Quality measures for fuzzy predicates in conjunctive and disjunctive normal forms

Medidas de calidad para predicados difusos en forma normal conjuntiva y disyuntiva

La extracción de las reglas de asociación es una técnica de minería de datos muy popular, las cuales son utilizadas a menudo para identificar y representar dependencias entre atributos en bases de datos. Específicamente, las reglas de asociación difusas utilizan conceptos de conjuntos difusos y pueden ser vistas como un caso especial de predicados difusos. Muchas medidas de calidad han sido definidas para reglas de asociación difusa, pero todas consideran la estructura específica de reglas: antecedente y consecuente.

En el caso general de predicados difusos en forma normal (conjuntiva o disyuntiva), es necesario definir diferentes medidas de calidad que no estén en función de antecedente y consecuente, puesto que la única medida disponible para ello, es el valor de verdad para predicados difusos (FPTV) y tiene serias limitaciones. La evaluación de un predicado difuso en forma normal, a través de medidas adecuadas de calidad no ha sido todavía claramente definida por otros autores. Por esa razón, en este trabajo se proponen varias medidas de calidad para los predicados difusos, en formas normal conjuntiva o disyuntiva. Los experimentos demuestran el uso que se le puede dar a las métricas propuestas y permiten llegar a conclusiones generales de cada una de ellas.

Introducción

El descubrimiento de conocimiento, cuyo objetivo es obtener conocimiento útil a partir de los datos, se reconoce como una necesidad básica. La teoría de los conjuntos difusos puede sin duda ayudar en el proceso de extracción de datos para alcanzar este objetivo. Los conjuntos difusos manejan los valores numéricos mejor que los métodos existentes, ya que los conjuntos difusos suavizan el efecto de los límites nítidos (Zadeh, 1965; Fayyad, Piatetsky-Shapiro y Smyth, 1996; Duarte, 1999; Han y Kamber, 2006; Venugopal, Srinivasa y Patnaik, 2009).

Muchas técnicas utilizadas en los conjuntos de datos tienen su correspondiente "versión difusa". Por ejemplo, las reglas de asociación difusas descritas por el lenguaje natural se adaptan bien a la comprensión humana y ayudan a aumentar la flexibilidad para apoyar a los usuarios en la toma de decisiones (Delgado, Marín, Sánchez & Vila, 2003). El clustering difuso generalmente proporciona una partición más adecuada de un conjunto de objetos que el clustering clásico (Han & Kamber, 2006).

El descubrimiento de predicados difusos en forma normal conjuntiva (CNF) y disyuntiva (DNF) proporciona una forma general conveniente y eficaz de identificar y representar ciertas dependencias entre elementos en las transacciones difusas (Ceruto, Lapeira, Rosete & Espin, 2013).