Métodos Relacionales Y Estructurales

Introducción El siguiente trabajo tiene como objetivos exponer algunos métodos o técnicas Relacionales y Estructurales para extraer conocimientos de DataWare house utilizadas para extraer conocimiento de DataWare House. Lo que se pretende es investigar acerca de algunas técnicas que nos permiten dar solución a las necesidades de minería de datos. Es importante mencionar que a pesar de que unamisma técnica puede ser utilizada para llevar a cabo diferentes tareas de minería el conocer las diferentes técnicas nos va permitir seleccionar lasque nos permita solventar nuestra necesidad de una forma más conveniente y eficaz.

Desarrollo Métodos Relacionales y Estructurales

1. Técnicas Algebraicas y estadísticas:

Se basa en expresar modelos patrones y patrones en mediante formulasalgebraicas, funciones lineales, funciones no lineales, distribuciones o valores estadísticos como media, varianza, correlación entre otros. Generalmente estas técnicas obtienen un patrón a partir de un modelo ya determinado del que se estiman unos coeficientes o parámetros, a eso se debe el nombre de de técnicas paramétricas. Algunos de los algoritmos más conocidos son:

a. Regresión lineal(Globalo local): Es la más utilizada para formar relaciones entre datos. Rápida y eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse más de 2 variables b. Regresión Logarítmica c. Regresión Logística Estas técnicas son muy eficientes disponibles en muchas herramientas y fáciles de comprender. Las técnicas no paramétricas son más expresivas aunque suelen perder lacomprensibilidad debido a la utilización de núcleos y aproximaciones locales y suelen ser ineficientes para grandes volúmenes de datos. La técnicas parametricas y no paramétricas trabajan de mejor manera con datos numéricos

2. Técnicas Bayesianas:

Se basan en determinar probabilidades de pertenencia, mediante la estimación de las probabilidades condicionales inversas o a priori utilizando el teoremade Bayes. Las redes Bayesianas generalizan las topologías de las interacciones probabilísticas entre variables y permiten representar gráficamente dichas interacciones Algunos algoritmos utilizados son: a. El clasificador bayesiano naive. b. Los métodos basados en máxima verisimilitud c. El algoritmo EM

Estas técnicas son muy fáciles de usar y eficientes, pueden usar muchos atributos son muyrobustas al ruido, la expresividad es limitada y dependen de la discretización, son estables a la muestra. No construyen modelos solo estiman una serie de probabilidades.

3. Técnicas basadas den conteos de frecuencias y tablas de contingencias: Se basan en contar frecuencias en que dos o más sucesos se presentan conjuntamente. Cuando el conjunto de sucesos posibles es muy grande, existenalgoritmos que van comenzando por pares de sucesos e incrementando los conjuntos solo en aquellos casos que las frecuencias conjuntas superan cierto umbral comopor ejemplo el algoritmo “Apriori”

4. Técnicas basadas en arboles de decisión y sistemas de aprendizaje de reglas: Son técnicas que se representan en forma de reglas y se basan en dos tipos de de algoritmos: a. Los divide y vencerás: ID3/C4.5 oel CART, b. Algoritmos Separa y venceras como el CN2 Son una de las estrellas de la minería de datos, fáciles de usar, admiten atributos discretos y continuos, tratan bien los atributos no significativos os valores faltantes y el ruido. Son bastante eficientes y obtienen resultados para clasificación bastante buenos. Uno de las limitantes es su limitada expresividad y que son inestables antevariaciones de la muestra.

5. Técnicas relacionales, declarativas y estructurales Estas técnicas representan los modelos mediante lenguajes declarativos, como lenguajes lógicos, funcionales o lógico-funcionales, La técnicas ILP(Programación lógica inductiva) son las más representativas y las que han dado nombre a un conjunto de técnicas denominadas minería de datos relacionales. Son muy expresivas...