Teoria dos rough sets com mapas auto-organizáveis de kohonen na descoberta de conhecimento em bases de dados

Resumo

As bases de dados do mundo real contêm grande volume de dados, e entre eles estão escondidas relações interessantes que são realmente muito difíceis de descobrir. Assim, os Sistemas de Descoberta de Conhecimento em Bases de Dados (KDD – Knowledge Discovery in Databases) surgem como uma possível solução para descobrir essas relações com o objetivo de converter informação em conhecimento. No entanto, nem todos esses dados são úteis para o KDD. Em geral, são pré-processados antes de ser apresentados ao KDD, o que visa diminuir a quantidade e também selecionar os dados mais relevantes a serem utilizados pelo KDD. Este trabalho consiste na utilização da Teoria dos Rough Sets, a fim de pré-processar dados que foram apresentados a uma rede neural artificial do tipo Mapas Auto-Organizáveis de Kohonen ou Self-Organizing Maps (rede SOM), formando uma arquitetura híbrida. Os resultados experimentais indicaram um melhor desempenho da arquitetura híbrida em relação a uma rede neural artificial Mapas Auto-Organizáveis de Kohonem. O trabalho apresenta também todas as fases do processo de KDD.