Evaluación de Reglas de Asociación en Text Mining Utilizando ...

Como se aprecia en la figura 6, el Lattice de itemsets cerrados es un subconjunto del
lattice de itemsets de la figura 5, razón por lo cual, se dice que es un conjunto de menor orden
respecto lattice completo de itemsets.
La generación de las reglas de asociación con AClose se lleva a cabo por medio de las
siguientes etapas:
1) Encontrar todos los itemsets cerrados frecuentes (todos los itemsets que son cerrados
y tienen un support mayor o igual que el minsupport).
2) Derivar todos los itemsets frecuentes a partir de los itemsets cerrados frecuentes
descubiertos en la etapa 1.
3) Generar todas las reglas de asociación que se pueden derivar a partir de los itemsets
frecuentes que tienen un confidence mayor que el minconfidence.
El número de conjuntos cerrados frecuentes generados con Aclose es muy inferior al
número de conjuntos frecuentes que se generan con Apriori. Por lo tanto, la generación de
conjuntos cerrados frecuentes tiene un costo de cómputo menor que la generación de
conjuntos frecuentes. Al utilizar Lattice de Itemsets Cerrados para encontrar los itemsets
frecuentes se mejora la eficiencia del descubrimiento de reglas de asociación en comparación
con Apriori. Esto se debe al hecho que minimizando el espacio de búsqueda se logra reducir
tanto el número de accesos a la base de datos como la sobrecarga en la cpu al generar los
itemsets frecuentes.
Evaluación e Interpretación de los Patrones Descubiertos
La última etapa de un proceso de minería de textos (ver figura 1) corresponde a
evaluar e interpretar los patrones descubiertos, puesto que los sistemas de Minería de Textos
generalmente no son “accionables”, es decir, a partir de los patrones encontrados no pueden
tomar decisiones de manera automática. Estos requieren de expertos humanos que analicen el
conocimiento descubierto y los evalúen.
En esta etapa final del proceso de Minería de Textos, expertos humanos deben
interpretar el conocimiento descubierto, es decir, darles significado a los patrones que fueron
encontrados y descubrir las razones de su descubrimiento. En el conocimiento descubierto
existen patrones que son más interesantes que otros, razón por la cual, los expertos humanos
deben evaluar cuáles de ellos son los que le aportan conocimiento que le sean de utilidad en la
toma de decisiones. Esto es clave debido al hecho que se pueden generar demasiados patrones
irrelevantes.
En general, se espera que los sistemas de Minería de Textos generen conocimientos
que sean de utilidad a los expertos humanos. Algunos enfoques actuales [3, 4, 6, 7, 8] buscan
mejorar el proceso de evaluación del conocimiento descubierto antes de ser presentado a los
expertos humanos que toman decisiones. En estos enfoques, las reglas de asociación
descubiertas se evalúan con métricas que consideran aspectos más allá de los estadísticos
utilizados en las medidas tradicionales de support y confidence.
24