Resumen

En un proceso de minería de datos, la detección de valores atípicos tiene como objetivo utilizar la alta marginalidad de estos elementos para identificarlos mediante la medición de su grado de desviación de patrones representativos, lo que produce conocimiento relevante. Mientras que la teoría de conjuntos aproximados (RS, por sus siglas en inglés) se ha aplicado al campo del descubrimiento de conocimiento en bases de datos (KDD) desde su formulación en la década de 1980; en años recientes, la detección de valores atípicos ha sido cada vez más considerada como un proceso de KDD con su propia utilidad. La aplicación de la teoría de RS como base para caracterizar y detectar valores atípicos es un enfoque novedoso con gran relevancia teórica y aplicabilidad práctica. Sin embargo, desarrollar algoritmos cuya complejidad espacial y temporal permita su aplicación a escenarios realistas que involucren grandes cantidades de datos y requieran respuestas muy rápidas resulta difícil. Este estudio presenta un marco teórico basado en una

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Minería de datos; Detección de valores atípicos; Conjuntos aproximados; Descubrimiento de conocimiento; Bases de datos; Algoritmos
• Keywords:Data mining; Outlier detection; Rough sets; Knowledge discovery; Databases; Algorithms