Tesis/Trabajo de grado - Pregrado
Uso de la Metodología Rough Sets para la identificación de variables críticas influyentes en una base de datos
Fecha
2012-12-10Registro en:
CABRAL Jos´e E. -GONTIJO, Edgar M. Fraud Detection in Electrical Energy Consumers Using Rough Sets. IEEE International Conference on Systems, Man and Cybernetics 2004. P´ags. 3626-3629.
DE LA GARZA, Jorge An´alisis de la informaci´on mercadol´ogica: a trav´es de la estad´¿stica multivariante. M´exico: editorial alambra mexicana. 1995. pag.29
GRECO, Salvatore - MATARAZZO, Benedetto - SLOWINSKI, Roman. Rough sets theory for multicriteria decision analysis. Elsevier. European Journal of opreations researc 129. 2001. P´ags. 1-47.
HERNANDEZ ORALLO,Jos´e - RAMIREZ QUINTANA, Ma.Jos´e FERRI,Cesar Introducci´on a la miner´¿a de datos.Madrid, Bogota:Pearson Prentice Hall. 2005.
LIPSCHUTZ, Seymour. Teor´¿a de conjuntos y temas a ¿nes. M´exico: McGraw-Hill. 1970.
NU¿NEZ, Reinaldo - SOLER, Francisco. Fundamentos de matem´aticas. Segunda edici´on. Bogot´a: Grupo editorial iberoam´erica. 1998
POLKOWSKI, Lech - TSUMOTO, Shusaku - Lin Tsau Y. Rough set methods and applications. New developments in knowledge discovery in information systems. Physica-Verlag. Germany. 2000.
REVETT, Kenneth et al. A Breast Cancer Diagnosis System: A Combined Approach Using Rough Sets and Probabilistic Neural Networks. IEEE EUROCON 2005. P´ags. 1124-1127.
ROSE2- B.Predki, R.Slowinski, J.Stefanowski, R.Susmaga, Sz.Wilk: ROSE - Software Implementation of the Rough Set Theory. In: L.Polkowski, A.Skowron, eds. Rough Sets and Current Trends in Computing, Lecture Notes in Arti¿cial Intelligence, vol. 1424. Springer-Verlag, Berlin (1998), 605-608.
ROSE2- B.Predki, Sz.Wilk:Rough Set Based Data Exploration Using ROSE System. In: Z.W.Ras, A.Skowron, eds. Foundations of Intelligent Systems, Lecture Notes in Arti¿cial Intelligence, vol. 1609. Springer-Verlag, Berlin (1999), 172-180.
SEGOVIA, M,J et al. Predicci´on de insolvencias con el M´etodo Rough Set. Universidad Complutense de Madrid. Madrid. 2003.
SWINIARSKI, Roman W. Rough sets methods in feature reduction and clasi¿cation. Int. J. Appl. Math. Compu. Csi., 2001, Vol.11, No.3, p´ags. 565-582.
88587
TE03842
Autor
Méndez Morales, Stephanie
Moreno Santiago, María Claudia
Institución
Resumen
La minería de datos provee herramientas que permiten extraer conocimiento útil, a partir de las bases de datos existentes. La metodología Rough Set es una de estas herramientas, que a través del análisis de la vaguedad en la descripción de objetos, genera un modelo sencillo y rápido para interpretar decisiones, sin la ayuda de expertos: especialmente para aquellos casos en que la solución óptima no es evidente a simple vista y los datos son indiscernibles entre si. Este proyecto pretende mostrar la utilidad de esta herramienta, en la identificación de variables críticas influyentes en una base de datos; específicamente, muestra su aplicación en la información sobre deserción académica en la Facultad de Ingeniería de La Universidad de la Sabana.