Algoritmos evolutivos para la extracción de reglas de asociación cuantitativas

  1. Martín Rodríguez, Diana
Dirigida por:
  1. Francisco Herrera Triguero Director
  2. Jesús Alcalá Fernández Director

Universidad de defensa: Universidad de Granada

Fecha de defensa: 25 de junio de 2014

Tribunal:
  1. José Cristobal Riquelme Santos Presidente/a
  2. Rafael Alcalá Fernández Secretario
  3. Sebastián Ventura Soto Vocal
  4. Chris Cornelis Vocal
  5. María José del Jesús Díaz Vocal
Departamento:
  1. CIENCIAS DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

Tipo: Tesis

Resumen

El contenido de esta tesis trata sobre los algoritmos evolutivos para la obtención de reglas de asociación cuantitativas positivas y negativas con mejores propiedades de calidad y diversidad en el conjunto de reglas obtenido. En una fase inicial se estudia el diseño de algoritmos multi-objetivos para la extracción de reglas de asociación que integre distintas medidas de calidad. En segundo lugar se aborda el problema de obtener un conjunto de reglas de asociación de alta diversidad apoyándonos en los algoritmos genéticos basados en nichos. Los objetivos llevados a cabo fueron: 1. Diseñar una variante evolutiva multi-objetivo para la extracción de reglas de asociación cuantitativas positivas que integre distintas medidas de calidad de las reglas. 2. Diseñar un enfoque evolutivo multi-objetivo para extraer un conjunto reducido de reglas de asociación cuantitativas positivas y negativas de buena calidad y con un alto cubrimiento de la base de datos. 3. Mejorar la diversidad de las reglas obtenidas mediante el diseño de un algoritmo genético basado en nichos. Para llevar a cabo estos objetivos se han desarrollado diferentes algoritmos evolutivos para obtener reglas de asociación con una alta calidad y diversidad en el conjunto de reglas obtenido. Primero, se presenta el método QAR-CIP-NSGA-II, un nuevo modelo evolutivo multi-objetivo para extraer reglas de asociación con un buen equilibrio entre las diferentes medidas de interés y el cubrimiento de la base de datos. Esta propuesta permite obtener conjuntos de reglas muy específicas con valores muy altos para las medidas de interés, proporcionando al usuario reglas de muy alta calidad. Por otro lado, se ha propuesto MOPNAR, un nuevo modelo evolutivo basado en el algoritmo evolutivo multi-objetivo MOEA/D-DE, que resulta muy útil para obtener conjuntos más reducidos de reglas a partir de extraer reglas de asociación positivas y negativas, que aportan información interesante sobre toda la base de datos. MOPNAR alcanza los mejores valores de cubrimiento de las base de datos. Por último, se ha presentado NIGAR, un nuevo algoritmo genético basado en nichos para obtener un conjunto muy diverso de reglas de asociación con buena calidad y cubrimiento de la BD, evitando la obtención de reglas redundantes que proporcionen información similar sobre la base de datos. Destacar que los tres métodos evolutivos permiten obtener reglas de asociación interesantes, por lo que su uso depender a de las necesidades específicas de cada usuario. Los usuarios podrán basar su selección en las potencialidades que cada uno ofrece.