Tema 7

Técnicas de Inteligencia Artificial

Tema 7. Reglas
Índice
Esquema

Ideas clave

7.1. ¿Cómo estudiar este tema?

7.2. Reglas de clasificación y reglas de asociación

7.3. Algoritmos de aprendizaje de reglas de clasificación

4.4. Algoritmos de aprendizaje de reglas de asociación

7.5. Aplicaciones y ejemplos de implementación

7.6. Referencias

A fondo

Aprendizaje de reglas de clasificación y asociación con la

herramienta Weka

La contribución de las reglas de asociación a la minería

de datos

Curva ROC

Talleres de aprendizaje estadístico

Test
 Esquema

Técnicas de Inteligencia Artificial 3

Tema 7. Esquema
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

7.1. ¿Cómo estudiar este tema?

Para estudiar este tema deberás leer las Ideas clave que se presentan a

continuación. Puedes completar el estudio visualizando la lección magistral,

revisando referencias y bibliografía, así como accediendo a los recursos adicionales

que se facilitan. Es muy recomendable ver la lección magistral antes de realizar las
actividades propuestas.

Al finalizar el estudio de este tema serás capaz de:

▸ Representar conocimiento mediante reglas de clasificación y de asociación.

▸ Aplicar algoritmos básicos de construcción de reglas para resolver problemas de

aprendizaje.

▸ Identificar aplicaciones prácticas de las técnicas de aprendizaje de reglas de

clasificación o asociación.

Técnicas de Inteligencia Artificial 4

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

7.2. Reglas de clasificación y reglas de asociación

La representación del conocimiento, junto con el razonamiento, son unos de los

aspectos más importantes de la inteligencia artificial. El objetivo principal de ambos

es la búsqueda de una representación de este conocimiento que facilite la inferencia

de nuevo conocimiento. Algunas de las características que una buena representación

del conocimiento debe cumplir son (Ruiz, 2016):

▸ Comprensible: fácil de entender por humanos, soportando modularidad y jerarquía

(por ejemplo, una Vespa es una moto, que a su vez en un vehículo).

▸ Eficiente: cumple con el objetivo perseguido utilizando el menor número de recursos

posibles.

▸ Adaptable: facilita la modificación y actualización del conocimiento.

▸ Consistente: capaz de gestionar y eliminar conocimiento redundante o conflictivo

(por ejemplo, «Juan ha comprado una barra de pan» y «la barra de pan ha sido
comprada por Juan» implicarían redundancia).

▸ Cobertura: cubre la información en anchura y en profundidad permitiendo resolver

conflictos y eliminar redundancias.

▸ Completitud: incluye toda la información necesaria.

Los sistemas de reglas son uno de los métodos más extendidos para representar

conocimiento. Algunas ventanas de los sistemas de reglas:

▸ Modularidad.

▸ El conocimiento puede ser ampliado y modificado.

▸ Fáciles de entender.

Técnicas de Inteligencia Artificial 5

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

▸ Separación entre control y conocimiento.

▸ Permiten explicar las decisiones.

De forma general, una representación del conocimiento en forma de reglas estará

formada por dos partes:

▸ Un antecedente que incluye las condiciones de aplicación del conocimiento.

▸ Un consecuente en el que se indica la conclusión, respuesta o acción que ha de

llevarse a cabo cuando se cumple el antecedente.

La sintaxis básica de una regla es:

SI <antecedente>
ENTONCES <consecuente>

Las reglas pueden presentar múltiples condiciones unidas por los operadores lógicos

AND (conjunción) y OR (disyunción). Asimismo, el consecuente puede presentar

múltiples conclusiones. De cualquier manera, es recomendable no mezclar en la

misma regla conjunciones y disyunciones.

Por ejemplo, la siguiente regla presenta únicamente conjunciones:

SI <antecedente 1>
AND <antecedente 2>
AND <antecedente 3>

ENTONCES <consecuente 1>

<consecuente 2>

Los antecedentes de una regla incorporan dos partes: un objeto y su valor, que

van asociados por un operador. Este operador puede ser matemático para dar un

valor numérico al objeto o puede ser lingüístico, con lo que se asigna un valor

lingüístico al objeto. Por ejemplo:

SI edad < 25

Técnicas de Inteligencia Artificial 6

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

AND “años con carné de conducir” < 2

AND “número de siniestros previos” > 0
ENTONCES “riesgo de siniestro” es alto

En el ejemplo anterior, los objetos en el antecedente son numéricos mientras que el

objeto del consecuente tiene un valor lingüístico. También se le puede asignar al

consecuente, valores numéricos e incluso expresiones aritméticas como, por

ejemplo:

SI “edad” < 25
AND “años con carné de conducir” < 2
AND “número de siniestros previos” > 0
ENTONCES “riesgo de siniestro” = “edad” * 1.5

La representación del conocimiento mediante reglas de clasificación es

una alternativa a los árboles de decisión. De hecho, la representación

mediante árboles de decisión se puede mapear a la representación

mediante reglas de clasificación y viceversa.

A veces, es interesante trasformar un árbol en un conjunto de reglas como, por

ejemplo, en los casos en que se tienen árboles grandes difíciles de interpretar. El

antecedente de la regla contiene una serie de restricciones de valores que han de

tener los atributos, mientras que el consecuente determina un valor de la clase.

En el árbol la serie de restricciones viene representada por las ramas mientras que el

consecuente corresponde a la hoja.

Mientras que las reglas de clasificación predicen la clase, las reglas

de asociación predicen valores de atributos, combinaciones de valores

de atributos, o la propia clase.

Dado que el consecuente de una regla de asociación puede contener cualquier

combinación de valores de atributos, la cantidad de reglas que habría que considerar

Técnicas de Inteligencia Artificial 7

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

es muy grande y, por tanto, algunas técnicas que se utilizan para obtener reglas de

clasificación no se pueden utilizar para inducir reglas de asociación. Se ha de aplicar,

por tanto, métodos que obtengan únicamente aquellas reglas de interés que se

apliquen a un número de ejemplos grande y sean precisas.

El interés de las reglas de asociación es descubrir combinaciones de

pares atributo-valor que ocurren con frecuencia en un conjunto de

datos.

¿En qué casos se puede querer descubrir este tipo de combinaciones? Por

ejemplo, en un comercio en línea puede ser muy interesante conocer los productos

que los clientes adquieren conjunta y habitualmente con el fin de identificar clientes

con patrones de compra similares y así poder predecir posibles compras futuras de

estos clientes y realizar ofertas personalizadas.

Como previamente se ha indicado, es posible encontrar un gran número de reglas

correspondiente al gran número de posibles combinaciones de valores de atributos.

Por tanto, surge la necesidad de utilizar alguna medida que indique, por ejemplo, la

probabilidad de que el consecuente de la regla se cumpla si se da el antecedente,

determinando así la relevancia o interés de la regla.

La confianza es la probabilidad condicional de que dado un

evento A se produzca un evento B.

Técnicas de Inteligencia Artificial 8

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Al hablar de reglas, la confianza se puede expresar como el porcentaje

de ejemplos que satisfacen el antecedente y consecuente de la regla

entre aquellos que satisfacen el antecedente.

Por ejemplo, en la tienda en línea antes mencionada, mediante la medida de la

confianza se pretende conocer la probabilidad de que la compra de un detergente

para ropa conduzca a la compra de un suavizante para ropa.

El soporte se refiere al cociente del número de ejemplos que cumplen

el antecedente y el consecuente de la regla entre el número total de

ejemplos. En notación probabilística se puede expresar como:

Esta medida de soporte es interesante para detectar aquellas reglas que, aunque se

cumplen en algún caso y aunque puedan tener alta confianza, no son relevantes

porque cubren casos poco frecuentes. A continuación, se muestra con un ejemplo en

qué consisten las reglas de asociación y cómo se aplican estas dos medidas.

Específicamente, se van a utilizar los datos del conocido problema «Jugar al aire

libre» mostrados en la Tabla 1.

Técnicas de Inteligencia Artificial 9

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Tabla 1. Datos del problema «Jugar al aire libre».

Dado que se trata de un problema con un bajo número de instancias a simple vista

se puede extraer algunas reglas de asociación:

Regla 1: SI Ambiente es nublado

ENTONCES jugar = sí

Regla 2: SI Temperatura es baja

ENTONCES humedad es normal

Técnicas de Inteligencia Artificial 10

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Regla 3: SI Temperatura es media

ENTONCES humedad es alta

La regla de asociación 1 se puede considerar una regla de clasificación, ya que el

consecuente se refiere al atributo de salida o a la clase. Sin embargo, las otras reglas

relacionan atributos de entrada.

Se calculan a continuación los valores de confianza y soporte para estas reglas:

Para los casos de la regla 1 y la regla 2 la confianza es 1, ya que todos los ejemplos

que satisfacen el antecedente de las reglas satisfacen también el consecuente. Sin

embargo, para el caso de la regla 3, no siempre que se tiene una temperatura =

media , se tiene una humedad = alta y, por lo tanto, la confianza de esa regla es

menor.

De los seis ejemplos que cumplen el antecedente de la regla 3, hay dos que no

cumplen el consecuente. Respecto a la medida de soporte, todas las reglas

presentan la misma medida ya que antecedente y consecuente se da en el mismo

número de ejemplos.

Técnicas de Inteligencia Artificial 11

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Este ejemplo contiene pocos datos, pero, cuando se manejan grandes cantidades de

datos, el número de posibles asociaciones puede ser muy elevado. Por lo tanto, se

establecen valores mínimos de confianza y soporte para considerar cuáles de

las reglas aprendidas son relevantes.

Es importante tener en cuenta tanto la confianza como el soporte, ya que una regla

puede tener una confianza con valor 1 y, sin embargo, representar una relación rara

o inhabitual, con lo cual no es relevante.

Además, existen otras métricas que nos proporcionan información adicional a la que

proporcionan la confianza o el soporte. Una de estas medidas es el lift, que nos

indica la relación entre la probabilidad de que el consecuente de la regla se cumpla si

se da el antecedente y la probabilidad de que se cumpla el consecuente de la regla.

Más formalmente:

El lift mide la correlación entre la ocurrencia de un hecho A y un hecho B:

▸ Si lift = 1, entonces el hecho A es independiente del hecho B.

▸ Si lift > 1, entonces existe correlación entre A y B y, por lo tanto, A probablemente

implica B. Nos indica que la regla es útil.

▸ Si lift < 1, entonces existe correlación negativa entre A y B y, por lo tanto, A y B se

comportan de forma opuesta (A probablemente implica no B). Nos indica que la regla
no es útil.

Generalmente, el aprendizaje de reglas de asociación comprenderá dos fases:

Técnicas de Inteligencia Artificial 12

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

En el apartado 4.4 de este tema se explica de forma detallada el algoritmo apriori

como procedimiento para generar reglas de asociación.

Técnicas de Inteligencia Artificial 13

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

7.3. Algoritmos de aprendizaje de reglas de

clasificación

Como se ha visto con anterioridad, una forma posible de aprender reglas de

clasificación es a través de la generación de un árbol de decisión en un primer paso,

utilizando uno de los métodos explicados en el Tema 2, y, posteriormente, mapear el

árbol generado a un conjunto de reglas equivalente, dando lugar a una regla por

cada nodo hoja generado en el árbol.

En este tema se van a explicar los algoritmos de recubrimiento secuencial para el

aprendizaje directo de conjuntos de reglas de clasificación.

Por tanto, se aprende una regla en cada iteración hasta alcanzar el conjunto final de

reglas. La Figura 1 muestra un algoritmo básico de recubrimiento secuencial:

Figura 1. Algoritmo básico de recubrimiento secuencial.

Técnicas de Inteligencia Artificial 14

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

El algoritmo de recubrimiento secuencial se basa en el uso iterativo

de un procedimiento que seleccione una única regla de buena precisión,

pero sin necesidad de que cubra todos los ejemplos positivos.

El algoritmo básico presentado en la Figura 1 podría incluir una condición adicional

que evalúe la calidad de la regla aprendida para considerar o descartar esta regla.

Por otro lado, la Figura 2 muestra un algoritmo básico de aprendizaje de una regla

que realiza una búsqueda codiciosa (greedy), sin retroceso, que busca de lo

general a lo específico. Dado que se trata de un método codicioso, existe el riesgo

de no encontrar la mejor regla. Esto no implica que no se pueda conseguir una

precisión alta, aun presentando una cobertura incompleta.

La cobertura es otra medida utilizada para evaluar el interés de las

reglas y se define como el número de ejemplos que cumplen la regla

(antecedente y consecuente).

Figura 2. Algoritmo básico de aprendizaje de una regla.

El algoritmo PRISM (Cendrowska, 1987) es uno de los algoritmos más simples de

Técnicas de Inteligencia Artificial 15

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

recubrimiento secuencial. Utiliza los algoritmos básicos de recubrimiento secuencial y

de aprendizaje de una regla expuestos en la Figuras 1 y en la Figura 2,

respectivamente.

De forma más específica, el procedimiento MejorRestricción utilizado en el algoritmo

de aprendizaje de una regla que emplea PRISM se basa en la medida de precisión

denominada confianza, tal y como se ha definido previamente.

Enfatizando en su definición, la confianza vendrá dada por el cociente entre el

número de ejemplos que satisfacen antecedente y consecuente y el número de

ejemplos que satisfacen solo el antecedente.

Para comprender mejor el aprendizaje de una regla utilizando el algoritmo PRISM se

utilizará como ejemplo el conocido problema «Jugar al aire libre» (cuyos datos están

contenidos en la Tabla 1). En este sentido, la Figura 3 ilustra en forma de árbol para

facilitar su comprensión, el aprendizaje de una regla para el caso de la clase jugar=no

Desarrollemos entonces cómo se lleva a cabo la ejecución del algoritmo:

1.En primer lugar, se escoge la regla más general, aquella que no tiene ninguna
restricción en el antecedente.

2.A continuación, se utiliza la medida de la confianza para seleccionar la mejor

restricción de todas las restricciones posibles. El cálculo de esta medida, para el

ejemplo seguido, se muestra en la Figura 3 entre paréntesis junto a las diferentes
reglas. Se observa que el mejor valor de confianza es 0.60 y se da para el atributo
ambiente y valor soleado. Por tanto, se escoge en este paso el par atributo ambiente
y valor soleado.

3.Se añade esta restricción a la regla, eliminando este atributo de la lista de atributos a
considerar en la siguiente iteración.

Técnicas de Inteligencia Artificial 16

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

4.El siguiente nivel de árbol muestra la siguiente iteración del algoritmo. Se calcula la

confianza para cada una de las posibles restricciones y se encuentra que la

confianza es igual a 1 tanto para el atributo temperatura y valor alta como para el
atributo humedad y valor alta.

5.Cuando se obtiene un empate entre restricciones, se escoge la restricción de mayor

cobertura. Por tanto, en este paso se escoge el par atributo humedad y valor alta
porque tiene cobertura 3 frente a la cobertura 2 del par atributo temperatura y valor
alta.

6.Se añade la restricción seleccionada a la regla y se elimina este atributo de la lista de

atributos a considerar en la siguiente iteración.

7.En la siguiente iteración no se cumple la condición de que existan ejemplos negativos

cubiertos por la regla. Entonces, el algoritmo devuelve la regla obtenida mediante las
dos iteraciones descritas en los pasos anteriores. En concreto, la regla devuelta es la
siguiente:

SI ambiente=soleado AND humedad=alta

ENTONCES jugar=no
ENTONCES jugar=no

Figura 3. Representación gráfica del aprendizaje de una regla mediante el algoritmo básico para el

ejemplo de la Tabla 1 y la clase jugar=no.

Mediante la llamada a este procedimiento de aprendizaje de una regla, PRISM va

Técnicas de Inteligencia Artificial 17

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

obteniendo incrementalmente el conjunto de reglas de clasificación para todas las

clases existentes.

Otros algoritmos de reglas de clasificación

Existen otros algoritmos de reglas de clasificación además de PRISM, entre ellos:

▸ OneRule y ZeroRule: son los algoritmos más simples de reglas de clasificación para

un conjunto de ejemplos (Holte, 1993). Estos algoritmos generan un árbol de

decisión expresado mediante reglas de un solo nivel. Los algoritmos predicen
simplemente la clase principal clasifican a través suyo.

• ZeroRule asigna un valor único de probabilidad a todas las instancias utilizando la

media o la moda de la clase de salida, dependiendo de si trabaja con variables
numéricas o nominales. La salida sería la clase más probable.

• OneRule utiliza particiones de un solo atributo y asigna valores a las instancias que

tienen ese atributo, basándose en la media o la moda, al igual que hace ZeroRule,
para asignar un valor único de probabilidad a todas las instancias de ese conjunto.
De forma más sencilla, para cada valor de atributo el algoritmo calculará la
probabilidad para cada clase.

Tomando como errores las menores probabilidades se calculará el error total de cada

atributo. Las reglas que se formen vendrás dadas por el atributo con un menor error

total.

▸ RIPPER (Repeated Incremental Pruning Produce Error Reduction) (Cohen, 1995):

algoritmo de reglas de clasificación basado en el algoritmo IREP (Incremental

Reduced Error Pruning) (Fürnkranz & Widmer, 1994), basado, a su vez, en la técnica
REP (Reduced Error Pruning) (Bagallo & Haussler, 1990) y en el algoritmo de
aprendizaje de reglas Separate-And-Conquer.

Técnicas de Inteligencia Artificial 18

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

4.4. Algoritmos de aprendizaje de reglas de

asociación

Existen diversos algoritmos para generar reglas de asociación. En esta sección se

profundiza en uno de los algoritmos más populares que se denomina algoritmo

apriori (Agrawal et al, 1993).

El algoritmo apriori pretende generar ítem-sets que cumplan una

cobertura mínima de manera eficiente. Un ítem es un par atributo-valor

mientras que un ítem-set es un conjunto de pares atributo-valor. Un k-

ítem-set es un conjunto de k pares atributo-valor. La cobertura de un

ítem-sets se refiere al número de instancias que cumplen los valores en

el ítem-set y va a determinar la cobertura de las reglas generadas a

partir de dicho ítem-set.

Mediante un ejemplo se explica a continuación el funcionamiento de este algoritmo.

El primer paso es determinar una cobertura mínima, por ejemplo, 3. Seguidamente,

se comienza a trabajar con ítem-sets de 1 par atributo-valor, escogiendo aquellos

que cumplen como mínimo la cobertura escogida. Para el ejemplo del problema del

tiempo de la Tabla 1 se tiene por tanto en la primera iteración del algoritmo los ítem

sets de 1 elemento con cobertura superior o igual a 3, tal y como se muestra en la

Tabla 2. En este caso concreto todos los ítem-sets de 1 elemento cumplen la

condición de la cobertura.

Técnicas de Inteligencia Artificial 19

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Tabla 2. Ítem-sets de 1 elemento del problema «Jugar al aire libre».

En la siguiente iteración el algoritmo combina los ítem-sets encontrados en la primera

iteración para generar ítem-sets de 2 elementos que cumplan la condición de

cobertura igual o superior a 3. Estos ítem-sets se incluyen en la Tabla 3.

Técnicas de Inteligencia Artificial 20

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Técnicas de Inteligencia Artificial 21

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Tabla 3. Ítem-sets de 2 elementos del problema «Jugar al aire libre».

En la siguiente iteración se parte de los ítem-sets encontrados de 2 elementos para

generar ítem-sets de 3 elementos. Por ejemplo, si se consideran las dos primeras

entradas de la Tabla 3 se puede generar el siguiente ítem-set de 3 elementos:

Existe un único ejemplo que cumple este ítem-set, luego, al no cumplir la cobertura

mínima, no se añade a la tabla de ítem-sets de 3 elementos. Así, se procede

combinando el resto de las entradas e incluyendo en la tabla aquellas combinaciones

que cumplen la condición de cobertura mínima, obteniendo los ítem-sets presentes

en la Tabla 4.

Técnicas de Inteligencia Artificial 22

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Tabla 4. Ítem-sets de 3 elementos del problema «Jugar al aire libre».

El siguiente paso es obtener ítem-sets de 4 elementos que cumplan la condición de

cobertura de 3 a partir de aquellos presentes en la Tabla 4. En este paso ya no se

obtiene ningún ítem-set que cumpla dicha condición.

Una vez obtenidos los ítem-sets, se procede a la siguiente fase del algoritmo que

consiste en generar las reglas de asociación a partir de los ítem-sets encontrados de

3 y 2 elementos. De las reglas generadas, se descartan aquellas reglas que no

superan un mínimo valor de confianza.

Por ejemplo, se establece un valor de confianza de 0.9. Para el ítem-set ( ) se

pueden generar las reglas siguientes:

RichText template tag rawhtml is not configured

Entre paréntesis, tras cada regla, se indica el valor de la confianza. Únicamente hay
dos reglas que superan el valor de confianza mínimo establecido de 0.9 y, por tanto,

son las reglas que serán consideras en el conjunto de reglas final:

RichText template tag rawhtml is not configured

De la misma manera se procederá a generar las posibles reglas por cada ítem set

encontrado en la primera fase, seleccionando únicamente aquellas con las que se

obtiene un valor de confianza superior a 0.9. Por ejemplo, otras reglas que se

generarían serían:

Técnicas de Inteligencia Artificial 23

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

RichText template tag rawhtml is not configured

De este algoritmo se dice que genera las reglas eficientemente, puesto que en cada

fase solo tiene en cuenta un subconjunto de posibles ítem-sets, aquellos

considerados en la iteración previa por superar una cobertura mínima, y un ítem-set

de k elementos no va a cumplir la norma de la mínima cobertura a no ser que los

ítem-sets de k-1 elementos candidatos para combinar cumplan también esa

condición.

De cualquier manera, para conjuntos de datos grandes este algoritmo puede suponer

una alta carga computacional dependiendo de la cobertura especificada.

Por último, se debe remarcar que no siempre una regla de asociación con alta
confianza y soporte resulta útil. Por ejemplo, en el caso del ejemplo de la tienda en

línea mencionado previamente, si se da el hecho habitual de que los clientes que

compran detergente de la lavadora también compran suavizante, esta información

puede resultar poco útil a efectos de marketing, no siendo necesario promocionar

ninguno de los dos productos.

Sin embargo, sí puede resultar útil cuando se encuentra el hecho de que asociando

la venta de dos productos se vende más de un producto, o cuando se da el hecho

opuesto en el que se encuentra que dos productos, si se asocian, compiten entre sí,

con lo cual la regla que les asocia tiene una confianza baja.

Otros algoritmos de reglas de asociación

Existen otros algoritmos de reglas de asociación además de apriori, entre ellos:

▸ PART: algoritmo que obtiene reglas de asociación utilizando el algoritmo de árboles

de decisión C4.5. PART no necesita realizar una optimización global.

▸ FP-Growth y TD-FP-Growth: para reducir el coste que la generación de los

conjuntos de ítem-sets implica, Han et al. (2000) propusieron el algoritmo FP-

Growth. Al igual que apriori, este el algoritmo permite obtener reglas de asociación a

Técnicas de Inteligencia Artificial 24

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

partir de ítem-sets frecuentes, pero sin generar las diferentes reglas candidatas para
cada iteración de k elementos. Este algoritmo propone una nueva estructura de
patrones frecuentes (FP – Frequent Patterns), extendida del árbol de prefijos, que
permite almacenar toda la información de las transacciones comprimida.

La eficiencia del algoritmo se logra gracias a tres técnicas: en primer lugar, la

compresión de la base de datos; en segundo lugar, limitando la generación de ítem-

sets; en tercer lugar, utilizando un método de «divide y vencerás» para descomponer

la tarea de búsqueda de patrones en varias bases de datos condicionales,

reduciendo drásticamente el espacio de búsqueda (Han et al., 2000). Los resultados

obtenidos del análisis de cada base de datos se concatenarán en el paso final. La

versión TD-FP-Growth cambia el orden de búsqueda de arriba hacia abajo, en

oposición al orden de abajo hacia arriba del FP-Growth, lo cual ahorra espacio y

tiempo (Wang et al., 2002).

▸ ECLAT (Equivalent CLAss Transformation): algoritmo basado en la búsqueda de

ítem-sets frecuentes. La diferencia principal con a priori es que éste almacena las
transacciones de forma horizontal (elementos que forman una transacción en la
misma línea), mientras que ECLAT analiza los datos de forma vertical, conteniendo
cada línea un ítem y las transacciones en las que aparece ese ítem (Zaki et al.,
1997).

Técnicas de Inteligencia Artificial 25

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

7.5. Aplicaciones y ejemplos de implementación

Algunas aplicaciones de las reglas de asociación en la literatura

El interés de las reglas de asociación es descubrir combinaciones de pares atributo-

valor que ocurren frecuentemente en un conjunto de datos. De hecho, también son

conocidas como técnicas de patrones de búsqueda (pattern search) o association

rule learning (Fournier-Viger et al., 2017). Entre sus posibles aplicaciones, una de las

más interesantes es analizar los carritos de la compra, tanto en los supermercados

físicos, para saber cómo distribuir los productos en las estanterías, o en las tiendas

online. Es decir, en una tienda online puede ser muy interesante conocer los

productos que los clientes compran juntos, con el fin de identificar a los clientes con

patrones de compra similares, y así poder predecir posibles compras futuras de estos

clientes y hacer ofertas personalizadas (por ejemplo, los padres que compran

pañales también compran fórmula, así como cerveza cuando no pueden salir a tomar

una copa). Otras aplicaciones similares en las que son útiles incluyen el análisis de

patrones de navegación en la web. También se han empleado en aplicaciones

médicas para analizar las relaciones entre la recuperación después de operaciones y

la posible cronificación de secuelas (Hui et al. 2014).

Las reglas de clasificación en la literatura y otros algoritmos clasificadores

Tal y como se ha explicado, los árboles de decisión están muy relacionados con las

técnicas de reglas de clasificación, como el algoritmo PRISM (Liu, Gegov y Cocea,

2016). Sin embargo, además de la regresión logística, los árboles de decisión

clasificadores y las reglas de clasificación, existen otros algoritmos clasificadores,

incluyendo k-NN, los clasificadores Naïve Bayes y los SVM, además de, por

supuesto, las redes neuronales, con las cuales podemos resolver problemas tanto de

regresión como de la clasificación, y que veremos en los siguientes temas.

E l algoritmo k-NN (k nearest neighbors o k vecinos más cercanos) se incluye, al

Técnicas de Inteligencia Artificial 26

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

igual que los árboles de decisión, en lo que se conoce como «aprendizaje no

paramétrico» (Kanj et al. 2016). Es decir, a diferencia de algoritmos de «aprendizaje

paramétrico», este tipo de método no requiere una función paramétrica predefinida

Y = f(X). Esto hace que este tipo de algoritmo sea adecuado para aquellas

situaciones en las que la relación entre X e Y es demasiado compleja para ser

expresada como un modelo lineal. En el algoritmo k-NN, cada instancia se

representa como un vector y para clasificar o hacer una predicción sobre un dato de

entrada, se toman los k más cercanos y se calcula la media de sus valores, si

estamos trabajando con datos continuos, como el valor estimado de una casa, o su

moda, si estamos trabajando con datos categóricos, como la determinación de la

raza de un perro. La selección del k se hace por validación cruzada, eligiendo el k

que tiene el menor error, en promedio, a lo largo de las diferentes iteraciones. Este

algoritmo se utiliza como método de clasificación, como detección de fraudes

(Hossain y Uddin, 2018), como método de regresión, como predicción del precio de

la vivienda (Nawaz et al., 2019), o para imputar los datos de entrenamiento que

faltan, imputando el promedio o el modo de los vecinos en lugar de un valor que falta

(Liu et al., 2016).

Los clasificadores Naïve Bayes (clasificadores Bayesianos ingenuos) son en

realidad uno de los casos más sencillos de redes bayesianas o redes de creencias

(Gupta et al., 2019; Li, Corchado y Prieto, 2016). Las redes bayesianas son redes

acíclicas dirigidas en las que cada nodo representa un estado o condición y cada

arco entre dos nodos representa la probabilidad de que, dado el estado o condición

del nodo fuente, se produzca el estado del nodo destino, teniendo en cuenta el

teorema de Bayes:

La particularidad de los clasificadores ingenuos de Bayes es considerar una fuerte

Técnicas de Inteligencia Artificial 27

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

independencia entre las diferentes características. Este tipo de clasificadores han

sido ampliamente utilizados como filtros antispam.

Para ello, tienen en cuenta la frecuencia con la que las diferentes palabras aparecen

en los correos electrónicos deseados y en los correos spam. En este sentido, con el

tiempo al final de los correos spam se introdujeron una serie de palabras comunes en

los correos deseados, atacando así al clasificador Bayes ingenuo. Esto se conoce

c o m o envenenamiento bayesiano. Así, desde 2010, se utilizan otros tipos de

algoritmos para el filtrado antispam (Bhowmick y Hazarika, 2018).

Uno de los métodos utilizados, de hecho, actualmente para el filtrado antispam es el

de las máquinas de soporte vectorial (SVM – Support Vector Machine (Rana et

al., 2018). Las SVM son clasificadores basados en la idea de buscar dos líneas entre

los puntos de datos de entrenamiento bidimensionales y con el máximo margen

posible entre estas líneas (es decir, un problema de optimización, normalmente

utilizando la optimización Lagrangiana). Cuando nuestros datos no son

bidimensionales, se buscan hiperplanos en lugar de líneas. Si no es posible dibujar

tal línea o hiperplano, tenemos que suavizar la condición de separación añadiendo

una función de coste o pérdida, o aumentando el número de dimensiones de los

datos (con términos como x2, x3 o incluso cos(x)). Las aplicaciones de las SVM

incluyen la clasificación de imágenes (aunque este tipo de aplicación se lleva a cabo

actualmente con redes neuronales pre-entrenadas, más adecuadas para imágenes y

vídeo), el análisis de sentimientos, la clasificación de texto y contenido en redes

sociales (Dang et al., 2016) o la detección de outliers (Liu, White y Newell, 2018).

Ejemplos de implementación

En este ejemplo, vamos a aplicar el algoritmo apriori utilizando en esta ocasión un

pequeño dataset en Kaggle, proporcionado por Shazad Udwadia (llamado «Grocery

Store Data Set») con licencia de dominio público CC0 – Creative Commons 0) y en el

cual se incluyen 20 transacciones de cestas de la compra en una tienda de

Técnicas de Inteligencia Artificial 28

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

comestibles de diferentes productos (11 ítems posibles en total). Es un dataset muy

pequeño, pero nos sirve para efectos ilustrativos.

En el mismo Kaggle podemos ver información sobre el contenido de los datos y

algunos detalles estadísticos. Podemos descargar el dataset desde el siguiente

enlace. Nos solicitará registrarnos si no tenemos ya una cuenta en Kaggle. Para ello
podemos utilizar una cuenta de Google, correo electrónico, etc., pero no tiene coste

alguno. Disponible en:

https://www.kaggle.com/shazadudwadia/supermarket

Aunque Kaggle nos permite utilizar notebooks online bajo Python o R para trabajar

con los dataset que comparten otros usuarios sin necesidad de disponer de un

sistema Python offline, por el momento vamos a seguir trabajando offline, para así

también seguir aprendiendo a gestionar las librerías de terceros.

En el enlace indicado nos mostrará, en realidad, información sobre el dataset, de

forma similar a OpenML, y nos permitirá descargarlo a través del botón «Download»

(o incluso crear un nuevo notebook basado en dichos datos). De esta forma,

descargaremos un archivo “supermarket.zip” . Descomprimiéndolo obtendremos el

archivo “GroceryStoreDataSet.csv” con el que vamos a trabajar. Si abrimos su contenido

con cualquier editor de texto, como el propio Visual Studio Code, veremos que no

tiene header y que cada línea representa una compra de un cliente, conteniendo la

lista de artículos adquiridos.

Técnicas de Inteligencia Artificial 29

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Como CSV, en realidad, solo existe una única columna, de modo que habrá que

realizar algo de tratamiento en los datos.

Sin embargo, antes de nada, vamos a instalar una nueva librería que no hemos

usado hasta ahora, mlxtend, utilizando nuestro gestor de paquetes, por ejemplo:

PS C:\Users\xxx> pip install mlxtend

Fuente: http://rasbt.github.io/mlxtend/

MLxtend (Machine Learning extensions) incluye extensiones útiles para realizar

técnicas de machine learning, incluyendo, por ejemplo, el algoritmo apriori. Además,

incluye interesantes ayudas para utilizar gráficos como regiones de decisión, como

se puede ver a continuación, que podemos utilizar en otro momento para comparar

algoritmos de clasificación (aunque no es el caso que nos ocupa, pues ahora no

Técnicas de Inteligencia Artificial 30

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

estamos trabajando con clasificadores, que se encontrarían dentro del aprendizaje

supervisado, sino con reglas de asociación / búsqueda de patrones, que se

encontrarían dentro del aprendizaje no supervisado).

Una vez instalado el módulo, continuemos con el ejemplo que nos ocupa. En primer
lugar, utilicemos este código para ver el contenido de los datos una vez cargados:

Resultando la siguiente salida:

Técnicas de Inteligencia Artificial 31

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

---df---
products
0 MILK,BREAD,BISCUIT
1 BREAD,MILK,BISCUIT,CORNFLAKES
2 BREAD,TEA,BOURNVITA
3 JAM,MAGGI,BREAD,MILK
4 MAGGI,TEA,BISCUIT
5 BREAD,TEA,BOURNVITA
6 MAGGI,TEA,CORNFLAKES
7 MAGGI,BREAD,TEA,BISCUIT
8 JAM,MAGGI,BREAD,TEA
9 BREAD,MILK
10 COFFEE,COCK,BISCUIT,CORNFLAKES
11 COFFEE,COCK,BISCUIT,CORNFLAKES
12 COFFEE,SUGER,BOURNVITA
13 BREAD,COFFEE,COCK
14 BREAD,SUGER,BISCUIT
15 COFFEE,SUGER,CORNFLAKES
16 BREAD,SUGER,BOURNVITA
17 BREAD,COFFEE,SUGER
18 BREAD,COFFEE,SUGER
19 TEA,MILK,COFFEE,CORNFLAKES

---df.columns---
Index(['products'], dtype='object')

---df.values---
[['MILK,BREAD,BISCUIT']
['BREAD,MILK,BISCUIT,CORNFLAKES']
['BREAD,TEA,BOURNVITA']
['JAM,MAGGI,BREAD,MILK']
['MAGGI,TEA,BISCUIT']
['BREAD,TEA,BOURNVITA']
['MAGGI,TEA,CORNFLAKES']
['MAGGI,BREAD,TEA,BISCUIT']
['JAM,MAGGI,BREAD,TEA']
['BREAD,MILK']
['COFFEE,COCK,BISCUIT,CORNFLAKES']
['COFFEE,COCK,BISCUIT,CORNFLAKES']
['COFFEE,SUGER,BOURNVITA']
['BREAD,COFFEE,COCK']
['BREAD,SUGER,BISCUIT']
['COFFEE,SUGER,CORNFLAKES']
['BREAD,SUGER,BOURNVITA']
['BREAD,COFFEE,SUGER']
['BREAD,COFFEE,SUGER']
['TEA,MILK,COFFEE,CORNFLAKES']]

Técnicas de Inteligencia Artificial 32

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Preprocesamos los datos para que puedan ser usados por mlxtend, primero

separando los elementos por las comas y posteriormente utilizando el objeto

TransactionEncoder .

Obteniendo la salida (hemos reducido la segunda salida para que se vea mejor como

una tabla):

---data---
[['MILK', 'BREAD', 'BISCUIT'],
['BREAD', 'MILK', 'BISCUIT', 'CORNFLAKES'],
['BREAD', 'TEA', 'BOURNVITA'],
['JAM', 'MAGGI', 'BREAD', 'MILK'],
['MAGGI', 'TEA', 'BISCUIT'],
['BREAD', 'TEA', 'BOURNVITA'],
['MAGGI', 'TEA', 'CORNFLAKES'],
['MAGGI', 'BREAD', 'TEA', 'BISCUIT'],
['JAM', 'MAGGI', 'BREAD', 'TEA'],
['BREAD', 'MILK'],
['COFFEE', 'COCK', 'BISCUIT', 'CORNFLAKES'],
['COFFEE', 'COCK', 'BISCUIT', 'CORNFLAKES'],
['COFFEE', 'SUGER', 'BOURNVITA'],
['BREAD', 'COFFEE', 'COCK'],
['BREAD', 'SUGER', 'BISCUIT'],

Técnicas de Inteligencia Artificial 33

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

['COFFEE', 'SUGER', 'CORNFLAKES'],

['BREAD', 'SUGER', 'BOURNVITA'],
['BREAD', 'COFFEE', 'SUGER'],
['BREAD', 'COFFEE', 'SUGER'],
['TEA', 'MILK', 'COFFEE', 'CORNFLAKES']]

---df.head()---
BISCUIT BOURNVITA BREAD COCK COFFEE CORNFLAKES JAM MAGGI
MILK SUGER TEA
0 True False True False False False False False
True False False
1 True False True False False True False False
True False False
2 False True True False False False False False
False False True
3 False False True False False False True True
True False False
4 True False False False False False False True
False False True

Apliquemos ahora el algoritmo apriori y veamos el resultado de las asociaciones

ordenadas de forma descendente, en base a su soporte:

support itemsets
2 0.65 (BREAD)

Técnicas de Inteligencia Artificial 34

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

4 0.40 (COFFEE)
0 0.35 (BISCUIT)
10 0.35 (TEA)
5 0.30 (CORNFLAKES)
.. ... ...
55 0.05 (CORNFLAKES, MILK, BISCUIT)
57 0.05 (SUGER, BREAD, BOURNVITA)
17 0.05 (SUGER, BISCUIT)
37 0.05 (CORNFLAKES, MAGGI)
82 0.05 (COFFEE, MILK, TEA, CORNFLAKES)

Por último, creemos una función para predecir el siguiente elemento que escogerá

con mayor probabilidad un cliente a su cesta en función del estado actual de

elementos en la misma:

Técnicas de Inteligencia Artificial 35

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Obviamente podemos elegir un estado de la cesta aleatorio, no hay necesidad de

seguir esta secuencia.

Técnicas de Inteligencia Artificial 36

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

7.6. Referencias

Bagallo, G. & Haussler, D. (1990). Boolean feature discovery in empirical learning.

Machine Learning, 5(1), 71-99. Disponible en https://doi.org/10.1007/BF00115895

Bhowmick, A. & Hazarika, S. M. (2018). E-mail spam filtering: a review of techniques

and trends. In Advances in Electronics, Communication and Computing (pp. 583-

590). Singapore: Springer.

Cendrowska, J. (1987). PRISM: An algorithm for inducing modular rules. International

Journal of Man-Machine Studies, 27(4), 349-370. Disponible

en: https://doi.org/10.1016/S0020-7373(87)80003-2

Cohen, W. W. (1995). Fast Effective Rule Induction. In Proceedings of the Twelfth

International Conference on Machine Learning, 115–123.

Dang, N. C., De la Prieta, F., Corchado, J. M. & Moreno, M. N. (2016, June).

Framework for retrieving relevant contents related to fashion from online social

network data. In International Conference on Practical Applications of Agents and

Multi-Agent Systems (pp. 335-347). Cham: Springer.

Fournier‐Viger, P., Lin, J. C. W., Vo, B., Chi, T. T., Zhang, J. & Le, H. B. (2017). A

survey of itemset mining. Wiley Interdisciplinary Reviews: Data Mining and

Knowledge Discovery, 7(4), e1207.

Fürnkranz, J. & Widmer, G. (1994). Incremental Reduced Error Pruning. En W. W.

Cohen & H. Hirsh (Eds.), Machine Learning Proceedings 1994 (pp. 70-77). Morgan

Kaufmann. Disponible en https://doi.org/10.1016/B978-1-55860-335-6.50017-9

Gupta, A., Slater, J. J., Boyne, D., Mitsakakis, N., Béliveau, A., Druzdzel, M. J. &

Arora, P. (2019). Probabilistic Graphical Modeling for Estimating Risk of Coronary

Artery Disease: Applications of a Flexible Machine-Learning Method. Medical

Técnicas de Inteligencia Artificial 37

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Decision Making, 39(8), 1032-1044.

Han, J., Pei, J. & Yin, Y. (2000). Mining frequent patterns without candidate

generation. Association for Computing Machinery. Disponible

en https://doi.org/10.1145/335191.335372

Holte, R. C. (1993). Very Simple Classification Rules Perform Well on Most

Commonly Used Datasets. Machine Learning, 11(1), 63-90. Disponible

en https://doi.org/10.1023/A:1022631118932

Hossain, M. A. & Uddin, M. N. (2018, October). A Differentiate Analysis for Credit

Card Fraud Detection. In 2018 International Conference on Innovations in Science,

Engineering and Technology (ICISET) (pp. 328-333). IEEE.

Hui, L., Shih, C. C., Keh, H. C., Yu, P. Y., Cheng, Y. C. & Huang, N. C. (2014, May).
The application of association rules in clinical disease: the relationship between

recovery after operation of endovascular aneurysm repairing and chronic. In Pacific-

Asia Conference on Knowledge Discovery and Data Mining (pp. 712-721). Cham:

Springer.

Kanj, S., Abdallah, F., Denoeux, T. & Tout, K. (2016). Editing training data for multi-

label classification with the k-nearest neighbor rule. Pattern Analysis and

Applications, 19(1), 145-161.

Li, T., Corchado, J. M., & Prieto, J. (2016). Convergence of distributed flooding and its

application for distributed Bayesian filtering. IEEE Transactions on Signal and

Information Processing over Networks, 3(3), 580-591.

Liu, C., White, M. & Newell, G. (2018). Detecting outliers in species distribution data.

Journal of Biogeography, 45(1), 164-176.

Liu, H., Gegov, A. & Cocea, M. (2016). Rule-based systems: a granular computing

perspective. Granular Computing, 1(4), 259-274.

Técnicas de Inteligencia Artificial 38

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 Ideas clave

Liu, Z. G., Pan, Q., Dezert, J. & Martin, A. (2016). Adaptive imputation of missing

values for incomplete pattern classification. Pattern Recognition, 52, 85-95.

Nawaz, M., Javaid, N., Mangla, F. U., Munir, M., Ihsan, F., Javaid, A. & Asif, M.

(2019, July). An Approximate Forecasting of Electricity Load and Price of a Smart

Home Using Nearest Neighbor. In Conference on Complex, Intelligent, and Software

Intensive Systems (pp. 521-533). Cham: Springer.

Rana, S. P., Prieto, J., Dey, M., Dudley, S. & Corchado, J. M. (2018). A Self

Regulating and Crowdsourced Indoor Positioning System through Wi-Fi

Fingerprinting for Multi Storey Building. Sensors, 18(11), 3766.

Ruiz, A. (2016, mayo 23). Representación del Conocimiento [Educación]. Disponible

en https://es.slideshare.net/Alva_Ruiz/representacin-del-conocimiento-62308123

Wang, K., Tang, L., Han, J., & Liu, J. (2002). Top Down FP-Growth for Association

Rule Mining. En M.S. Chen, P. S. Yu, & B. Liu (Eds.), Advances in Knowledge

Discovery and Data Mining (pp. 334-340). Springer. Disponible

en https://doi.org/10.1007/3-540-47887-6_34

Zaki, M. J., Parthaasarathy, S., Ogihara, M. & Li, W. (1997). New Algorithms for Fast

Discovery of Association Rules. In 3rd Intl. Conf. on Knowledge Discovery and Data
Mining, 283–286.

Técnicas de Inteligencia Artificial 39

Tema 7. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
 A fondo

Aprendizaje de reglas de clasificación y asociación

con la herramienta Weka

En esta lección magistral se mostrará cómo se puede utilizar Weka para obtener

reglas de clasificación y de asociación a partir de un conjunto de datos empleando

los algoritmos explicados en este tema.

Accede al vídeo:
https://unir.cloud.panopto.eu/Panopto/Pages/Embed.aspx?id=cd8768bf-8fa3-

494c-aefc-abde00c3f506

Video. Aprendizaje de reglas de clasificación y asociación con la herramienta Weka

Técnicas de Inteligencia Artificial 40

Tema 7. A fondo
© Universidad Internacional de La Rioja (UNIR)
 A fondo

La contribución de las reglas de asociación a la

minería de datos

De Moya Amaris, M.E. & Rodríguez Rodríguez, J.E. (2003). La contribución de las

reglas de asociación a la minería de datos. Tecnura, 7(13), 94-109.

El artículo comienza con una introducción a la minería de datos y a las reglas de

asociación, incluyendo ejemplos ilustrativos. Explica cómo se generan las reglas de

asociación mediante el algoritmo apriori, incluyendo un pseudocódigo del mismo.

Además, profundiza en el tema abordando las reglas de asociación multinivel.

Accede al artículo desde el aula virtual o a través de la siguiente dirección

web: http://revistas.udistrital.edu.co/ojs/index.php/Tecnura/article/view/6175

Técnicas de Inteligencia Artificial 41

Tema 7. A fondo
© Universidad Internacional de La Rioja (UNIR)
 A fondo

Curva ROC

Uno de los datos de evaluación que muestra Weka en las salidas de los algoritmos

de clasificación es el área ROC. El artículo disponible en Wikipedia sobre la curva

ROC explica concisa y claramente en qué consiste esta curva y para qué se utiliza.

Además, incluye muchas referencias y enlaces de interés relacionados.

Accede al artículo desde el aula virtual o a través de la siguiente dirección

web: http://es.wikipedia.org/wiki/Curva_ROC

Técnicas de Inteligencia Artificial 42

Tema 7. A fondo
© Universidad Internacional de La Rioja (UNIR)
 A fondo

Talleres de aprendizaje estadístico

Para profundizar en el conocimiento de las técnicas de aprendizaje estadístico se

recomienda la lectura de los siguientes talleres.

Accede a los talleres desde el aula virtual o a través de las siguientes direcciones

web:
https://docplayer.es/44657219-Taller-1-grupo-9-tecnicas-de-aprendizaje-estadistico-

profesora-claudia-jimenez-r.html
https://docplayer.es/66175720-Tecnicas-de-aprendizaje-estadistico-taller-1.html

Técnicas de Inteligencia Artificial 43

Tema 7. A fondo
© Universidad Internacional de La Rioja (UNIR)
 Test

1. Si en un problema se desea identificar los síntomas correspondientes a tres

enfermedades conocidas, las técnicas apropiadas para resolver el problema son

(selecciona las opciones adecuadas):

A. Árboles de decisión.

B. Algoritmo apriori.

C. Algoritmo de recubrimiento secuencial.

D. Algoritmo PRISM.

2. Si en un problema se desea identificar relaciones entre síntomas de personas

que presentan ciertas enfermedades, las técnicas apropiadas son:

A. Árboles de decisión.

B. Algoritmo apriori.

C. Algoritmo de recubrimiento secuencial.

D. Algoritmo PRISM.

3. Indica cuáles de las siguientes afirmaciones son verdaderas:

A. Las reglas de clasificación predicen la clase.

B. Las reglas de asociación predicen combinaciones de atributos o la propia

clase.

C. Los algoritmos que aprenden reglas de asociación buscan combinaciones

de pares atributo-valor que ocurren con cierta frecuencia.

D. Las reglas de asociación tienen el mismo objetivo que las reglas de

clasificación.

Técnicas de Inteligencia Artificial 44

Tema 7. Test
© Universidad Internacional de La Rioja (UNIR)
 Test

4. Si se quiere conocer el porcentaje de ejemplos que cumplen una regla respecto

del total de ejemplos, se ha de aplicar la medida de:

A. Cobertura.

B. Soporte.

C. Confianza.

D. Cubierta.

5. Si se quiere conocer el porcentaje de ejemplos que cumplen una regla respecto

de todos los ejemplos que sólo cumplen el antecedente, se ha de aplicar la medida

de:

A. Cobertura.

B. Soporte.

C. Confianza.

D. Cubierta.

6. ¿Cuáles de los siguientes algoritmos se puede emplear para el aprendizaje de

reglas de clasificación?

A. PRISM.

B. C4.5.

C. Apriori.

D. ID3.

Técnicas de Inteligencia Artificial 45

Tema 7. Test
© Universidad Internacional de La Rioja (UNIR)
 Test

7. Indica cuál de las siguientes afirmaciones es correcta:

A. No es posible mapear árboles de decisión a reglas de clasificación.

B. Los algoritmos de recubrimiento secuencial aprenden una regla en cada

iteración.

C. En cada iteración, el algoritmo de recubrimiento secuencial exige que la

regla cubra todos los ejemplos positivos.

D. Apriori es un algoritmo de recubrimiento secuencial.

8. Indica cuáles de las siguientes afirmaciones son correctas:

A. El procedimiento básico, para aprender una regla, utilizado en los

algoritmos de recubrimiento secuencial tiene como parámetro el conjunto de

todas las clases.

B. El procedimiento, básico para aprender una regla, utilizado en los

algoritmos de recubrimiento secuencial añade a la regla un único par atributo-

valor en cada iteración.

C. El procedimiento de recubrimiento secuencial devuelve una única regla.

D. El algoritmo de recubrimiento secuencial elimina los ejemplos cubiertos por

la regla generada en cada iteración.

9. Indica cuáles de las siguientes afirmaciones son correctas respecto al algoritmo

PRISM:

A. Es un algoritmo de recubrimiento secuencial.

B. Utiliza la medida de precisión o confianza para generar las reglas.

C. Parte de la regla más específica alcanzando la más general.

D. Es un algoritmo de generación de conjuntos de reglas de los más simples.

Técnicas de Inteligencia Artificial 46

Tema 7. Test
© Universidad Internacional de La Rioja (UNIR)
 Test

10. Indica cuáles de las siguientes afirmaciones son verdaderas respecto al

algoritmo apriori:

A. Genera ítem-sets.

B. Utiliza la medida de confianza para evaluar las reglas obtenidas.

C. No genera reglas sino ítem-sets.

D. Valora los ítem-sets generados mediante una medida de confianza.

Técnicas de Inteligencia Artificial 47

Tema 7. Test
© Universidad Internacional de La Rioja (UNIR)