SVN-438

Minería de datos utilizando técnicas de Soft Computing

El objetivo fundamental de esta línea es establecer nuevas técnicas de minería de datos utilizando Conjuntos y Lógica Difusos partiendo de datos que pueden ser imprecisos e inciertos y obteniendo un conocimiento cuya representación es más intuitiva y flexible. Concretamente hemos estudiado se estudiaron el Agrupamiento Difuso (Fuzzy Clustering) y la Clasificación Difusa. Con este enfoque se puede tratar con grupos en los que la pertenencia de un elemento a un grupo no es exacta, por ejemplo   el agrupar en distintos tipos  los clientes de un banco, o los votantes en unas elecciones se plantea de forma mucho más flexible (un cliente concreto puede ser de un tipo u otro con un grado de pertenencia, o un posible votante puede tener la intención de  votar a un partido u otro con un grado.)

También se ha abordado el problema de extracción de reglas de asociación difusas que nos permite tratar de forma flexible la asociación entre variables, como por ejemplo encontrar el grado de cumplimiento de afirmaciones tales como  “los enfermos de edad avanzada tienen un tiempo de hospitalización muy alto”. Los resultados referentes a este último punto se implementaron en FUZZYQUERIES2+ un cliente de consulta y extracción de conocimiento  para bases de datos difusas que ha sido ampliamente utilizado en las aplicaciones de esta línea.

Otro resultado importante de esta línea es la definición de un modelo de cubo de datos con dimensiones valuadas en conjuntos difusos y el desarrollo de algoritmos específicos para realizar OLAP con datos imprecisos sobre él. La implementación de estos resultados ha dado lugar a FCUBEFACTORY sistema ha sido registrado como propiedad intelectual.

Los resultados obtenidos dentro de esta línea se han aplicado a diversos ámbitos: en el campo de la medicina se han estudiado dependencias aproximadas y desarrollado cubos de datos específicos, la aplicación de estos resultados a historias clínicas ha dado lugar al sistema software registrado FAMILIMED. En agricultura se han obtenido mecanismos de predicción de rendimiento del olivar y en gestión comercial se han estudiado la predicción de fraude en tarjetas de crédito y la gestión de inventarios.

Form

Collaboration request

  • Full name.

  • Introduzca su correo electrónico

  • Write a contact phone.

  • Write your comments here.

  • aviso legal