METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...

More documents

Recommendations

Info

Para cada conjunto neste grupo, o CARMA gera um limite determinístico superior einferior para seu suporte. Como a cada transação processada as regras de associação sãomostradas ao usuário, juntamente com os limites de suporte e confiança, ele podeajustar o valor mínimo destas medidas a qualquer momento. Com isso, o usuário podeantecipar a parada do processo de mineração das regras. Na segunda busca, o algoritmodetermina o valor preciso de suporte de cada conjunto contido no grupo e remove todosos conjuntos pequenos de itens.Para a execução deste nó (“Sequence”), é necessário definir os campos a seremutilizados pelo modelo. Isso se faz através da interface mostrada na Figura 5.3, ondetambém são informados se a variável de identificação está ordenada e se será utilizadoum indicador de tempo do evento.Figura 5.3 – Configuração do nó “Sequence”Após a definição dos campos que serão utilizados no modelo, o nó permite que sejamconfigurados alguns parâmetros básicos e outros mais avançados da construção domesmo. Na Figura 5.4 são mostradas as opções básicas, que são o suporte mínimo,74
confiança mínima, tamanho máximo de seqüência e o número de regras que devem serutilizadas pelo modelo na predição.Figura 5.4 – Opções básicas do nó “Sequence”As opções avançadas, mostradas na Figura 5.5, permitem que sejam configurados osseguintes parâmetros:• Duração máxima: as seqüências serão limitadas se sua duração (tempo entre oprimeiro e o último item do conjunto) for menor que o valor especificado;• Valor de poda: o algoritmo CARMA periodicamente remove os conjuntos deitens não freqüentes de sua lista de conjuntos potenciais que estão sendoprocessados em memória. Esta opção determina a freqüência de poda. Um valorespecificado pequeno diminui a quantidade de memória exigida pelo algoritmomas aumenta o tempo de treinamento requerido. Ao contrário, um valor grandeacelera o treinamento mas aumenta a memória exigida;75
Page 1 and 2:
METODOLOGIA DE MINERAÇÃO DE DADOS
Page 4 and 5:
AgradecimentosAo Prof. Nelson, por
Page 6 and 7:
Abstract of Thesis presented to COP
Page 8 and 9:
4.2 Nova abordagem ................
Page 10 and 11:
Índice de figurasFigura 1.1 - Tipo
Page 12 and 13:
Figura 6.32 - Estatísticas dos int
Page 14 and 15:
Índice de tabelasTabela 1.1 - Defi
Page 16 and 17:
& KOWALCZYK, 2005, SPILIOPOULOU et
Page 18 and 19:
• Os dados de perfil de usuário
Page 20 and 21:
LIU et al. (2002) onde, através de
Page 22 and 23:
1.5 Termos e definiçõesNa estrutu
Page 24 and 25:
No capítulo 3 são apresentadas as
Page 26 and 27:
Figura 2.1 - Diagrama simplificado
Page 28 and 29:
BRANDMAN et al. (1999) fazem um est
Page 30 and 31:
Conteúdo Campo Definiçãoshasta04
Page 32 and 33:
Esta fase de pré-processamento, ju
Page 34 and 35:
owser dos usuários e têm a funç
Page 36 and 37:
2.3.2 Descobrimento de padrõesUma
Page 38 and 39: • A => C (suporte = 50%, confian
Page 40 and 41: 2.3.2.4 ClassificaçãoUma tarefa d
Page 42 and 43: 2.5 FerramentasAs ferramentas 3 par
Page 44 and 45: pacote quanto de serviço. Seus pre
Page 46 and 47: O projeto WebSIFT (Web Site Informa
Page 48 and 49: as associações existentes entre p
Page 50 and 51: às propriedades específicas do we
Page 52 and 53: Capítulo 3ComportamentoO comportam
Page 54 and 55: • usar procedimentos objetivos na
Page 56 and 57: 3.1.1 Behaviorismo RadicalNenhum pe
Page 58 and 59: organismo não é nem gerente nem i
Page 60 and 61: Neste diagrama, o S D indica o est
Page 62 and 63: Todos estes processos são respons
Page 64 and 65: científica dos séculos 16 e 17, a
Page 66 and 67: (software) e o cérebro um meio fí
Page 68 and 69: No caso da web, esta usabilidade en
Page 70 and 71: Capítulo 4MetodologiaQuando se tra
Page 72 and 73: Além disso, TANASA (2005) enumera
Page 74 and 75: 4.2 Nova abordagemPara que a técni
Page 76 and 77: Web Usage Mining não se preocupam
Page 78 and 79: propósito distinto para cada usuá
Page 80 and 81: Apesar dos padrões encontrados pos
Page 82 and 83: Capítulo 5ValidaçãoPara validar
Page 84 and 85: 5.1 Pré-processamentoPara o tratam
Page 86 and 87: 10. Associacao_uri_stem.py: avalia
Page 90 and 91: • Seqüência máxima em memória
Page 92 and 93: Capítulo 6Estudo de caso 1O primei
Page 94 and 95: 6.1 Características dos acessosCom
Page 96 and 97: Figura 6.4 - Atividades por dia da
Page 98 and 99: Utilizando o critério de time-out
Page 100 and 101: Figura 6.6 - Histograma do tamanho
Page 102 and 103: Figura 6.9 - Histograma de tempo en
Page 104 and 105: Ordem Página Qtde1 /2004/index.sht
Page 106 and 107: Figura 6.11 - Resultado do cálculo
Page 108 and 109: Figura 6.13 - Regras obtidasAs pág
Page 110 and 111: classificar e rotular os grupos de
Page 112 and 113: Para a análise dos intervalos (qua
Page 114 and 115: Este caso é um exemplo de bom func
Page 116 and 117: Também faz parte deste detalhament
Page 118 and 119: Este é um exemplo onde as duas pá
Page 120 and 121: As estatísticas do tempo total de
Page 122 and 123: com o especialista, como este tempo
Page 124 and 125: As estatísticas do tempo total de
Page 126 and 127: Apesar da confiança baixa (16%), e
Page 128 and 129: Na Figura 6.30 estão apresentadas
Page 130 and 131: As estatísticas mostradas na Figur
Page 133 and 134: 6.12 Outras hipótesesAlém das hip
Page 135 and 136: Capítulo 7Estudo de caso 2O segund
Page 137 and 138: Figura 7.2 - Página principal em p
Page 139 and 140:
Figura 7.5 - Acessos por hora do di
Page 141 and 142:
Na Tabela 7.1 são mostradas a quan
Page 143 and 144:
Figura 7.9 - Histograma de tempo en
Page 145 and 146:
A página de tarifas, escolhida com
Page 147 and 148:
Página/hotelbucsky/tarifa.htm/hote
Page 149 and 150:
7.6 Detalhamento dos padrõesDescob
Page 151 and 152:
Nesta regra, conforme mostrado na F
Page 153 and 154:
Ainda referente à regra R1, també
Page 155 and 156:
Suporte=18%63%24Probabilidadedestas
Page 157 and 158:
Mediana = 58Figura 7.18 - Histogram
Page 159 and 160:
7.9 Análise da regra R3Na Figura 7
Page 161 and 162:
Page 163 and 164:
Suporte=53%53%Probabilidadedesta p
Page 165 and 166:
Page 167 and 168:
• As páginas do site parecem est
Page 169 and 170:
adequadas ao negócio, surjam hipó
Page 171 and 172:
• Estudar a utilização de tempo
Page 173 and 174:
Referências bibliográficasAGRAWAL
Page 175 and 176:
COOLEY, R., MOBASHER, B., SRIVASTAV
Page 177 and 178:
FRIAS-MARTINEZ, E., KARAMCHETI, V.,
Page 179 and 180:
LIU, B., ZHAO, K., YI, L., 2002,
Page 181 and 182:
PERKOWITZ, M., ETZIONI, O., 1997,
Page 183 and 184:
SRIKANT, R., AGRAWAL, R., 1996, “
Page 185 and 186:
Apêndice AReferências de ferramen
Page 187 and 188:
Seleciona_log.py (emagrecendo.com.b
Page 189 and 190:
Seleciona_log.py (hotelbucsky.com.b
Page 191 and 192:
Gera_robots_distintos.pyimport stri
Page 193 and 194:
Elimina_navegacao_robots.py 6import
Page 195 and 196:
Gera_navegacao_total_memoria.pyimpo
Page 197 and 198:
Gera_uri_stem_distintos.pyimport st
Page 199 and 200:
Checa_uri_stem_valido.py 7import st
Page 201 and 202:
i = (j * 3) + 3d2 = string.splitfie
Page 203 and 204:
entrada = open(arqin)for line in en
Page 205 and 206:
h2 = string.splitfields(rec[k+1], '
Page 207 and 208:
for j in range(0,10-len(rec[2])):re
Page 209 and 210:
Conta_uri_stem_sessao_transposta.py
Page 211 and 212:
Tempo_associacao.py 8import stringi
Page 213 and 214:
Intervalo_associacao.pyimport strin
Page 215 and 216:
print ' 'else:print 'Arquivo ' + ar
Page 217 and 218:
Figura C.1 - Página “/2004/bal_v
Page 219 and 220:
Figura C.3 - Página “/2004/rec_e
Page 221 and 222:
Apêndice DPáginas do hotelbucsky.
Page 223 and 224:
Figura D.2 - Página “/hotelbucsk
Page 225 and 226:
Figura D.4a - Página “/hotelbucs
Page 227 and 228:
Figura D.4c - Página “/hotelbucs
Page 229:
Figura D.5 - Página “/hotelbucsk
show all

METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...