La metodología del "Data Mining". Una aplicación al consumo de alcohol en adolescentes

• Autores: Elena Gervilla García, Rafael Jiménez López, Juan José Montaño Moreno, Albert Sesé Abad , Berta Cajal Blasco
• Localización: Adicciones: Revista de socidrogalcohol, ISSN 0214-4840, Vol. 21, Nº. 1, 2009, págs. 65-80
• Idioma: español
• DOI: 10.20882/adicciones.253
• Enlaces
  • Texto completo
• Dialnet Métricas: 5 Citas
• Resumen

  • El presente trabajo pretende principalmente acercar a los investigadores del campo de las drogodependencias una metodología de análisis de datos orientada al descubrimiento de conocimiento en bases de datos (KDD). El KDD es un proceso que consta de una serie de fases, la más característica de las cuales se denomina Data Mining (DM), en la que se aplican diferentes técnicas de modelado para detectar patrones y relaciones en los datos. Se analizan los factores comunes y diferenciadores de las técnicas DM más ampliamente utilizadas, desde una visión principalmente metodológica, y ejemplificando su uso con datos provenientes del consumo de alcohol en adolescentes y su posible relación con variables de personalidad (N=7030). Aunque la precisión global obtenida (% de predicciones correctas) es muy similar en los tres modelos analizados, las redes neuronales generan el modelo más preciso (64.1%), seguidas de los árboles de decisión (62.3%) y Naive Bayes (59.9%).

• Referencias bibliográficas
  • Agrawal, R. y Srikant, R. (1994). Fast algorithms for mining association rules. Proceedings of the 20th International Conference on Very Large...
  • Agrawal, R., Imielinski, T. y Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993...
  • Agrawal, R., Mannila, H., Srikant, R., Toivonen, H. y Verkamo, A. I. (1996). Fast Discovery of Association Rules. In U.M. Fayyad, G. Piatetsky-Shapiro,...
  • Bigus, J.P. (1996). Data mining with neural networks: solving business problems from application development to decision support. New York:...
  • Breiman, L., Friedman, J. H., Olshen, R. A. y Stone, C. J. (1984). Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole...
  • Caspi, A., Roberts, B. W. y Shiner, R. L. (2005). Personality development: stability and change. Annual Review of Psychology, 56, 453-484.
  • Ghosh, J. (2003). Scalable Clustering. In N. Ye (Ed.), The Handbook of Data Mining (pp. 247-277). Mahwah, NJ: Lawrence Erlbaum Associates.
  • Hahsler, M., Grün, B. y Hornik, K. (2005). Arules - A Computational Environment for Mining Association Rules and Frequent Item Sets. Journal...
  • Hahsler, M., Hornik, K. y Reutterer, T. (2005). Implications of probabilistic data modeling for rule mining. Report 14, Research Report Series,...
  • Han, J. y Kamber, M. (2006). Data Mining: Concepts and Techniques (2nd. ed.). San Francisco: Morgan Kaufmann.
  • Hand, D., Mannila, H. y Smyth, P. (2001). Principles of Data Mining. Cambridge, MA: The MIT Press.
  • Hastie, T., Tibshirani, R. y Friedman, J. (2001). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York:...
  • Hernández, J., Ramírez, M. J. y Ferri, C. (2004). Introducción a la Minería de Datos [Introduction to Data Mining]. Madrid: Pearson Educación,...
  • Hipp, J., Güntzer, U. y Nakhaeizadeh, G. (2000). Algorithms for Association Rule Mining – A general survey and comparison. SIGKDD Explorations,...
  • Ihaka, R. y Gentleman, R. (1996). R: A Language for Data Analysis and Graphics. Journal of Computational and Graphical Statistics, 5, 299-314.
  • Kantardzic, M. (2003). Data Mining: Concepts, Models, Methods, and Algorithms. New York: Wiley.
  • Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data. Applied Statistics, 29, 119-127.
  • Kitsantas, P., Moore, T. W. y Sly, D. F. (2007). Using classification trees to profile adolescent smoking behaviors. Addictive Behaviors,...
  • Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken, NJ: Wiley.
  • Larose, D. T. (2006). Data Mining Methods and Models. Hoboken, NJ: Wiley.
  • MacDonald, K. (2005). Personality, Evolution, and Development. In R. Burgess and K. MacDonald (Eds.), Evolutionary Perspectives on Human Development...
  • Michie, D., Spiegelhalter, D. J. y Taylor C. C. (Eds.) (1994). Machine Learning, Neural and Statistical Classification. New York: Ellis Horwood...
  • Palmer, A. y Montaño, J. J. (1999). ¿Qué son las redes neuronales artificiales? Aplicaciones realizadas en el ámbito de las adicciones [What...
  • Palmer, A., Fernández, C. y Montaño, J. J (2001). Sensitivity Neural Network 1.0 [Computer program]. Available at mailto:alfonso. palmer@uib.es
  • Palmer, A., Montaño, J. J. y Calafat, A. (2000). Predicción del consumo de éxtasis a partir de redes neuronales artificiales [Ecstasy consumption...
  • Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning, 81-106.
  • Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. San Mateo: Morgan Kaufmann.
  • Quinlan, J. R. (1997). C5.0 Data Mining Tool. RuleQuest Research, http://www.rulequest.com.
  • Shmueli, G., Patel, N. R. y Bruce, P. C. (2007). Data Mining for Business Intelligence. Concepts, Techniques, and Applications in Microsoft...
  • Two Crows Corporation (1999). Introduction to Data Mining and Knowledge Discovery (3th. ed.). Maryland: Two Crows Corporation.
  • Witten, I. H. y Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques (2nd. ed.). San Francisco: Morgan Kaufmann.
  • Witten, I. H., Frank, E., Trigg, L., Hall, M., Holmes, G. y Cunningham, S. J. (1999). Weka: Practical machine learning tools and techniques...
  • Ye, N. (Ed.) (2003). The Handbook of Data Mining. Mahwah, NJ: Lawrence Erlbaum Associates.