones actuales C. M. Tomás, (2011). En BPM Chile. El interés por esta
área ha llevado al desarrollo de diversos estudios en el tema, sin embargo, la
mayoría de éstos se han enfocado en la modelación de comportamientos normales
de un proceso Forina, (1991), dejando un amplio campo
de estudio en la detección de anomalías y búsqueda de patrones en registros de
procesos que presentan resultados no esperados, negativos o particulares. En
tanto, la Minería de Datos se caracteriza por el uso de herramientas y
algoritmos para analizar grandes cantidades de datos, con el objetivo de
encontrar relaciones y patrones previamente desconocidos entre estos datos García
M, (1997).
Los
métodos tradicionales de Análisis de Datos incluyen el trabajo con variables
estadísticas, varianza, desviación estándar, covarianza y correlación entre los
atributos; análisis de componentes (determinación de combinaciones lineales
ortogonales que maximizan una varianza determinada), análisis de factores
(determinación de grupos correlacionados de atributos), análisis de clusters (determinación de grupos de conceptos que están
cercanos según una función de distancia dada), análisis de regresión (búsqueda
de los coeficientes de una ecuación de los puntos dados como datos), análisis multivariable de la varianza, y análisis de los
discriminantes García,
(2012). Todos estos métodos están orientados numéricamente. Son esencialmente
cuantitativos Jeffrey w. (2010).
En
contraposición, los métodos basados en Aprendizaje Automático como los
algoritmos, están orientados principalmente hacia el desarrollo de
descripciones simbólicas de los datos, que puedan caracterizar uno o más grupos
de conceptos Jeffrey w, diferenciar entre distintas clases, crear nuevas
clases, crear una nueva clasificación conceptual, seleccionar los atributos más
representativos, y ser capaces de predecir secuencias lógicas L. C. Peñuela. Son
esencialmente cualitativos. Es decir que un algoritmo de minería de datos es
un conjunto de cálculos y reglas heurísticas que permite crear un modelo de minería
de datos a partir de los datos. Para crear un modelo, el algoritmo analiza
primero los datos proporcionados, en busca de tipos específicos de patrones o
tendencias. El algoritmo usa los resultados de este análisis para definir
los parámetros óptimos para la creación del modelo de minería de datos. A
continuación, estos parámetros se aplican en todo el conjunto de datos para
extraer patrones procesables y estadísticas detalladas Magdalena, (2002).
Considerando
lo anteriormente expuesto, se realizará un análisis y aplicación de cuatro
diferentes algoritmos de minería de datos.
ALGORITMOS USADOS PARA CLASIFICACIÓN
La
ordenación es el procedimiento de fraccionar un grupo de información en
conjuntos con alto grado de exclusión, de tal forma que cada elemento de un
conjunto se ubique lo próximo probable de los demás conjuntos y conjuntos
opuestos estén lo más remoto probable de los demás, donde el alejamiento
distancia se calcula con respecto a las variables especificadas, que se desean
vaticinar
En
1979 Quinlan desarrolla el sistema ID3, que él
denominaría simplemente herramienta porque la consideraba experimental. Conceptualmente
es fiel a la metodología de CLS pero le aventaja en el método de expansión de
los nodos, basado en una función que utiliza la medida de la información de
Shannon. Quinlan tal como método de aprendizaje, es
el sistema C4.5 que explica con cierta precisión en la obra C4.5: Programs for Machine Learning. El desarrollo -comercial- de ese método es otro
llamado C5 del mismo autor, del que se puede conseguir un prototipo de
manifestación tasada en cuanto a las virtudes; por ejemplo, el número máximo de
modelos de ensayo.
Representación de un árbol de decisión
Un árbol
de decisión puede interpretarse esencialmente como una serie de reglas compactadas
para su representación en forma de árbol. en forma de árbol. Dado un grupo de
modelos, ordenados como segmentos de pares organizados atributo-valor, de acuerdo
con la configuración general en el aprendizaje inductivo a partir de modelos, el
concepto que estos sistemas quieran durante el desarrollo de aprendizaje consiste
en un árbol. Cada inflexión está marcada con un par atributo-valor y las hojas con
una ralea, de forma que el camino que determinan desde la raíz los pares de un ejemplo
de entrenamiento alcanza una hoja etiquetada -normalmente- con la clase del ejemplo.
La clasificación de un ejemplo nuevo del que se desconoce su clase se hace con la
misma técnica, solamente que en ese caso al atributo clase, cuyo valor se desconoce,
se le asigna de acuerdo con la etiqueta de la hoja a la que se accede con ese ejemplo.
Problemas apropiados para este tipo de aprendizaje
Las
características de los problemas apropiados para resolver mediante este
aprendizaje dependen del sistema de aprendizaje específico utilizado, pero hay
una serie de ellas generales y comunes a la mayoría y que se describen a
continuación:
Que
la representación de los ejemplos sea mediante vectores de pares
atributo-valor, especialmente cuando los valores son disjuntos y en un número
pequeño.
Los
sistemas actuales están preparados para tratar atributos con valores continuos,
valores desconocidos e incluso valores con una distribución de probabilidad.
Que
el atributo que hace el papel de la clase sea de tipo discreto y con un número
pequeño de valores, sin embargo existen sistemas que adquieren como concepto
aprendido funciones con valores continuos.
Que
las descripciones del concepto adquirido deban ser expresadas en forma normal
disyuntiva.
Que
posiblemente existan errores de clasificación en el conjunto de ejemplos de entrenamiento,
así como valores desconocidos en algunos de los atributos en algunos ejemplos
Estos sistemas, por lo general, son robustos frente a los errores del tipo
mencionado.
Sistemas que se pueden usar para un Árbol de Decisión
Sistema ID3
.El procedimiento
ID3 es un numero sencillo y, sin embargo, potente, cuya función es la
realización de un árbol de decisión. El procedimiento para producir un árbol de
decisión reside en, como se estableció precedentemente en escoger una cualidad
o atributo como raíz del árbol y crear un vástago con cada uno de los posibles
valores de dicha cualidad. Con cada vástago resultante (nuevo nodo del
arbusto), se realiza el mismo procedimiento, esto es, se escoge otra cualidad y
se crea un nuevo vástago para cada factible coste del atributo. Este proceso
sigue hasta que los modelos se clasifiquen a través de uno de los caminos del
arbusto. El nodo concluyente de cada camino será un nodo hoja, al que se le
otorgará la ordene correspondiente. Así, el meta objetivo de los arbustos de
decisión es obtener regulaciones o vinculaciones que favorezcan ordenar desde
de las cualidades
En
cada nodo del arbusto de resolución se debe escoger una cualidad para seguir
fraccionando, y el principio que se toma para escogerlo: se determina la
cualidad que mejor divida (ordene) los modelos de acuerdo con los tipos. Para
ello se emplea la entropía, que es una medida de cómo está organizado el
cosmos. La hipótesis de la información (basada en la entropía) determinada cifra
de bits (información, preguntas sobre las cualidades) que hace falta dar para
determinar el tipo a la que pertenece un modelo. Cuanto menor sea la cuantía de
la entropía, menor será la inseguridad y más útil será el atributo para la
ordenación de los elementos.
Sistema C4.5
El
ID3 es capaz de tratar con atributos cuyos valores sean discretos o continuos.
En el primer caso, el árbol de decisión generado tendrá tantas ramas como
valores posibles tome el atributo. Si los valores del atributo son continuos,
el ID3 no clasifica correctamente los ejemplos dados. Por ello, Quinlan propuso el C4.5, como extensión del ID3, que
permite:
Empleo
del concepto razón de ganancia
Construir
árboles de decisión cuando algunos de los ejemplos presentan valores
desconocidos para algunos de los atributos.
Trabajar
con atributos que presenten valores continuos.
La
poda de los árboles de decisión
Obtención
de Reglas de Clasificación
Decisión
Stump (Árbol de un solo nivel)
Aun
hay un numero o algoritmo más
simple que proporciona un arbusto de
decisión de un solo nivel. Radica en un algoritmo, que utiliza un único atributo
para realizar un arbusto de resolucion. La dterminacion de un solo atributo que creara parte del árbol
se realizará teniendo en cuenta en el
dividendo de la información, y a pesar de su sencillez, en algunos problemas
puede llegar a conseguir resultados significativos. No tiene opciones de
conformación, pero la implementación es muy completa, dado que admite tanto
atributos aritméticos como simbólicos y clases. En árbol de decisión habrá tres
arbustos: una de ellas será para el caso de que el atributo sea no conocido, y
las otras dos serán para el caso de que el valor del atributo del test sea
igual a un valor concreto del atributo o distinto a dicho valor, en caso de los
atributos simbólicos, o que el valor del ejemplo de test sea mayor o menor a un
determinado valor en el caso de atributos aritméticos. En los atributos
simbólicos cada valor posible del mismo y se calcula la rentabilidad de los
datos con el atributo igual a la cuantía, opuesto a la cuantía y valores no
conocidos del atributo.
Considerarse
cuatros casos al determinar la rentabilidad de los datos: que sea un atributo
figurado y la clase sea figurada o que la clase sea aritmética, o que sea un
atributo aritmético y la clase sea figurada o que la clase sea aritmética.
ALGORITMO USADO PARA PREDICCIÓN
Es
el proceso que intenta determinar los valores de una o varias variables, a
partir de un conjunto de datos. La predicción de valores continuos puede
planificarse por las técnicas estadísticas de regresión.
Regresión lineal
Los
modelos lineales generalizados representan el fundamento teórico en que la
regresión lineal puede aplicarse para modelar las categorías de las variables
dependientes. En los modelos lineales generalizados, la variación de la
variable y es una función del valor medio de y, distinto a la regresión lineal
dónde la variación de y es constante. Los tipos comunes de modelos lineales
generalizados incluyen regresión logística y regresión del Poisson.
La regresión logística modela la probabilidad de algún evento que ocurre como
una función lineal de un conjunto de variables independientes. Frecuentemente
los datos exhiben una distribución de Poisson y se
modelan normalmente usando la regresión del Poisson Peñuela,
(2013).
Los
modelos lineales logarítmicos aproximan las distribuciones de probabilidad
multidimensionales discretas, y pueden usarse para estimar el valor de
probabilidad asociado con los datos de las células cúbicas. Por ejemplo,
suponiendo que se tienen los datos para los atributos ciudad, artículo, año y
ventas. En el método logarítmico lineal, todos los atributos deben ser
categorías; por lo que los atributos estimados continuos deben ser previamente discretizados.
Algunas
de las propiedades de la regresión lineal para tener en cuenta al momento de la
implementación son:
Admite
atributos numéricos y nominales. Los nominales con k valores se convierten en k-1
atributos binarios.
La
clase debe ser numérica.
Se
permite pesar cada ejemplo
En
la técnica de regresión lineal la filosofía de funcionamiento es diferente. En
este caso, se trata de predecir el valor numérico de cada uno de los atributos
de los datos de entrada. El algoritmo de regresión lineal implementado por WEKA
es muy sencillo; las reglas consisten en funciones lineales de los atributos.
Así, en nuestro caso, para predecir el valor de puntos por minuto de un
determinado dato de entrada, el algoritmo establece una función lineal del
resto de atributos (número de asistencias por minuto, altura, tiempo jugado,
edad). De esta forma, al aplicar un dato a la función, se toman los valores de
estos atributos, se aplican a la función lineal y se obtiene el número de
puntos por minuto estimado Molina y Gracia (2012).
M5
En
cuanto a la implementación concreta que se lleva a cabo en esta herramienta,
cabe destacar lo siguiente:
Admite
atributos simbólicos y numéricos; la clase debe ser, por supuesto, numérica.
Para
la generación de las regresiones lineales se emplea la clase que implementa la
regresión lineal múltiple en WEKA.
El
número mínimo de ejemplos que deben clasificarse a través de un nodo para
seguir dividiendo dicho nodo, definido en la constante SPLIT_NUM es 3.5,
mientras la otra condición de parada, que es la desviación típica de las clases
en el nodo respecto a la desviación típica de todas las clases del conjunto de
entrenamiento, está fijada en 0.05.
No
puede manejar instancias ponderadas por pesos.
No
puede ser actualizado de forma incremental (soportar añadir nuevos datos sin
reclasificar a los anteriores).
Cuando
se encuentra con un valor de atributo no determinado, M5’ reemplaza dicho hueco
por la media global o la moda del conjunto de datos de entrenamiento antes de
que se construyera el árbol. Permite diferentes tipos de salida: árbol modelo,
árbol de decisión sin modelos lineales en las hojas y regresión lineal.
Presenta un proceso automático de suavizado que puede ser deshabilitado y
también se puede controlar la profundidad del podado, así como la cantidad de
información.
2. Materiales y
métodos
Se presentará a continuación de
forma concisa las técnicas metodológicas que se empleará para el análisis de
datos por medio de la herramienta de minería de datos WEKA; como software de
gratis reparto hecho en Java. Está hecho por una serie de paquetes de código
abierto con diferentes metodologías de pre- procesado, ordenación,
agrupamiento, asociación, y representación, así como posibilidades para su
desarrollo y análisis cuando son aplicadas a la información de entrada
seleccionados. Estos paquetes pueden ser integrados en cualquier proyecto de
análisis de datos, e incluso pueden prorrogarse con distribuciones y
contribuciones de los usuarios que desarrollen nuevos algoritmos. Con objeto de
ayudar su uso por un mayor número de usuarios, WEKA además incluye una interfaz
gráfica de usuario para acceder y configurar las diferentes herramientas
integradas.
Los datos de entrada a la
herramienta, sobre los que operarán las técnicas implementadas, deben estar
codificados en un formato específico, denominado Attribute-Relation
File Format (extensión "arff"). La
herramienta permite cargar los datos en tres soportes: fichero de texto, acceso
a una base de datos y acceso a través de internet sobre una dirección URL de un
servidor web. Michalski, a. B. Baskin,
and k. A. Spackman, (1982).
Los atributos pueden ser
principalmente de dos tipos: numéricos de tipo real o entero (indicado con la
palabra real o integer tras el nombre del atributo),
y simbólicos, en cuyo caso se especifican los valores posibles.
Se usará una base de datos, que
fue tomada de Machine Learning Repository
L. C. Peñuela, (2013), la cual
consistió en un análisis químico sobre vinos. Se tomaron tres diferentes
cultivos a los cuales se les llevo un control de trece atributos:
·
Alcohol
·
Ácido
Málico
·
Cenizas
·
Alcalinidad
de cenizas de Magnesio
·
Fenoles
totales
·
Flavonoides
·
Fenoles
no flavonoides
·
Proantocianinas
·
Intensidad
de color
·
Matiz
·
OD280/OD315
de vinos diluidos
·
Prolina
Esta investigación se llevó a
cabo en una región de Italia.
Ejecución en WEKA
WEKA se reparte como un archivo
ejecutable comprimido de java (fichero "jar"),
que se convoca sobre la máquina virtual JVM. En las primeras impresiones de
WEKA se necesitaría la máquina virtual Java 1.2 para convocar la interfaz
gráfica, hecho con el paquete gráfico de Java Swing. En el caso de la última
versión, WEKA 3-6, es la que se ha usado para desarrollar esas notas, se
necesita Java 1.3 o mejorada. El instrumento se invoca desde el intérprete de
Java, cuando se utiliza un contexto windows, con una
ventana de comandos para invocar al intérprete Java sería necesario. Una vez
convocada, se muestra la ventana de ingreso a la interfaz gráfica (GUIChooser), la nos da cuatro posibilidades posibles de
trabajo: Simple CLI, Explorer, Experimenter, KnowledgeFlow L. C. Peñuela, (2013).
Es de anotar que en este
artículo se utilizara opción, Explorer. Una vez escogida, se abre una ventana
con 6 pestañas en la parte superior que contienen diferentes clases de
actuaciones, en etapas independientes, que se pueden hacer sobre la informacion (Preprocess, Clasify, Cluster, Associate, Select Attributes, Visualize). Además de
estas pestañas de escogencia, en la parte inferior de la ventana salen dos
componentes comunes. Uno es el botón de “Log”, que al usarlo muestra una ventana
textual donde se indica la dinámica de
todas las operaciones que se han conllevado
dentro del “Explorer”, sus tiempos de starting
y end, así como los avisos equívocos más usuales L.
C. Peñuela, (2013).
Algoritmos para usar en
WEKA
WEKA para Tabla de
decisiones
El algoritmo de tabla de
decisión implementado en el instrumento WEKA se encuentra en la clase weka.classifiers.DecisionTable.java.
Las posibildades de creacion
de que disponen son:
DisplayRules: Por defecto no se
muestran las reglas del clasificador, concretamente la tabla de decisión
construida.
MaxStale: Indica el número
máximo de conjuntos que intenta mejorar el algoritmo para encontrar una tabla
mejor sin haberla encontrado en los últimos n-1 subconjuntos.
CrossVal: Por defecto se evalúa
el sistema mediante el proceso leave-one-out. Si se
aumenta el valor 1 se realiza validación cruzada con n carpetas.
WEKA para Árbol de
decisiones (Decisión Stump)
La clase en la que se
implementa el algoritmo tocón de decisión en la herramienta WEKA es weka.classifers.DecisionStump.java.
Así, en WEKA se llama a este algoritmo tocón de decisión. No tiene opciones de
configuración, pero la implementación es muy completa, dado que admite tanto
atributos numéricos como simbólicos y clases de ambos tipos también. El árbol
de decisión tendrá tres ramas: una de ellas será para el caso de que el
atributo sea desconocido, y las otras dos serán para el caso de que el valor
del atributo del ejemplo de test sea igual a un valor concreto del atributo o
distinto a dicho valor, en caso de los atributos simbólicos, o que el valor del
ejemplo de test sea mayor o menor a un determinado valor en el caso de
atributos numéricos.
WEKA para Regresión
Lineal
Es en la clase weka.classifers.LinearRegression.java
L. C. Peñuela, (2013) en la que se hace
una la regresión lineal múltiple. Las
posibilidades que permite este algoritmo son:
AttributeSeleccionMethod (M5 method): Método de escogencia del atributo a borrar de la
regresión. Las opciones son M5 Method, Greedy y None.
Debug (False): Muestra el
proceso de construcción del ordenador
WEKA para M5
La clase en la que se
implementa el algoritmo M5 en la herramienta WEKA es weka.classifers.m5.M5Prime.java.
Molina and j. García, (2012 Las opciones que permite este algoritmo son:
ModelType: ayuda a escoger como
ejemplo a desarrollar entre un árbol de modelos, un árbol de regresión o una
regresión lineal.
UseUnsmoothed: muestra la
realización proceso de suavizado (False) o si no se realizará (True).
PruningFactor: determina el factor
de poda.
Verbosity: Sus posibles valores
son 0, 1 y 2, y permite definir las estadísticas que se mostrarán con el
ejemplo.
3.
Resultados
Tabla
1. Resultado de todos los datos y atributos ingresados a WEKA
La Tabla 1 nos muestra una similaridad entre los 13 atributos, por lo cual se
seleccionaron 4 de ellos que pertenecen a la rama de los químicos; se les tomo
a cada uno el error cuadrático medio (ver Tabla 2.). Mostrando que el atributo
de Fenoles totales aplicando el algoritmo de Regresión Lineal frente a los
otros algoritmos, es el que presenta un menor error cuadrático medio con un
valor de 0.1491
Tabla 2. Error cuadrático
medio para 4 algoritmos y 4 atributos
|
|
Error
cuadrático medio |
|||
|
Atributo |
Regresión
lineal |
M5 |
Arboles
de primer nivel |
Tablas
de decisión |
|
Alcohol |
0.2612 |
0.3007 |
0.6481 |
0.6203 |
|
Ácido Málico |
0.5244 |
0.3809 |
0.9003 |
0.8733 |
|
Magnesio |
80.153 |
65.649 |
12.4013 |
12.2049 |
|
Fenoles
totales |
0.1491 |
0.2139 |
0.3575 |
0.2976 |
Tabla 3. Coeficiente de
correlación para 4 algoritmos y 4 atributos
|
|
Coeficiente de
correlación |
|||
|
Atributo |
Regresión lineal |
M5 |
Arboles de primer
nivel |
Tablas de decisión |
|
Alcohol |
0.9465 |
0.9284 |
0.8196 |
0.879 |
|
Ácido Málico |
0.8823 |
0.9404 |
0.5992 |
0.6425 |
|
Magnesio |
0.8266 |
0.8886 |
0.589 |
0.6209 |
|
Fenoles totales |
0.971 |
0.9394 |
0.4918 |
0.5154 |
Teniendo en cuenta que los
Fenoles totales son los que presentan un menor error cuadrático medio y a su
vez el coeficiente de correlación más cercano a 1, se presenta a continuación
con detalle la aplicación de cada algoritmo para este atributo, los cuales
fueron de Clasificación mediante la opción Use training set.
Algoritmo “decision table” fenoles totales
=== Evaluation on training set
===
=== Summary
===
Correlation coefficient 0.879
Mean absolute error 0.2218
Root mean squared error 0.2976
Relative absolute error 41.3645 %
Root relative squared
error 47.6824 %
Total Number of Instances 178
Algoritmo “árbol de primer
nivel” fenoles totales:
=== Evaluation
on training set ===
=== Summary ===
Correlation coefficient 0.8196
Mean absolute error 0.2869
Root mean squared error 0.3575
Relative absolute error 53.4929 %
Root relative squared
error 57.2875 %
Total Number of Instances 178
Algoritmo “regresión lineal”
fenoles totales:
=== Evaluation
on training set ===
=== Summary ===
Correlation coefficient 0.971
Mean absolute error 0.1034
Root mean squared error 0.1491
Relative absolute error 19.29 %
Root relative squared
error 23.8913 %
Total Number of Instances 178
Algoritmo “M5”:
=== Evaluation
on training set ===
=== Summary ===
Correlation coefficient 0.9394
Mean absolute error 0.1597
Root mean squared error 0.2139
Relative absolute error 29.7775 %
Root relative squared
error 34.2687 %
Total Number of Instances 178
Si comparamos todos los errores
cuadráticos (los que se encuentran resaltados) se puede notar que el más
apropiado para tomar como referente y que tendrá menor incidencia en el cultivo
es el algoritmo de regresión lineal, debido a que tiene un menor valor, 0.149. Además,
cabe notar que el coeficiente de correlación (ver Tabla 3.) en relación a los
otros atributos es el más apropiado, debido a que su valor 0.971 es el más
cercano a 1, indicando que es óptimo y tiene una correlación positiva perfecta
la cual conlleva a una dependencia total entre los atributos, es decir cuando
una de ellas aumenta, los otros también lo hacen en proporción constante.
(Imagen 1).
Imagen 1. Regresión lineal para
Fenoles
4. Conclusiones
Al momento de tener una gran
cantidad de datos es recomendable hacer una agrupación de los atributos semejantes,
como en el caso de esto documento que se agruparon los químicos estando
comprendido por alcohol, ácido málico, magnesio y fenoles totales. De esta
forma se pueda garantizar un análisis de datos preciso generando resultados más
confiables al momento de tomar una decisión. Si se debe elegir entre alcohol,
ácido málico, magnesio y fenoles totales; para que sea el óptimo para la
cosecha y que a su vez afecte positivamente a los otros compuestos deben ser
los Fenoles totales.
Referencias
Bezerra (2009). f, wainer j, and v. D.
Aaalst, "anomaly detection using process mining. Lecture notes in business
information processing," vol. 29, p. 12, 2009.
C. M. Tomás,
(2011) "desarrollo y análisis de la utilización de algoritmos de minería
de datos para la búsqueda de anomalías y patrones secuenciales en minería de
procesos," pontificia universidad
catolica de chile escuela de ingenieria p. 167, 2011
García
martínez, (1997). "sistemas autónomos: aprendizaje automático," nueva librería, buenos aires, argentina, 1997.
García, (2012)"tecnicas
de minería de datos basadas en aprendizaje automatico."
José m. Molina
and j. "técnicas de minería de datos basadas en aprendizaje
automático," 2012.
Jeffrey w. (2010) , "data mining:
an overview," congressional
research service ˜ the library of congress, vol. 19
L. C. Peñuela,
(2013)."algoritmos para mineria
de datos con redes neuraonales " universidad
politécnica de madrid facultad de informática p. 170, 2013.
Magdalena, (2002) "algoritmos
tdidt aplicados a la mineria de datos inteligente," p. 358, 2002
Molina and j.
García, (2012). "técnicas de
minería de datos basadas en aprendizaje automático," 2012.
Peñuela, (2013) "algoritmos
para mineria de datos con redes neuraonales " universidad politécnica de madrid facultad de informática p. 170,
2013.
S. Michalski, a. B. Baskin, and k. A.
Spackman, (1982). a logic-based
approach to conceptual database analysis, sixth annual symposium on computer
applications on medical care," george
washington university, medical center, washington, dc, ee.uu., 1982.
S. Michalski and g. E. Tecuci, (2012). "machine learning: a
multistrategy approach," morgan
kauffinan, ee.uu, vol. Iv, 1994.microsoft, "data mining algorithms
(analysis services - data mining)," microsoft,
vol. 4, 2012. "tecnicas de minería de datos basadas en aprendizaje automatico.