Implementação e estudo de métricas de significância em regras de associações para base de dados transacionais

A maior parte das empresas utiliza sistemas computação para apoiar suas atividades e com o passar do tempo fica acumulado uma grande massa de dados em suas bases de dados. Esses dados representam o histórico dessas atividades e possuem implicitamente uma variedade de informações ocultas relevantes para essas entidades. Mas como revelar essas informações? Uma das ferramentas de mineração de dados utilizadas para esse propósito são as regras de associação. Com o passar do tempo a quantidade de dados acumulados crescem exponencialmente o que torna necessário uma evolução contínua dos processos de mineração para torná-lo cada vez mais eficiente. Ao longo desse processo de evolução um dos estudos que se encontra na literatura com esse propósito é o desenvolvimento de métricas de associação. O objetivo deste trabalho é realizar um estudo sobre métricas de associação, descrevendo suas propriedades e características, implementando um grupo de métricas na linguagem de programação PYTHON para posteriormente elaborar uma análise inicial de similaridade entre elas através da “correlação de Pearson” e então agrupá-las em clusters de acordo com sua similaridade de comportamentosMost companies use computing systems to support their activities and over time a large mass of data accumulates in their databases. This data represents the history of these activities and implicitly has a variety of hidden information relevant to these entities. But how to reveal this information? One of the data mining tools used for this purpose is association rules. Over time the amount of accumulated data grows exponentially which necessitates a continual evolution of mining processes to make it increasingly efficient. Throughout this process of evolution one of the studies in the literature for this purpose is the development of association metrics. The aim of this paper is to conduct a study on association metrics, describing their properties and characteristics, implementing a group of metrics in the PYTHON programming language to further elaborate an initial similarity analysis between them using the “Pearson correlation” and then grouping them together. there in clusters according to their similarity of behaviors83 p