K- medias axial en el análisis de canastas de productos
El análisis de canastas de productos, generalmente se hace mediante el uso de reglas de asociación que dependiendo del tipo de datos de que se disponga, pueden ser binarias, lineales, secuenciales, etc. El algoritmo a priori para generar reglas de asociación brinda buena información para el análisis...
- Autores:
-
Tenjo Morales, Ana Isabel
- Tipo de recurso:
- Fecha de publicación:
- 2011
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/8627
- Palabra clave:
- 51 Matemáticas / Mathematics
Análisis de canastas de productos
K-medias axial
Reglas de asociación
Algoritmo apriori / Analysis of product baskets
Axial K-means
Association rules
Apriori algorithm
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | El análisis de canastas de productos, generalmente se hace mediante el uso de reglas de asociación que dependiendo del tipo de datos de que se disponga, pueden ser binarias, lineales, secuenciales, etc. El algoritmo a priori para generar reglas de asociación brinda buena información para el análisis de canastas, pero genera gran cantidad de reglas, presentando dificultades para los investigadores que necesitan identificar la información verdaderamente relevante para usarla en la toma de decisiones. Buscando superar estas deficiencias se han propuesto diversas técnicas entre las que están algunos métodos de clasificación que han mejorado los resultados pero que requieren de información adicional para su uso. Este trabajo presenta una metodología para el análisis de canastas de productos, mediante la aplicación del método de clasificación para análisis de datos textuales llamado K- medias axial- KMA; el cual permite clasificar las canastas por tipos de productos, y proporciona resultados que se pueden utilizar para mejorar el proceso de construcción de reglas de asociación binarias, sin necesidad de información adicional. Desde los resultados se puede concluir que el uso del KMA es una buena alternativa que mejora y facilita el análisis de canastas de productos / Abstract. The analysis of product baskets is generally made using association rules, depending on the available type of data which can be binary, linear, sequential, etc. Although the usual algorithm to generate association rules provide good information for the analysis of baskets, it generates too many rules which make difficult to identify the relevant information to use in the decision making process. To overcome these shortcomings different techniques have been proposed, among them there are some classification methods, which improve the results, but require additional information to be used. This paper presents a methodology for the analysis of product baskets by applying the method for classification of textual data analysis called axial K - means KMA, which allows us to sort the baskets by product and provides results that can be used to improve the construction process of binary association rules, without additional information. From the results can be concluded that the use of KMA is a good alternative to improve and ease the analysis of product baskets |
|---|