UNIVERSIDAD LAICA ELOY ALFARO DE MANABÍ

FACULTAD DE CIENCIAS INFORMATICAS

TEMA:
DATA MINING – NO SUPERVISADO

MATERIA:
INTELIGENCIA DE NEGOCIOS

ESTUDIANTE:
GÓMEZ CEDEÑO CARLOS ALFREDO

CURSO:
NOVENO “A”

DOCENTE:
ING. FABRICIO RIVADENEIRA

PERIODO ACADEMICO
2021(2)

FECHA:
15/12/2021

TRABAJO AUTÓNOMO 5
INTRODUCCION

La cantidad de algoritmos que se utilizan en minería de datos son enormes y corremos el

riesgo de perdernos en un mar de siglas que inicialmente no aportan más que confusión.
Una buena forma de aproximarnos será organizarlos en función del tipo de aprendizaje
que utilizan: supervisado y no supervisado.

Los métodos no supervisados (unsupervised methods) son algoritmos que basan su

proceso de entrenamiento en un juego de datos sin etiquetas o clases previamente
definidas. Es decir, a priori no se conoce ningún valor objetivo o de clase, ya sea
categórico o numérico. El aprendizaje no supervisado está dedicado a las tareas de
agrupamiento, también llamadas clustering o segmentación, donde su objetivo es
encontrar grupos similares en el conjunto de datos.

DESARROLLO

Reglas de Asociación

Las reglas de asociación son declaraciones de “if-then”, que ayudan a mostrar la

probabilidad de las relaciones entre los elementos de datos, dentro de grandes conjuntos
de datos en diversos tipos de bases de datos. La minería de reglas de asociación tiene
varias aplicaciones y se utiliza ampliamente para ayudar a descubrir correlaciones de
ventas en datos de transacciones o en conjuntos de datos médicos.

Como funciona las reglas de asociación

Las reglas de asociación, a un nivel básico, implica el uso de modelos de Machine

Learning para analizar los datos en busca de patrones, o coocurrencias, en una base de
datos. Identifica las asociaciones frecuentes, que a su vez son las reglas de asociación.

Una regla de asociación tiene dos partes:

• Un antecedente (si) y
• Un consecuente (entonces)

Un antecedente es un elemento que se encuentra dentro de los datos. Un consecuente es

un elemento que se encuentra en combinación con el antecedente.

Las reglas de asociación se calculan a partir de conjuntos de elementos, que se componen

de dos o más elementos. Si las reglas se construyen a partir del análisis de todos los
conjuntos de elementos posibles, podría haber tantas reglas que éstas tendrían poco

1
significado. Con eso, las reglas de asociación se crean típicamente a partir de reglas bien
representadas en los datos.

Algoritmos de reglas de asociación

Algoritmo Apriori

El algoritmo de Apriori aprovecha el hecho de que cualquier subconjunto de un conjunto

de ítems frecuente es también un conjunto de ítems frecuente. Por lo tanto, el algoritmo
puede reducir el número de candidatos que se están considerando explorando solo los
conjuntos de elementos cuyo número de apoyos es mayor que el número mínimo de
apoyos. Todos los conjuntos de elementos infrecuentes pueden ser podados si tienen un
subconjunto infrecuente.

Algoritmo Eclat

El algoritmo explora el conjunto de datos y encuentra conjuntos de elementos que se

producen con mayor frecuencia en la transacción que un umbral determinado.

Algoritmo AIS

Con el algoritmo AIS, se generan y cuentan conjuntos de elementos a medida que escanea
los datos. En los datos de transacción, el algoritmo AIS determina qué grandes conjuntos
de elementos contenías una transacción, y se crean nuevos conjuntos de elementos
candidatos ampliando los grandes conjuntos de elementos con otros elementos de los
datos de transacción.

Algoritmo SETM

El algoritmo SETM también genera conjuntos de elementos candidatos a medida que

explora una base de datos, pero este algoritmo da cuenta de los conjuntos de elementos
al final de su exploración. Los nuevos conjuntos de elementos candidatos se generan de
la misma manera que con el algoritmo AIS, pero el ID de la transacción generada se
guarda con el conjunto de elementos candidatos en una estructura de datos secuencial.
Al final de la pasada, el recuento de soporte de los ítems candidatos se crea agregando la
estructura secuencial.

Ejemplo cesta de la compra

Supóngase que se dispone del registro de todas las compras que se han realizado en un
supermercado. El objetivo del análisis es identificar productos que tiendan a comprarse
de forma conjunta para así poder situarlos en posiciones cercanas dentro de la tienda y
maximizar la probabilidad de que los clientes compren.

2
Para este ejemplo se emplea el set de datos Groceries del paquete arules, que contiene
un registro de todas las ventas realizadas por un supermercado durante 30 días. En total
se dispone de 9835 transacciones formadas por combinaciones de 169 productos. El
objeto Groceries almacena la información en un formato propio de este paquete
(descrito más adelante). Para representar mejor lo que suele ocurrir en la práctica, se ha
reestructurado la información en formato de tabla

Cada línea del archivo contiene la información de un item y el identificador de la

transacción (compra) a la que pertenece.

Para extraer el tamaño de cada transacción se emplea la función size ().

3
CONCLUSION

La minería de reglas de asociación se emplea para descubrir patrones de objetos o

atributos que suelen ocurrir juntos, a partir del estudio de bases de datos
transaccionales.

BIBLIOGRAFIA

Palma, C. (2012). Data mining: el arte de anticipar. RIL editores.

https://elibro.net/es/lc/uleam/titulos/68105

Barcos Redín, L., & Lozano Colomer, C. (2019). Machine Learning III: Aprendizaje no
supervisado y Análisis de Redes/Machine Learning III: Unsupervised Learning
Techniques and Network Analysis.

https://aprendeia.com/reglas-de-asociacion/

https://www.cienciadedatos.net/documentos/43_reglas_de_asociacion

https://healthdataminer.com/data-mining/aprendizaje-supervisado-y-no-
supervisado/