Utilização de mineração de dados na descoberta de padrões de relacionamento entre fatores associados ao câncer Oral: um estudo sobre dados coletados na região do Seridó Potiguar

(1)

UNIVERSIDADEFEDERALDO RIO GRANDE DO NORTE

Universidade Federal do Rio Grande do Norte – UFRN Centro de Ensino Superior do Serid´o – CERES Departamento de Computa¸c˜ao e Tecnologia – DCT

Bacharelado em Sistemas de Informa¸c˜ao – BSI

Utiliza¸

c˜

ao de Minera¸

c˜

ao de Dados na Descoberta de

Padr˜

oes de Relacionamento Entre Fatores Associados

ao Cˆ

ancer Oral: Um estudo sobre dados coletados na

zona rural da Regi˜

ao do Serid´

o Potiguar

Rafaela Oliveira da Silva Azevedo

Caic´

o – RN

17 de dezembro de 2018

(2)

Rafaela Oliveira da Silva Azevedo

Utiliza¸

c˜

ao de Minera¸

c˜

ao de Dados na Descoberta de

Padr˜

oes de Relacionamento Entre Fatores Associados

ao Cˆ

ancer Oral: Um estudo sobre dados coletados na

zona rural da Regi˜

ao do Serid´

o Potiguar

Trabalho de Conclusão de Curso apresentado ao Curso de Bacharelado em Sistemas de Informa¸cão como parte dos requisitos para obten¸cão do t´ıtulo de Bacharela em Sistemas de Informa¸cão.

Orientador: Prof. Dr. Flavius da Luz e Gorgˆonio Coorientador: Prof. Dr. Almir Miranda Ferreira

Laborat´

orio de Inteligˆ

encia Artificial Aplicada a Neg´

ocios – LABICAN

Caic´

o – RN

(3)

(4)

Azevedo, Rafaela Oliveira da Silva.

Utilização de mineração de dados na descoberta de padrões de relacionamentos entre fatores associados ao câncer oral: um estudo sobre dados coletados na região do Seridó Potiguar / Rafaela Oliveira da Silva Azevedo. - Caicó: UFRN, 2018. 51f.: il.

Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Federal do Rio Grande do Norte. Centro de Ensino Superior do Seridó - Campus Caicó. Departamento de Computação e Tecnologia. Curso de Graduação em Sistemas de Informação.

Orientador: Dr. Flavius da Luz e Gorgônio. Coorientador: Dr. Almir Miranda Ferreira.

1. Mineração de Dados. 2. Regras de Associação. 3. Câncer de Boca. I. Gorgônio, Flavius da Luz e. II. Ferreira, Almir

Miranda. III. Título.

RN/UF/BS-CAICÓ CDU 004.62

Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI

Catalogação de Publicação na Fonte. UFRN - Biblioteca Setorial Profª. Maria Lúcia da Costa Bezerra - - CERES--Caicó

(5)

Agradecimentos

Todo trabalho, por mais simples que seja, não é feito sem a ajuda de outras pessoas. Ao longo do desenvolvimento desta pesquisa e de toda minha gradua¸cão, sempre tive muita ajuda. Desta forma, gostaria de agradecer, primeiramente, aos meus familiares, que não só neste momento mas em toda minha vida estiveram comigo, ao meu lado, me dando o incentivo, apoio e compreensão sempre que precisei.

Agrade¸co, em especial, a minha mãe que me ensinou a ser um ser humano integro, com caráter e coragem, e que sempre me deixou livre para seguir minhas escolhas, porém sempre esteve ao meu lado me ensinando o caminho correto.

Agrade¸co aos amigos(as) que torceram e torcem por mim, especialmente a Karla Mendes e Lindelene Bessa, e ao meu namorado por me escutar nos momentos dif´ıceis, pelos gestos de carinho e por todo apoio e est´ımulo.

Meu muito obrigada ao meu orientador Prof.o _{Dr. Flavius Gorgˆ}_{onio, por ter aceito a atribui¸}_c˜_{ao de me}

orientar nesta pesquisa e por todos os ensinamentos repassados no meu per´ıodo acadˆemico. Obrigada tamb´em ao meu co-orientador Prof.o _{Dr. Almir Miranda, por toda ajuda e contribui¸}_c˜_{ao na pesquisa.}

Estendo ainda esse agradecimento a todos os professores do Bacharelado em Sistemas de Informa¸c˜ao, por todo o conhecimento compartilhado durante esses anos.

Agrade¸co ao meus colegas de turma, por todas as experiˆencias vividas durante este ciclo universit´ario. Enfim, agrade¸co a todos que fizeram parte dessa etapa decisiva em minha vida.

Finalmente, sou grata pela oportunidade de desenvolver este trabalho no Laboratório de Inteligência Computacional Aplicada à Negócios (Labican), sediado no Centro de Ensino Superior do Seridó da Universidade Federal do Rio Grande do Norte.

(6)

“There is no end to education. It is not that you read a book, pass an examination, and finish with education. The whole of life, from the moment you are born to the moment you die, is a process of learning.”

(7)

Resumo

Este estudo apresenta a utiliza¸cão de técnicas de minera¸cão de dados na análise exploratória de uma base de dados sobre a incidência de câncer oral em trabalhadores rurais, residentes na Região do Seridó Potiguar, possuindo como objetivo principal a descoberta de padrões de relacionamentos entre fatores associados ao câncer oral. A base de dados supracitada já havia sido avaliada em uma outra pesquisa através de procedimentos estat´ısticas, entretanto, a aplica¸cão dos algoritmos C4.5 e Apriori permitiram a descoberta de um conhecimento ´ımpar sobre a incidência do câncer bucal neste grupo de indiv´ıduos, além de confirmar os resultados obtidos na pesquisa anterior, evidenciando que a minera¸cão de dados é eficiente e possui uma capacidade ainda maior no que se refere ao detalhamento das rela¸cões existentes, além de diminuir os esfor¸cos empregados nas técnicas puramente estat´ısticas, ao mesmo tempo em que consegue um melhor desempenho na análise de grandes volumes de dados.

(8)

Abstract

This study presents the use data of mining techniques, in the exploratory analysis of a database, on the incidence of oral cancer in rural workers living in the Potiguar Serid´o Region. The main objective is to identify related patterns amongst factors associated about oral cancer incidence. The aforementioned database had already been evaluated in another research through statistical procedures, however, the application of algorithms C4.5 and Apriori allowed the discovery of a unique knowledge about the inci-dence of oral cancer in this group of individuals, besides confirming the results obtained in the previous research, evidencing that the data mining is efficient and has an even greater capacity regardless to the detailing of the existing relations, in addition to reducing the efforts employed in the purely statistical techniques, while at the same time achieving a better analysis of large volumes of data.

(9)

i

Sum´

ario

Lista de Figuras iii

Lista de Tabelas iv Glossário v 1 Introdu¸cão 1 1.1 Tema. . . 1 1.2 Contextualiza¸cão e Problema . . . 1 1.3 Objetivos . . . 2 1.3.1 Objetivo Geral . . . 2 1.3.2 Objetivos Espec´ıficos. . . 2 1.4 Delimita¸cão do Estudo . . . 2

1.5 Motiva¸c˜ao e Justificativa do Estudo . . . 3

1.6 Classifica¸c˜ao da Pesquisa . . . 4

1.7 Apresenta¸c˜ao do Trabalho . . . 4

2 Referencial Te´orico 5 2.1 Cˆancer Oral . . . 5

2.1.1 Tipos de Les˜oes. . . 5

2.1.2 Fatores Associados . . . 6

2.2 Descoberta de Conhecimento em Bases de Dados . . . 6

2.2.1 Pr´e-Processamento e P´os-Processamento dos Dados . . . 7

2.3 Minera¸c˜ao de Dados . . . 8

2.3.1 Hist´oria e Conceitos . . . 8

2.3.2 Tarefas . . . 9

2.3.3 M´etodos . . . 10

2.4 Algoritmo Apriori . . . 12

2.4.1 Exemplo de Extra¸c˜ao de Regras de Associa¸c˜ao . . . 12

2.5 Metodologias de DCBD . . . 15 2.5.1 Metodologia CRISP-DM . . . 16 2.5.2 Metodologia SEMMA . . . 16 2.5.3 Metodologia Klemettinen . . . 17 2.6 Trabalhos Relacionados . . . 17 3 Metodologia 19 3.1 Pr´e-Processamento dos Dados . . . 19

3.2 Ferramentas Utilizadas . . . 22

3.3 Algoritmos Utilizados . . . 23

3.4 P´os-Processamento dos Dados. . . 23

4 Resultados e Conclus˜oes 24 4.1 Experimentos . . . 24

4.1.1 C4.5 . . . 24

4.1.2 Apriori . . . 27

4.1.3 Identifica¸c˜ao de ´Areas de Risco . . . 42

(10)

Sum´ario ii

Referˆencias Bibliogr´aficas 49

(11)

iii

Lista de Figuras

2.1 Processo de DCBD. . . 6

2.2 Matriz de confus˜ao para um problema de 2 classes. . . 9

2.3 Algoritmo k -means b´asico.. . . 10

2.4 Classificando um vertebrado sem r´otulo. . . 11

2.5 Topologia de uma rede neural artificial. . . 11

2.6 Modelo CRISP-DM. . . 16

2.7 Metodologia SEMMA. . . 17

2.8 Metodologia Klemettinen. . . 17

3.1 Formato Arquivo .arff. . . 23

4.1 Arvore resultante no experimento 1.´ . . . 24

4.2 Estat´ısticas referentes a ´arvore resultante no experimento 1. . . 25

4.4 Arvore resultante no experimento 3.´ . . . 26

4.6 Diagrama da ´arvore gerada no experimento 3. . . 27

4.7 Gráfico ’ É Fumante’ vs ’ É Ex-Fumante’. . . 28

4.8 Gr´afico DOPM vs N´ıvel de Escolaridade.. . . 29

4.9 Gr´afico DOPM vs Tempo de Exposi¸c˜ao no Sol. . . 31

4.10 Gr´afico DOPM vs Cor da Pele. . . 33

4.11 Gr´afico DOPM vs Tempo de Trabalho.. . . 34

4.12 Gr´afico Tempo de Trabalho vs Tempo de Exposi¸c˜ao ao Sol. . . 35

4.13 Gr´afico DOPM vs Idade.. . . 36

4.14 Gráfico DOPM vs Frequência Uso de Bebida Alcoólica. . . 38

4.15 Gráfico Frequência Uso de Bebida Alcoólica vs Uso de Tabaco. . . 38

4.16 Gr´afico DOPM vs Tipo de Bebida Alco´olica. . . 39

4.17 Gr´afico Uso de Tabaco vs Tipo de Bebida Alco´olica. . . 39

4.18 Gr´afico DOPM vs Renda Familiar. . . 40

4.19 Gr´afico DOPM vs Familiar Com Cˆancer de Boca.. . . 42

(12)

iv

Lista de Tabelas

2.1 Exemplo base de transa¸c˜oes.. . . 12

2.2 Conjunto de 1-itemsets. . . 13

2.6 Regras candidatas com 1 antecedente. . . 14

2.7 Regras candidatas com 2 antecedentes. . . 15

2.8 Regras candidatas com 3 antecedentes. . . 15

2.9 Regras de Associa¸c˜ao. . . 15

3.1 Categorias Atributo Idade. . . 20

3.2 Categorias Atributo Tempo de Trabalho. . . 20

3.3 Categorias Atributo Quantidade de Fumo Por Dia. . . 20

3.4 Categorias Atributo Quantidade de Fumo Por Dia 2. . . 21

3.5 Categorias Atributo H´a Quanto Tempo Deixou de Fumar. . . 21

3.6 Categorias Atributo Por Quanto Tempo Fumou. . . 21

3.7 Categorias Atributo Escolaridade. . . 22

3.8 Categorias Atributo Renda Familiar. . . 22

3.9 Categorias Atributo Tempo de Exposi¸c˜ao no Sol. . . 22

4.1 Atributos Associados ao N´ıvel de Escolaridade. . . 30

4.2 Atributos Associados ao Tempo de Exposi¸c˜ao no Sol. . . 32

4.3 Atributos Associados a Cor da Pele. . . 34

4.4 Atributos Associados ao Tempo de Trabalho. . . 36

4.5 Atributos Associados a Idade. . . 37

4.6 Atributos Associados a Renda Familiar. . . 41

(13)

v

Gloss´

ario

Acrˆ

onimos

CO - Cˆancer Oral

INCA - Instituto Nacional do Cˆancer HPV - Papiloma V´ırus Humano

IBGE - Instituto Brasileiro de Geografia e Estat´ıstica OMS - Organiza¸c˜ao Mundial da Sa´ude

QA - Queilite Act´ınica

DCBD - Descoberta de Conhecimento em Bases de Dados DM - Data Mining

SBC - Sociedade Brasileira de Computa¸c˜ao RNA - Redes Neurais Artificiais

CRISP-DM - CRoss-Industry Standard Process for Data Mining SEMMA - Sample,Explore,Modify,Model,Assess

SPSS - Statistical Package fo Social Sciences DOPM - Desordens Orais Potencialmente Mal´ıgnas DGP - Diret´orio de Grupos de Pesquisa

JAR - Java ARchive

ARFF - Attribute-Relation File Format QGIS - Quantum Gis

SIG - Sistema de Informa¸c˜ao Geogr´afica

(14)

1

Cap´ıtulo 1

Introdu¸

c˜

ao

1.1 Tema

Minera¸cão de dados aplicada à saúde coletiva, na descoberta de padrões de relacionamento em dados sobre a prevalência do câncer oral em trabalhadores da zona rural da Região do Seridó Potiguar.

1.2 Contextualiza¸

c˜

ao e Problema

O câncer oral (CO) refere-se a todos aqueles tipos de cânceres localizados na cavidade oral, incluindo a orofaringe, a base da l´ıngua e outras partes não especificadas, glândulas salivares, gengiva, assoalho da boca e palato (BORGES et al., 2009). Este tipo de câncer possui uma alta taxa de propaga¸cão (metástase), se diferenciando dessa forma de outros tipos de câncer que não se propagam com tanta facilidade (Apdesp-Informa,2006).

A preven¸cão e o esclarecimento sobre a doen¸ca são os maiores aliados no combate ao câncer oral (DAYANA, 2006). Comparando as estimativas do Instituto Nacional do Câncer (INCA), em 2008 e 2016, podemos considerar que os esfor¸cos para o aumento da realiza¸cão de campanhas de preven¸cão e conscientiza¸cão sobre o câncer bucal através da dissemina¸cão do conhecimento sobre a doen¸ca, podem ter contribu´ıdo para que não tivéssemos um grande aumento no número de novos casos da doen¸ca, porém, ainda assim tivemos um crescente nessas estimativas.

Em 2008, eram estimados cerca de 14.160 novos casos de cˆancer, sendo 10.380 para o sexo masculino e 3.780 para o sexo feminino. Em 2016 estimam-se cerca de 15.490 novos casos de cˆancer, sendo 11.140 para o sexo masculino e 4.350 para o sexo feminino. Tais valores ainda se mostram significativos, diante dos esfor¸cos para que estas estimativas se tornem decrescentes, representando, atualmente, um risco estimado de 11,27 novos casos a cada 100 mil homens e 4,21 a cada 100 mil mulheres.

A prevalência de câncer bucal é particularmente elevado entre os homens e é o 8o tipo de câncer mais comum em todo o mundo (PETERSEN, 2007). Na Região do Nordeste, é o 5o mais frequente (FERREIRA,2016), sendo o 4omais frequente entre os homens, e o 9o mais frequente entre as mulheres (CFO, 2014). No estado do Rio Grande do Norte é o 5o com maior incidência entre os homens e o 6o entre as mulheres (FERREIRA,2016).

A taxa de sobrevivência para esse tipo de câncer é uma das mais baixas se comparada a de outros tipos, em razão das lesões serem detectadas em estágios avan¸cados, pois se apresenta de forma indo-lor, inicialmente, retardando ainda mais o diagnóstico (Apdesp-Informa, 2006). Em 2013, no Brasil, o número de mortes chegou à estimativa de 5.401 casos (INCA, 2013). Por outro lado, quando detectada precocemente, a expectativa de sobrevivência, para este câncer é infinitamente maior (Apdesp-Informa,

2006).

Entre os fatores causadores deste câncer, o etilismo, o tabagismo e as infeçcões pelo Papiloma V´ırus Humano (HPV) se destacam como sendo os principais. Além disso, já foi observado que a jun¸cão do álcool e do tabaco aumentam ainda mais o risco de desenvolvimento do câncer (INCA, 2016), e a irradia¸cão

(15)

1.3. Objetivos 2

solar ´e um outro fator que se mostra como agravante.

Dentro deste contexto, o problema que o presente trabalho trata é: É poss´ıvel descobrir padrões de relacionamento entre os fatores associados (extr´ınsecos e/ou intr´ınsecos) e o câncer oral, utilizando algoritmos de minera¸cão de dados? Essa problematiza¸cão possibilitará uma valida¸cão do uso das técnicas de minera¸cão de dados, além de servir como uma nova diretriz para as pol´ıticas de saúde bucal na conscientiza¸cão e preven¸cão da doen¸ca, visto que a melhor forma de diminuir sua incidência é controlar os fatores de risco que conhecidamente favorecem seu desenvolvimento (MS,2014). Pesquisas como a deFERREIRA(2016), têm realizado estudos acerca do referido assunto, buscando encontrar padrões de relacionamento entre os fatores associados às lesões orais, através de análises es-tat´ısticas. A presente pesquisa, utilizará os dados coletados na pesquisa supracitada e almeja utilizar-se de meios computacionais, como as técnicas de minera¸cão de dados, com o objetivo de verificar a desco-berta de padrões que comprovem o relacionamento entre os fatores associados e a ocorrência do câncer oral dentro do escopo definido, a fim de diminuir a complexidade e o esfor¸co empregado, na otimiza¸cão de técnicas puramente estat´ısticas, no processo de descoberta de informa¸cão a partir destes dados.

1.3 Objetivos

Os objetivos deste trabalho se dividem em objetivo geral e objetivos espec´ıficos.

1.3.1 Objetivo Geral

O presente trabalho tem como objetivo geral utilizar técnicas de minera¸cão de dados para analisar padrões de relacionamento entre os fatores associados ao câncer oral, utilizando dados coletados junto a trabalhadores rurais da Região do Seridó.

1.3.2 Objetivos Espec´ıficos

a) Avaliar fatores de risco, descritos na literatura, que estejam associados a algum dos principais tipos de les˜ao oral estudados;

b) Identificar e validar regras de associa¸c˜ao que relacionem os fatores de riscos analisados e as les˜oes bucais identificadas nos trabalhadores;

c) Identificar áreas de risco estimando a incidência das lesões orais potencialmente malignas em cada localiza¸cão geográfica estudada.

1.4 Delimita¸

c˜

ao do Estudo

A Organiza¸cão Mundial da Saúde (OMS) divulga estat´ısticas sobre o câncer de boca em todo o mundo, porém ainda assim são escassos os dados sobre a prevalência dessa doen¸ca em algumas regiões espec´ıficas do pais, tais como aglomerados subnormais, zonas rurais, entre outros.

O presente trabalho busca analisar dados que tratam sobre a prevalência desta doen¸ca e que foram coletados na pesquisa deFERREIRA(2016). O pesquisador aplicou questionários e cinco equipes cons-titu´ıdas por profissionais da odontologia e da dermatologia realizaram exames cl´ınicos, sendo as lesões suspeitas encaminhadas para biópsias. Sua pesquisa de campo foi realizada em um per´ıodo entre mar¸co de 2013 e mar¸co de 2014, junto a um grupo de 1385 trabalhadores rurais sindicalizados e residentes nas cidades pertencentes à região do Seridó Potiguar.

A Região do Seridó foi dividida oficialmente pelo Instituto Brasileiro de Geografia e Estat´ıstica (IBGE), a partir do ano de 1988, em duas micro-regiões; o Seridó Oriental, composta pelos munic´ıpios de Acari, Carnaúba dos Dantas, Cruzeta, Currais Novos, Equador, Jardim do Seridó, Ouro Branco, Pa-relhas, Santana do Seridó, e São José do Seridó. E Seridó Ocidental composto pelas cidades de Caicó, Ipueira, Jardim de Piranhas, São João do Sabugi, Serra Negra do Norte e Timbaúba dos Batistas. En-tretanto, o Instituto de Desenvolvimento Sustentável e Meio Ambiente (IDEMA), reconhece ainda parte

(16)

1.5. Motiva¸c˜ao e Justificativa do Estudo 3

da microrregião do Vale do A¸cu e da Serra de Santana, como pertencentes a região do Seridó.

Dessa forma, a presente pesquisa terá como foco a Região do Seridó Potiguar, considerando a no-menclatura utilizada pelo IBGE e os dados citados anteriormente serão analisados através de métodos de minera¸cão de dados, que buscam encontrar padrões de relacionamento entre os fatores extr´ınsecos e/ou intr´ınsecos e o câncer oral. Estas informa¸cões abrangem casos sobre diversos tipos de lesões orais, sendo as principais, a Leucoplasia, a Eritroplasia, e a Queilite Act´ınica, e tratam ainda sobre fatores so-ciodemográficos e econômicos, uso de prote¸cão contra radia¸cão solar, cor da pele, uso de tabaco e álcool, tempo de trabalho e conhecimento acerca do câncer de boca.

1.5 Motiva¸

c˜

ao e Justificativa do Estudo

Mesmo diante do forte avan¸co no que se diz respeito a dissemina¸cão do conhecimento sobre o câncer bucal, ainda não se tem um controle dos fatores de risco do ponto de vista da preven¸cão, havendo a neces-sidade de mais estudos que avaliem e descrevam o comportamento dos potenciais fatores de risco/prote¸cão de maneira conjunta (RIBEIRO et al.,2015).

Algumas técnicas de análises estat´ısticas já foram utilizadas, em estudos anteriores, para a avalia¸cão de dados sobre o câncer bucal e outros fenômenos relacionados à saúde coletiva. Hoje, no Brasil, especi-almente na área da saúde, existe várias bases de dados dispersas e em diversos formatos, bem como um grande volume de dados ainda pouco explorados. Dessa forma, ressalta-se cada vez mais a importância do uso de novas técnicas que facilitem e otimizem esse processo complexo de avalia¸cão e descoberta de conhecimento a partir desse acervo de informa¸cão, como também, possibilite a explora¸cão destes dados diante da sua heterogeneidade.

Uma das dificuldades do uso de algumas técnicas estat´ısticas em análises de grandes volumes de dados é a grande complexidade gerada devido ao alto número de combina¸cões realizadas, de uma forma ainda pouco automatizada. Abaixo, a equa¸cão (1.1) demonstra o número de combina¸cões poss´ıveis a serem realizadas em uma pesquisa com uma base de dados que possui cerca de 94 atributos:

Cnp= n! p!(n − p)! = C 1 94+ C942 + ... + C9494= 94 X k=1 Ck94= (1.1) = 94! 1!(94 − 1)!+ 94! 2!(94 − 2)!+ ... + 94! 94!(94 − 94)!

sendo, n o n´umero total de atributos da base, e p apenas um subconjunto dos atributos.

Através do cálculo acima, pode-se observar que o resultado da soma de combina¸cões poss´ıveis resul-tará em alto valor, próximo de 1.9828, evidenciando a dificuldade existente na aplica¸cão desta tarefa, se executada de forma manual.

A minera¸cão de dados se constitui, em parte, de solu¸cões algor´ıtmicas que possibilitam o processa-mento de grandes volumes de dados e facilitam tarefas tal como análises complexas de dados cl´ınicos (CARVALHO et al., 2014), se mostrando como uma potencial técnica a ser utilizada para gerar in-forma¸cão útil mediante o estudo desses dados brutos.

Estes motivos justificam a realiza¸cão deste trabalho, a fim de propor uma forma alternativa de ava-lia¸cão para o fenômeno aqui estudado, através de técnicas e algoritmos que otimizem esse procedimento.

(17)

1.6. Classifica¸c˜ao da Pesquisa 4

1.6 Classifica¸

c˜

ao da Pesquisa

Com base em sua natureza podemos classificar esta pesquisa, segundo alguns autores como GIL

(2002) e WASLAWICK(2009), como básica visto que busca apenas gerar conhecimento sobre um fato. Com base em sua finalidade, podemos classificá-la como explicativa pois, inicialmente, se preocupa em identificar os fatores que determinam ou que contribuem para a ocorrência do fenômeno estudado. Mas, ainda segundo Gil, podemos dizer que também é uma pesquisa descritiva, pois almeja entender melhor um fenômeno coletivo, bem como descrever poss´ıveis associa¸cões entre as variáveis com influência direta sobre o fenômeno. E por fim, de acordo com seus procedimentos, a presente pesquisa se classifica, essencialmente, como sendo experimental.

1.7 Apresenta¸

c˜

ao do Trabalho

O presente trabalho está estruturado em quatro cap´ıtulos: introdu¸cão, referencial teórico, metodo-logia e resultados. No primeiro cap´ıtulo são introduzidas ideias gerais sobre a pesquisa, seus objetivos, delimita¸cão do estudo, sua classifica¸cão, motiva¸cão e justificativa da mesma. No segundo cap´ıtulo, é explanado os conceitos relacionados à problematiza¸cão aqui estudada (o relacionamento entre os fatores de risco e o câncer oral), e a minera¸cão de dados. Sobre a minera¸cão de dados, sua história e conceitos são descritos, bem como, suas tarefas e métodos, e o algoritmo Apriori, parte também relacionada à problematiza¸cão, é exposto e por fim, são apresentados os trabalhos relacionados. O terceiro cap´ıtulo apresenta o detalhamento dos materiais e métodos que foram utilizados a fim de atingir-se os objetivos desta pesquisa,. No quarto e último cap´ıtulo são apresentados os resultados dos experimentos feitos e as considera¸cões finais.

(18)

5

Cap´ıtulo 2

Referencial Te´

orico

Este Cap´ıtulo dedica-se a apresentar mais detalhadamente o câncer oral e as principais lesões orais associadas, bem como as técnicas de minera¸cão de dados que podem ser utilizadas no estudo desta problemática. São apresentados, ainda, pesquisas já realizadas acerca do referido assunto, de forma a respaldar o tema e os conceitos aqui utilizados, como também apresentar os resultados obtidos diante das técnicas já utilizadas.

2.1 Cˆ

ancer Oral

2.1.1 Tipos de Les˜

oes

Segundo Silveira apud FERREIRA (2016), a OMS denomina as altera¸cões teciduais que podem se transformar em câncer, como ”[...] ’ lesões com potencial de maligniza¸cão ’, sendo as principais: leu-coplasia, leucoplasia verrucosa proliferativa, eritroplasia, queilite act´ınica, fibrose submucosa oral, l´ıquen plano e atrofia por deficiência de ferro”. Estas lesões possuem uma propensão maior do que o normal para transforma¸cão em carcinoma epidermóide oral, que é o tipo mais comum de câncer bucal (OGBUREKE e BINGHAM,2012, tradu¸cão nossa).

A leucoplasia é, segundo a OMS, ”[...] uma mancha ou placa branca, não remov´ıvel à raspagem e que não pode ser classificada cl´ınica ou patologicamente como outra enfermidade (seu diagnóstico é feito por exclusão), e pode apresentar superf´ıcie lisa, rugosa ou verrugosa”, e sua taxa de transforma¸cão maligna pode variar de 0 a 20%, com uma média de 5% (Silveira apudFERREIRA, 2016). Essa lesão é a mais comum e pode surgir em qualquer localiza¸cão da cavidade oral, de forma única ou em formato de múltiplas lesões, entretanto seu aparecimento se dá principalmente na mucosa jugal e nas comissuras labiais. Pessoas com faixas etárias mais avan¸cadas correm um maior risco de desenvolvimento da doen¸ca, tendo o tabaco, o álcool, o HPV, e alguns outros tipos de infeçcões, elencados como poss´ıveis fatores causadores deste tipo de lesão (CARVALHO,2014).

A queilite act´ınica (QA) é uma lesão pré-maligna caracterizada por uma superf´ıcie lisa e com man-chas esbranqui¸cadas, estando diretamente relacionada à exposi¸cão excessiva e prolongada aos raios solares. Esta lesão acomete principalmente indiv´ıduos acima dos 45 anos, tendo maior incidência no sexo mas-culino (CORSO et al., 2006), possuindo duas classifica¸cões: aguda e a crônica. A QA aguda é mais comum e alguns sinais como pequenos edemas e vermelhidão são mais amenos, dificultando a percep¸cão do indiv´ıduo que a possui. Caso não haja um tratamento adequado e a exposi¸cão ao sol sem prote¸cão se prolongue, a lesão pode evoluir para o que se denomina como queilite crônica, que apresenta sinais mais severos como descama¸cão, sangramento, falta de delimita¸cão entre o vermelhão e a pele, atrofia labial, entre outros (VILELA,2011).

A eritroplasia se apresenta na forma de uma placa vermelha e carrega um aumentado risco de malig-niza¸cão (Warnakulasuriya apudOLIVEIRA,2011). SegundoALFAYA et al.(2012), essa lesão apresenta tamanho variado e pode ser classificada em: homogênea, quando possui aspecto avermelhado, plana e com bordas bem definidas; associada ou, também conhecida como eritroleucoplasia, lesão clinicamente semelhante à anterior, porém associada a áreas leucoplásicas; e granular, lesão vermelha, ligeiramente elevada, com bordas irregulares entremeadas por pontos leucoplásicos. Entre os fatores de riscos mais

(19)

2.2. Descoberta de Conhecimento em Bases de Dados 6

citados pela literatura estão o uso do tabaco e o consumo de álcool, especialmente se associados, de-ficiências nutricionais, infeçcões virais e fatores genéticos e hereditários. Estima-se que esta lesão tenha uma maior incidência em indiv´ıduos entre a 6ae 7a década de vida.

2.1.2 Fatores Associados

”O câncer de boca é uma doen¸ca multifatorial. A exposi¸cão a um dos três grandes grupos de est´ımulos cancer´ıgenos, nominalmente qu´ımicos, f´ısicos e virais, é conhecido por provocar câncer na mucosa oral condicionada por métodos genéticos e sistêmicos ”(Syrjanen e Reddout apud (OGBUREKE e BINGHAM

2012, tradu¸cão nossa). Dentre os fatores qu´ımicos, o uso excessivo do tabaco e do álcool se destacam, representando um risco ainda maior se associados. Com o uso do tabaco, seja fumado, mascado ou as-pirado, os tabagistas apresentam chances entre 4 a 15 vezes mais de desenvolver câncer da boca do que os não-tabagistas. Já os consumidores de álcool possuem 9 vezes mais chances de desenvolver um câncer oral e, se associado ao tabaco, este risco torna-se 35 vezes maior. (MS e INCA,2002).

Os hábitos alimentares também representam um fator associado. Segundo dados do INCA, é poss´ıvel que as deficiências nutricionais possam ocasionar altera¸cões no epitélio, tornando a mucosa bucal mais suscet´ıvel aos agentes causadores do câncer. A predisposi¸cão genética também é um fator de risco, apesar de raramente ser considerada como causa única no desenvolvimento do câncer. As infeçcões pelo v´ırus HPV também podem levar à ocorrência de câncer oral, especialmente os tipos 16 e 18 que, dentre os treze tipos de HPV que são considerados de alto risco oncogênicos, são tidos como os mais suscept´ıveis a causar câncer (FERREIRA, 2016) e (INCA, 2018) . Já a exposi¸cão prolongada à irradia¸cão solar, é considerado um fator extr´ınseco agravante do câncer de boca.

2.2 Descoberta de Conhecimento em Bases de Dados

O processo de Descoberta de Conhecimento em Bases de Dados - DCBD (do inglês, Knowledge Discovery in Databases - KDD) envolve um conjunto de tarefas que permitem transformar dados brutos em conhecimento. Abaixo, a Figura 2.1 apresenta um modelo detalhado para o processo de DCBD proposto porFAYYAD et al.(1996). De forma geral, na etapa sele¸cão é escolhido o conjunto de dados contendo todas as poss´ıveis variáveis que farão parte da análise. A etapa de pré-processamento engloba as fun¸cões de organiza¸cão e limpeza dos dados, para que se adequem à aplica¸cão de algoritmos na etapa seguinte, à minera¸cão dos dados. Na etapa de minera¸cão de dados é feita a busca efetiva por informa¸cões que serão tratadas posteriormente no pós-processamento (GOLDSCHMIDT et al., 2015). A se¸cão2.2.1

tratará das etapas de pré-processamento e pós-processamento dos dados, de forma mais detalhada. Já a etapa de minera¸cão de dados será descrita na se¸cão2.3.

Figura 2.1: Processo de DCBD.

(20)

2.2. Descoberta de Conhecimento em Bases de Dados 7

2.2.1 Pr´

e-Processamento e P´

os-Processamento dos Dados

O pré-processamento de dados integra o processo de DCBD e consiste em um conjunto de diferentes estratégias e técnicas inter-relacionadas que buscam tornar os dados mais adequados para a minera¸cão de dados. Devido às muitas formas de coleta e armazenamento de dados, este talvez seja o passo mais trabalhoso e demorado do processo de DCBD (TAN et al., 2009). Esta etapa abrange as fun¸cões de limpeza, redu¸cão, transforma¸cão e integra¸cão dos dados, sendo as tarefas mais usadas nestas quatro fases descritas a seguir:

A fun¸cão de limpeza está diretamente relacionada com a garantia da qualidade dos dados e envolve técnicas para verifica¸cão de inconsistências, limpeza ou preenchimento de dados ausentes e exclusão de valores fora do dom´ınio do atributo (outliers).

Segundo TAN et al., (2009), existem duas técnicas que podem ser utilizadas na redu¸cão de dados. A primeira delas é a agrega¸cão de dados, que consiste em combinar um ou mais objetos em um único, obtendo assim um visão de alto n´ıvel dos dados. Uma segunda técnica é a redu¸cão de dimensionalidade. Esta estratégia diminui o número atributos dos dados, podendo assim eliminar caracter´ısticas irrelevantes e obter um modelo mais compreens´ıvel, além de permitir que os dados sejam visualizados mais facilmente. Uma terceira forma de reduzir a dimensionalidade é a chamada sele¸cão de subconjunto de caracter´ısticas, que cria novos atributos que sejam uma combina¸cão dos atributos antigos.

Muitas vezes os atributos de uma base possuem valores muito discrepantes entre si. Em determinados métodos, esta discrepância pode influenciar e modificar os resultados esperados. Para estes casos, existe a técnica de normaliza¸cão de dados. Esta técnica coloca todos os valores de um atributo em uma escala de pequenos intervalos, que pode ser de 0 a 1, 1 a 100, entre outros. As principais fun¸cões para normalizar dados, segundoGOLDSCHMIDT et al.(2015), são apresentadas a seguir;

Normaliza¸cão linear: considera os valores m´ınimo e máximo de cada atributo no ajuste da escala, e é definida pela equa¸cão (2.1):

A’= A − M in

M ax − M in (2.1) onde:

A’_´_{e o valor normalizado;}

A ´e o valor original;

Min é o valor m´ınimo do atributo a ser normalizado; Max é o valor máximo do atributo a ser normalizado.

Normaliza¸cão por Desvio Padrão: considera a média dos valores de um atributo e a sua disper¸cão em rela¸cão à média. A fun¸cão é definida pela equa¸cão (2.2):

A’ =A − µ

σ (2.2)

onde:

A’´e o valor normalizado; A ´e o valor original;

µ é a média aritmética simples dos valores do atributo; σ é o desvio-padrão dos valores do atributo.

Normaliza¸cão pela Soma dos Elementos: este método consiste em dividir cada valor do atributo a que será normalizado pela soma de todos os valores deste mesmo atributo. A fun¸cão é dada pela equa¸cão (2.3): A’= A X (2.3) onde: A’é o valor normalizado; A é o valor original;

(21)

2.3. Minera¸c˜ao de Dados 8

Normaliza¸cão pelo Valor Máximo dos Elementos: este método determina a divisão de cada valor do atributo a ser normalizado pelo maior valor dentre os valores deste mesmo atributo. Com isto temos a equa¸cão (2.4): A’= A M ax (2.4) onde: A’_´_{e o valor normalizado;} A é o valor original;

Max ´e o valor m´aximo do atributo.

Uma outra técnica bastante utilizada no processo de transforma¸cão de dados é a discretiza¸cão de atributos quantitativos em qualitativos ou, inversamente, a discretiza¸cão de atributos qualitativos em quantitativos. Alguns algoritmos de minera¸cão de dados só aceitam valores de entradas correspondentes a um destes dois tipo: qualitativos ou quantitativos. Desta forma se faz necessário a conversão dos dados. Um atributo Idade, por exemplo, inicialmente apresentado na forma quantitativa pode ser transformado em qualitativo através da defini¸cão das faixas etárias, Jovens, entre 0 e 19 anos; Adultos, entre 20 e 59 anos; e Idosos, acima dos 59 anos. Para a conversão contrária usando o atributo Prioridade como exemplo, os valores alta, média e baixa poderiam corresponder aos valores 3, 2 e 1.

A técnica de binariza¸cão de dados é bastante utilizada na prepara¸cão dos dados para a aplica¸cão de algoritmos que buscam padrões de associa¸cão. Para atributos categóricos com m valores categorizados, cada valor original é atribu´ıdo a um valor inteiro no intervalo [0, m - 1], mantendo a ordem, caso o atri-buto seja ordinal. Em outros casos especialmente para algoritmos tradicionais de regras de associa¸cão, é necessário transformar um único atributo binário em dois atributos binários assimétricos. Considerando o atributo sexo, esta informa¸cão teria que ser modificada em dois atributos binários assimétricos x1

(mas-culino) e x2(feminino) onde, x2seja 0 apenas quando a pessoa for do sexo masculino e x1seja 0 apenas

quando a pessoa for do sexo feminino (TAN et al.,2009).

Após o término das quatros etapas, quando necessárias, e ainda da fase de DM, tem-se a etapa de pós-processamento dos dados que envolve as formas para visualizar e interpretar o modelo gerado na fase anterior, apresentando-o através de árvores de decisão, gráficos diversos, planilhas, entre outros.

2.3 Minera¸

c˜

ao de Dados

A Descoberta de Conhecimento em Bases de Dados, como já foi dito, refere-se a um conjunto de etapas necessárias para a descoberta de conhecimento em dados. A minera¸cão de dados representa a principal etapa deste processo, sendo a responsável direta pela perscruta¸cão do conhecimento através de seus métodos e tarefas. Muitas são as defini¸cões dadas a este campo de conhecimento sendo uma das mais aceitas, a proposta de Hand, Mannila e Smyth apudROCHA et al. (2008, grifo do autor):

”Minera¸cão de Dados análise de conjuntos de dados, tipicamente de grande dimensão com o intuito de revelar rela¸cões desconhecidas e sumarizar os dados de formas inovadoras, que sejam úteis e compreens´ıveis para o utilizador.”

A minera¸cão de dados, do inglês Data Mining (DM) busca, essencialmente, extrair informa¸cões úteis a um determinado fim, através de algoritmos de classifica¸cão, aprendizagem de máquina, entre outros, a partir da explora¸cão de grandes quantidades de dados brutos. As técnicas de minera¸cão de dados vêm sendo cada vez mais aprimoradas ao longo do tempo, para acompanhar o potencial, para diversos fins, do grande volume de dados dispon´ıveis.

2.3.1 Hist´

oria e Conceitos

Com o grande e acelerado avan¸co das tecnologias, as organiza¸cões em diversas áreas como negócios, saúde, ciência, entre outras mais, puderam coletar e armazenar uma grande quantidade de dados. Essa produ¸cão vem aumentando a cada ano, tornando quase imposs´ıvel utilizar as técnicas tradicionais para tratar esse grande volume de dados brutos, bem como, novos tipos de dados.

(22)

Diante deste cenário, pode-se elencar alguns desafios motivadores para a cria¸cão da minera¸cão de dados, tais como: escalabilidade, alta dimensionalidade, dados complexos e heterogêneos e análises não tradicionais.

Buscando superar os desafios supracitados, vários pesquisadores iniciaram o desenvolvimento de técnicas e ferramentas mais eficientes que atendessem à necessidade de escalabilidade, tratamento de diversos tipos de dados, e que pudessem realizar deteçcão de anomalias, descoberta de novos padrões e de correla¸cões, e que são baseados na jun¸cão de outras três técnicas: a estat´ıstica, aprendizagem de máquina e a inteligência artificial (TAN et al.,2009).

A minera¸cão de dados é vista, atualmente, como uma das tecnologias mais promissoras, visto que grandes institui¸cões gastam muito para coletar e armazenar dados, e no entanto, não conseguem extrair informa¸cões úteis a partir destes. Além disso, a Sociedade Brasileira de Computa¸cão (SBC) elencou a ”Gestão da informa¸cão em grandes volumes de dados multim´ıdia distribu´ıdos”como um dos cinco grandes desafios da computa¸cão no brasil, para as próximas décadas (BRAYNER et al.,2006).

2.3.2 Tarefas

A minera¸cão é composta por diversas tarefas. Entre estes, os mais comuns são:

Classifica¸c˜ao

A classifica¸cão é uma das tarefas mais utilizadas na minera¸cão e visa construir um modelo, seguindo um conjunto de caracter´ısticas espec´ıficas encontradas em atributos preditivos, que será aplicado em cada novo dado não-classificado. Dessa forma, um novo registro será sempre categorizado de acordo com a classe que possui registros semelhantes. Conhecidamente um objeto pode ser muito semelhante à outro, porém dificilmente estes objetos serão idênticos. Diante disso, existem certas caracter´ısticas que preci-sam ser desprezadas no processo de classifica¸cão, considerando-se apenas as principais. Normalmente, os dados fornecidos são divididos em dois grupos: um conjunto de treinamento, que servirá para criar o modelo de classifica¸cão; e um conjunto de teste, que possuirá dados dispersos e ainda sem classifica¸cão. Para avaliar o desempenho de um modelo de classifica¸cão, usa-se uma tabela conhecida por matriz de confusão, que serve para tabular a contagem de registros de testes previstos correta e incorretamente pelo modelo (TAN et al., 2009), conforme ilustrada na Figura 2.2.

Figura 2.2: Matriz de confus˜ao para um problema de 2 classes.

Fonte: Adaptada deTAN et al.,2009.

Para uma situa¸cão em que existam duas poss´ıveis classes (0 e 1). A interpreta¸cão dos dados da matriz de confusão se dá da seguinte forma: o valor F11 conterá a soma dos casos onde algoritmo identificou a

classe prevista igualmente `a classe real. Similarmente o mesmo acontece para o valor F00. J´a o valor F10

e o valor F01 conter´a, respectivamente, todos os casos onde a classe real era 1 e o algoritmo classificou

como 0, e todos os casos onde a classe era 0 e foram classificados como 1.

An´alise de Agrupamento

O objetivo da análise de agrupamento é particionar registros dispersos de um banco de dados em subconjuntos, também chamados de clusters, de forma que os registros de um determinado subconjunto sejam muito semelhantes entre si e muito diferentes dos registos dos outros subconjuntos. O agrupamento pode ser considerado também uma técnica de classifica¸cão, visto que esse método cria uma rotulagem de

(23)

registros, ou objetos, com rótulos de classes (grupos), porém derivando estes rótulos apenas dos dados (TAN et al.,2009).

Um dos algoritmos mais simples, mas amplamente utilizado, que implementa essa tarefa é o k -means, um método de agrupamento que consiste em determinar k centroides, que geralmente corresponde à média de um grupo de pontos, particionando N observa¸cões, onde cada uma pertence ao grupo mais próximo da média (TAN et al.,2009). O algoritmo é formalmente descrito na Figura2.3.

Figura 2.3: Algoritmo K-means b´asico.

Fonte: adaptado deTAN et al.,2009.

An´alise de Associa¸c˜ao

Essa técnica se baseia em regras e busca encontrar todas as poss´ıveis associa¸cões existentes entre os itens de um determinado conjunto de dados, utilizando-se de um valor de suporte e de confian¸ca m´ınimos, onde cada regra de associa¸cão gerada deverá possuir um suporte e um valor de confian¸ca maior ou igual a estes valores m´ınimos. A análise de associa¸cão será um dos objetos de estudo deste trabalho e será descrita mais detalhadamente, bem como um dos algoritmos que implementa esta técnica, na se¸cão2.4.

Regress˜ao Linear

A regressão linear busca encontrar uma rela¸cão entre um conjunto de atributos de entrada e um atributo-meta cont´ınuo, se assemelhando à tarefa de classifica¸cão, porém não utiliza atributos discretos. O objetivo da regressão é encontrar um mapeamento da seguinte forma (CASTANHEIRA, 2008):

X = {x1, x2, ..., xn} → Y = f {x1, x2, ..., xn}

Onde:

X é o atributo de entrada e variável independente; {x1,x2,...,xn} são os poss´ıveis valores da variável X.

Y ´e o atributo-meta e vari´avel dependente ;

Essa regressão é tida como linear porque a rela¸cão entre os dom´ınios das variáveis se assemelha a uma fun¸cão de 1o grau, ou fun¸cão linear. As regressões que não apresentam esse formato, são descritas como regressões não-lineares.

2.3.3 M´

etodos

´

Arvores de Decis˜ao ´

Arvores de decisão são representa¸cões gráficas que permitem a extra¸cão de regras de classifica¸cão e são formadas por três tipos de nodo ou nó, que representam questionamentos que se deve obter uma decisão. São eles: nodo raiz, nodo interno e nodo folha ou terminal. A partir do nodo raiz, podemos obter condicionais das variáveis em que são definidos os dom´ınios de classifica¸cão, sendo representados na forma: SE [condicional] ENT ÃO [classe] (Vale et al. apudFERREIRA et al. 2013), essas condi¸cões são normalmente igualdades do tipo ”atributo = valor”quando se trata de atributos nominais, e em casos de atributos numéricos, o s´ımbolo de igualdade é substitu´ıdo por ≥ ou ≤ (ROCHA et al.,2008).

As condi¸cões estabelecidas em cada nó são utilizadas para testar os atributos a fim de separar os registros que possuam caracter´ısticas diferentes. A Figura2.4 mostra um exemplo de classifica¸cão de

(24)

vertebrados, onde o atributo Temperatura Corporal, por exemplo, serve para separar vertebrados de sangue frio, que são não-mam´ıferos, de vertebrados com sangue quente. Já o atributo Origina, separa os vertebrados de sangue quente de outros animais que também possuem essa caracter´ıstica, mas que não pertencem a classe dos mam´ıferos (TAN et al.,2009).

Figura 2.4: Classificando um vertebrado sem r´otulo.

Fonte: TAN et al., 2009.

Redes Neurais Artificiais

As Redes Neurais Artificiais (RNA) tentam, basicamente, simular o comportamento dos neurônios do cérebro. Elas são constitu´ıdas por unidades básicas de processamento, chamadas de neurônios ou nodos, que estão fortemente interligados por conexões ou sinapses (ROCHA et al.,2008), e implementam algoritmos de aprendizagem de máquina na constru¸cão de modelos preditivos em base de dados históricos (PINHEIRO,2008).

Figura 2.5: Topologia de uma rede neural artificial.

Fonte: PINHEIRO,2008.

A Figura2.5mostra uma ilustra¸cão simples de uma RNA, onde são apresentados três nós de entrada, uma segunda camada também com três nós que é resultante do processamento dos atributos da primeira

(25)

2.4. Algoritmo Apriori 12

camada, e um n´o de sa´ıda que ´e o resultado final do processo.

2.4 Algoritmo Apriori

O algoritmo Apriori foi proposto por Agrawal e Srikant(1994), sendo um dos algoritmos mais uti-lizados para descobrir regras de associa¸cão. Este método baseia-se em um valor de suporte e um valor de confian¸ca para definir se há associa¸cões entre os itens de um determinado conjunto de dados. Ele foi um dos primeiros algoritmos a implementar o sistema de poda para diminuir o crescimento exponencial dos conjuntos de itens candidatos a regras, sendo essencialmente dividido em duas partes. Na primeira, considerando um conjunto de transa¸cões T, o algoritmo irá selecionar todos os subconjuntos t poss´ıveis que possam gerar alguma regra de associa¸cão, ou seja, que tenha o valor de suporte s, maior ou igual ao valor m´ınimo estabelecido. Na segunda parte, o algoritmo irá verificar se existe regra de associa¸cão do tipo SE antecedente ENT ÃO consequente, nos subconjuntos criados na etapa anterior, e irá filtrá-las baseando-se agora no n´ıvel de confian¸ca c m´ınimo.

2.4.1 Exemplo de Extra¸

c˜

ao de Regras de Associa¸

c˜

ao

Considerando um conjunto de dados fict´ıcios, como mostrado na Tabela 2.1, o exemplo a seguir demonstra como extrair poss´ıveis regras de associa¸c˜oes por meio do Apriori.

Tabela 2.1: Exemplo base de transa¸c˜oes.

Transa¸c˜ao Itens

1 leite,ovos,café,a¸cúcar,fraldas,manteiga 2 leite,café,farinha

3 leite,ovos,a¸cúcar 4 café,a¸cúcar 5 fraldas

6 manteiga,ovos,leite 7 caf´e,a¸c´ucar,leite,ovos 8 farinha,manteiga,ovos

9 manteiga,ovos,leite,caf´e,a¸cucar 10 fraldas,caf´e,cerveja

Fonte: adaptada deGOLDSCHMIDT et al.,2015.

Seja Tko conjunto de k-itens candidatos, onde k =10 e cada elemento tk possui dois campos: itemset

e suporte. O primeiro passo é calcular a frequência com que cada item aparece nas transa¸cões, formando o conjunto dos 1-itemsets frequentes, T1. Para isso devemos utilizar a equa¸cão (2.5):

n

k (2.5)

onde n é a frequência do item nas transa¸cões. Ao final, teremos um resultado igual ao mostrado na Tabela2.2.

(26)

Tabela 2.2: Conjunto de 1-itemsets.

Itemset Suporte Leite 0.6 Ovos 0.6 Caf´e 0.6 A¸c´ucar 0.5 Fraldas 0.3 Manteiga 0.4 Farinha 0.2 Cerveja 0.1

Assumindo um valor de suporte m´ınimo igual a 25%, tem-se que apenas os itens (Leite, Ovos, Café, A¸cúcar, Fraldas e Manteiga) atenderam ao critério estabelecido e seguiram para o passo dois, onde será constru´ıdo o conjunto T2 com os 2-Itemsets mais frequentes. Ao final, temos o resultado demonstrado na Tabela2.3.

Itemset Suporte Leite, Ovos 0.5 Leite, Café 0.4 Leite, A¸cúcar 0.4 Leite, Fraldas 0.1 Leite, Manteiga 0.3 Ovos, Café 0.3 Ovos, A¸cúcar 0.4 Ovos, Fraldas 0.1 Ovos, Manteiga 0.4 Café, A¸cúcar 0.4 Café, Fraldas 0.2 Café, Manteiga 0.2 A¸cúcar, Fraldas 0.1 A¸cúcar, Manteiga 0.2 Fraldas, Manteiga 0.1

Repetindo os procedimentos supracitados, descartando os itemsets (Leite, Fraldas), (Ovos, Fraldas), (Café, Fraldas),(Café, Manteiga), (A¸cúcar, Fraldas), (A¸cúcar, Manteiga) e (Fraldas, Manteiga), chega-se ao conjunto de 3-itemsets como mostra a Tabela2.4.

Itemset Suporte Leite, Ovos, Café 0.3 Leite, Ovos, A¸cúcar 0.4 Leite, Ovos, Manteiga 0.3 Leite, Café, A¸cúcar 0.3 Leite, Café, Manteiga 0.2 Leite, A¸cúcar, Manteiga 0.2 Ovos, Café, A¸cúcar 0.3 Ovos, Café, Manteiga 0.2 Ovos, A¸cucar, Manteiga 0.2 Café, A¸cúcar, Manteiga 0.2

E por fim, não é mais poss´ıvel criar combina¸cões com 5-itemsets. Chegamos, então, ao conjunto de 4-itemsets, conforme mostra a Tabela2.5.

(27)

Itemset Suporte Leite, Ovos, Café, A¸cúcar 0.3 Leite, Ovos, Café, Manteiga 0.2 Leite Ovos, A¸cúcar, Manteiga 0.2 Leite, Café, A¸cúcar, Manteiga 0.2 Ovos, Café, A¸cúcar, Manteiga 0.2

Na segunda parte do algoritmo deve-se calcular o n´ıvel de confian¸ca para cada regra de associa¸cão gerada, a partir do itemset (Leite, Ovos, Café, A¸cúcar ), através da cria¸cão de permuta¸cões entre os itens, pois o suporte de SE a ENT ÃO b será sempre igual ao suporte de SE b ENT ÃO a, porém, a confian¸ca de SE a ENT ÃO b, pode ser diferente da confian¸ca de SE b ENT ÃO a. Utilizando a equa¸cão (2.6):

n

k (2.6)

onde n é a frequência de registros que contém a e b e k é a frequência de registros que contém a nas transa¸cões, assume-se um valor m´ınimo para a confian¸ca igual a 75%.

Tabela 2.6: Regras candidatas com 1 antecedente.

Regra Candidata Confian¸ca SE Leite ENT ÃO Ovos 0.83 SE Leite ENT ÃO Café 0.66 SE Leite ENT ÃO A¸cúcar 0.66 SE Ovos ENT ÃO Leite 0.83 SE Ovos ENT ÃO Café 0.50 SE Ovos ENT ÃO A¸cúcar 0.66 SE Café ENT ÃO Leite 0.66 SE Café ENT ÃO Ovos 0.50 SE Café ENT ÃO A¸cúcar 0.66 SE A¸cúcar ENT ÃO Leite 0.80 SE A¸cúcar ENT ÃO Ovos 0.80 SE A¸cúcar ENT ÃO Café 0.80 SE Leite ENT ÃO Ovos, Café 0.50 SE Leite ENT ÃO Ovos, A¸cúcar 0.66 SE Leite ENT ÃO Café, A¸cúcar 0.50 SE Ovos ENT ÃO Leite, Café 0.50 SE Ovos ENT ÃO Leite, A¸cúcar 0.66 SE Ovos ENT ÃO Café, A¸cúcar 0.50 SE Café ENT ÃO Leite, Ovos 0.50 SE Café ENT ÃO Leite, A¸cúcar 0.50 SE Café ENT ÃO Ovos, A¸cúcar 0.50 SE A¸cúcar ENT ÃO Leite, Ovos 0.80 SE A¸cúcar ENT ÃO Leite, Café 0.60 SE A¸cúcar ENT ÃO Ovos, Café 0.60 SE Leite ENT ÃO Ovos, Café, A¸cúcar 0.66 SE Ovos ENT ÃO Leite, Café, A¸cúcar 0.66 SE Café ENT ÃO Leite, Ovos, A¸cúcar 0.66 SE A¸cúcar ENT ÃO Leite, Ovos, Café 0.60

(28)

2.5. Metodologias de DCBD 15

A Tabela 2.6 mostra as regras de associa¸c˜ao existentes com 1 antecedente. J´a as Tabelas 2.7 e 2.8

mostram a listagem das regras com 2 e 3 antecedentes, respectivamente.

Tabela 2.7: Regras candidatas com 2 antecedentes.

Regra Candidata Confian¸ca SE Leite, Ovos ENT ÃO Café 0.60 SE Leite, Ovos ENT ÃO A¸cúcar 0.80 SE Leite, Café ENT ÃO Ovos 0.75 SE Leite, Café ENT ÃO A¸cúcar 0.75 SE Leite, A¸cúcar ENT ÃO Ovos 1.00 SE Leite, a¸cúcar ENT ÃO Café 0.75 SE Leite, Ovos ENT ÃO Café, A¸cúcar 0.60 SE Leite, Café ENT ÃO Ovos, A¸cúcar 0.75 SE Leite, A¸cúcar ENT ÃO Ovos, Café 0.75 SE Ovos, Café ENT ÃO Leite, A¸cúcar 1.00 SE Ovos, A¸cúcar ENT ÃO Leite, Café 0.75 SE Café, A¸cúcar ENT ÃO Leite, Ovos 0.75

Tabela 2.8: Regras candidatas com 3 antecedentes.

Regra Candidata Confian¸ca SE Leite, ovos, café ENT ÃO A¸cúcar 0.60 SE Leite, Ovos, A¸cúcar ENT ÃO Café 0.75 SE Leite, café, a¸cúcar ENT ÃO Ovos 1.00 SE Ovos, café, a¸cúcar ENT ÃO Leite 1.00

Após listar todas as regras candidatas e filtrá-las, baseando-se no valor de confian¸ca minimo esta-belecido, é necessário compreender quais são as regras interessantes. Aqui, o conceito de interessante é referente ao fato de uma regra acrescentar em termos de conhecimento ou não. Suponhamos uma certa regra SE a ENT ÃO b com 95% de confian¸ca; entretanto temos que ’a’ aparece em 95% das transa¸cões. Dizemos então que essa não é uma regra interessante. Por outro lado, se temos uma regra SE a ENT ÃO b com 75% de confian¸ca e ’a’ aparece em apenas 10% das transa¸cões, podemos inferir que esta seria uma regra interessante, pois é uma associa¸cão dif´ıcil de ser percebida.

No exemplo aqui explanado, pode-se destacar três regras de associa¸cão interessantes. Podemos des-crever a associa¸cão a qual essas regras representam como sendo, por exemplo, ”A compra de ’Ovos e Café’ leva à compra de ’Leite e a¸cúcar’ em 100% dos casos”. A Tabela2.9, mostras as três regras supracitadas.

Tabela 2.9: Regras de Associa¸c˜ao.

Regra Candidata Confian¸ca Antecedente Confian¸ca Regra SE Ovos, Café ENT ÃO Leite, A¸cúcar 30% 100%

SE Leite, Café, A¸cúcar ENT ÃO Ovos 30% 100% SE Ovos, Café, A¸cúcar ENT ÃO Leite 30% 100%

2.5 Metodologias de DCBD

A formula¸cão de modelos e estratégias de realiza¸cão de DCBD objetiva preestabelecer conjuntos ordenados de regras e tarefas a serem seguidas pelo homem a fim de realizar aplica¸cões de DCBD e produzir resultados satisfatórios (GOLDSCHMIDT et al.,2015).

(29)

2.5. Metodologias de DCBD 16

2.5.1 Metodologia CRISP-DM

O modelo de processo CRISP-DM (CRoss-Industry Standard Process for Data Mining) foi um dos modelos precursores, além de bem aceito e explorado pela literatura. Uma metodologia bastante usada pela indústria é descrita em termos de um processo hierárquico, com um ciclo de vida que se desenvolve em seis fases: estudo de negócios, explora¸cão dos dados, prepara¸cão dos dados, modelagem, avalia¸cão e implementa¸cão (COSTA et al.,2014). Ver Figura2.6.

Figura 2.6: Modelo CRISP-DM.

Fonte: COSTA et al.,2014.

No estudo de negócios é necessário conhecer o contexto em que o processo de DCBD será aplicado e a atual situa¸cão da empresa. Na etapa de explora¸cão dos dados, geralmente realizada em paralelo `

a anterior, realiza-se um estudo aprofundado dos dados dispon´ıveis. A prepara¸cão dos dados engloba todas as tarefas de pré-processamento necessárias para deixar os dados adequados para a etapa seguinte. Nesta quarta etapa, modelagem, se escolhe os algoritmos de minera¸cão a serem utilizados sobre os dados que serão analisados. Essa atividade pode acarretar um retorno à etapa de prepara¸cão dos dados, para que seja revisto o formato do conjunto de dados utilizados. Na penúltima fase, a etapa de avalia¸cão, é analisado a qualidade do(s) modelo(s) de conhecimento gerado na fase anterior. Essa fase também pode gerar revisões nas etapas anteriores e, ainda, mudan¸cas nos passos seguintes. Na fase final, a de desenvolvimento, é feito um relatório final sobre o processo de DCBD e o acompanhamento das a¸cões realizadas com o(s) modelo(s) de conhecimento gerado(s) nas fases anteriores (GOLDSCHMIDT et al.,

2015).

2.5.2 Metodologia SEMMA

Esta metodologia se apresenta como um processo de cinco fases: Sample, Explore, Modify, Model e Assess. A primeira fase (Sample) consiste em uma amostra representativa dos dados, que posteriormente são explorados (Explore) visualmente e numericamente. Em seguida esses dados são transformados (Modify), se necessário, para que os algoritmos possam ser aplicados e o modelo possa ser constru´ıdo (Model ). E por fim, na última fase da metodologia (Assess), o desempenho do modelo constru´ıdo é avaliado (COSTA et al.,2014). Ver Figura2.7.

(30)

2.6. Trabalhos Relacionados 17

Figura 2.7: Metodologia SEMMA.

2.5.3 Metodologia Klemettinen

A metodologia adotada neste trabalho é a apresentada porKLEMETTINEN et al.(1997), que apesar de utilizar as fases já definidas porFAYYAD et al.(1996), sendo elas: pré-processamento, transforma¸cão, descoberta, apresenta¸cão e utiliza¸cão, dá uma ênfase maior nas fases intermediárias. Nas duas primeiras etapas, as tarefas de sele¸cão e prepara¸cão dos dados são realizadas. Na terceira etapa, é gerado um conjunto de padrões potencialmente interessantes, para que na etapa de apresenta¸cão (parte principal desta metodologia) os padrões relevantes, de fato, se sobressaiam dentre estes outros potencialmente relevantes (COSTA et al.,2014).Ver Figura2.8.

Figura 2.8: Metodologia Klemettinen.

2.6 Trabalhos Relacionados

O uso da minera¸cão de dados vem se tornando cada vez mais popular em diversas áreas, principal-mente devido à sua capacidade de processar grande volume de dados, como já explanado. No que diz respeito aos estudos sobre dados cl´ınicos, a implementa¸cão dos sistemas de informa¸cão para gerenciar dados e dar suporte na tomada de decisão de órgãos de gestão em saúde pública parece ter impulsionado e facilitado a realiza¸cão de mais estudos na área. Com as pesquisas realizadas, houve a possibilidade de analisar não somente o trabalho precursor deste estudo, mas também de outros que exploram sobre o câncer oral em diferentes grupos de pessoas, bem como trabalhos sobre aplica¸cões e análises da técnica de extra¸cão de regras de associa¸cão.

Na pesquisa deZANETTI et al.(2011), foi avaliado o conhecimento acerca do câncer de boca e seus fatores de risco, as lesões cancerizáveis e seu tratamento, em um grupo de motoristas de caminhão, que foi

(31)

2.6. Trabalhos Relacionados 18

visto pelos autores como pessoas propensas ao desenvolvimento da doen¸ca devido à exposi¸cão a hábitos nocivos e a alega¸cão de falta de tempo para realizar exames médicos. O estudo se deu através de um questionário e análise dos dados com a ferramenta Epi-info com a aplica¸cão do teste de qui-quadrado. Dentre suas conclusões o autor relata que a grande maioria das pessoas entrevistadas desconheciam a doen¸ca e suas poss´ıveis causas e que quase 30% possu´ıam sinais suspeitos da doen¸ca.

Em um estudo com métodos semelhante ao supracitado, SOUZA et al. (2012) avaliaram o n´ıvel de conhecimento sobre do câncer bucal, as atitudes diante dos agentes causadores e as medidas preventivas adotadas em uma popula¸cão de horticultores da cidade de Teresina-PI. Após aplica¸cão de um questionário, o software Statistical Package for Social Sciences (SPSS) foi utilizado neste estudo para analisar os dados através do teste de qui-quadrado, levando o autor a concluir que a maioria das pessoas entrevistadas conheciam a doen¸ca, mas de forma superficial. O maior fator de risco apresentado é a exposi¸cão solar, e essa maioria utiliza ao menos uma das formas preventivas.

FERREIRA(2016) realizou uma pesquisa com trabalhadores rurais sindicalizados residentes na região do Seridó Potiguar, a fim de estimar a prevalência de desordens orais na referida popula¸cão. Após aplica¸cão de questionário e a realiza¸cão de exames cl´ınicos, Ferreira também utilizou o SPSS para anali-sar os dados através da aplica¸cão de alguns testes estat´ısticos. Inicialmente foi feita uma análise estat´ıstica descritiva de todas as variáveis. Em seguida realizou-se o teste de Qui-Quadrado, almejando avaliar as-socia¸cões entre as desordens orais potencialmente malignas (DOPM) e algumas variáveis independentes como sexo, cor da pele, entre outras. Por último, o modelo de regressão log´ıstica múltipla foi aplicado colocando a variável DOPM em fun¸cão das demais variáveis independentes. Segundo o autor, os resulta-dos mostram uma rela¸cão direta de três variáveis com o desenvolvimento da queilite act´ınica, sendo elas sexo, cor da pele e tempo de exposi¸cão ao sol.

ROM ÃO et al. (1999), em seu trabalho, apresenta o algoritmo Apriori aplicado à uma análise de pesquisadores e grupos de pesquisa através de uma base de dados do Diretório dos Grupos de Pesquisa no Brasil (DGP) (CNPq, 1999), versão 3.0. Em seu estudo, os autores utilizam a abordagem tradicional do Apriori buscando pelos itens mais frequentes da base, além de uma segunda que visa revelar as exce¸cões do diretório através da introdu¸cão de um suporte máximo, no algoritmo. Com isto, os perfis que são minorias na base poderão ser analisados mais detalhadamente. Em seus resultados, avaliou-se que mesmo a gera¸cão de regras redundantes levam a uma explora¸cão mais detalhado dos dados, além de que através da segunda abordagem do algoritmo foi poss´ıvel encontrar caracter´ısticas interessantes sobre os pesquisadores do sexo feminino, que são minoria no diretório citado.

(32)

19

Cap´ıtulo 3

Metodologia

Este cap´ıtulo trata dos métodos estabelecidos a fim de atingir os objetivos definidos e, consequente-mente, os resultados esperados. Os tópicos deste cap´ıtulo abordaram sobre o pré e pós-processamento da base de dados, e as ferramentas e os algoritmos utilizados.

Esta pesquisa foi aprovada pelo Comitê de Ética em Pesquisa da Universidade Federal do Rio Grande do Norte, com parecer de número 2.356.406/2017.

3.1 Pr´

e-Processamento dos Dados

O uso satisfatório de uma técnica de análise de dados está diretamente relacionado com a qualidade dos dados utilizados. Há muitos fatores que compõem esta qualidade, incluindo a precisão, integridade, consistência, atualidade, credibilidade e interpretabilidade (HAN et al. 2012, tradu¸cão nossa). A fim de garantir a qualidade dos dados utilizados no presente estudo, o pré-processamento foi realizado da seguinte forma: i) Limpeza dos Dados, ii) Transforma¸cão dos Dados, e iii) Redu¸cão e Agrega¸cão dos Dados. A base de dados utilizada no presente estudo é composta por 1385 instâncias e 94 atributos (Ver ApêndiceA).

i) Limpeza dos Dados

a) Alguns dom´ınios fora do padr˜ao dos valores dos atributos, foram substitu´ıdas por ’Nulo’, a fim de n˜ao interferir nos resultados do algoritmo;

b) Os atributos relacionados às localiza¸cões das lesões estudadas, bem como os tributos ’Tipo de Prótese Superior’ e ’Tipo de Prótese Inferior’, foram exclu´ıdos da base de dados devido a falta de conhecimento sobre o significado dos valores numéricos.

ii) Transforma¸c˜ao dos Dados

a) A maior parte da base de dados original é constitu´ıda de dados numéricos. A fim de se obter um me-lhor desempenho dos algoritmos que implementam a árvore de decisão e a análise associativa, bem como uma melhor visualiza¸cão dos resultados dos mesmos, uma cópia da base de dados foi criada, contendo os dados transformados de numéricos para nominais ou categóricos. Como por exemplo, temos o atributo ’ É Fumante’ que possu´ıa valores 1 ou 0, e após a transforma¸cão passou a ser ’Sim’ ou ’Não’, respectivamente. b) Todos os valores tidos como ’99’ ou ’999’ referentes ao termo usado no questionário da pesquisa deFERREIRA(2016) ’Não se aplica’, foram substitu´ıdos pelo valor ’Nenhum’.

c) Alguns atributos foram transformados em dados categóricos segundo a fórmula definida pelo ma-temático e estat´ıstico Herbert Arthur Sturges (1882 - 1958), apresentada na equa¸cão (3.1):

(33)

3.1. Pr´e-Processamento dos Dados 20

onde k é o número de intervalos para cada conjunto com n valores, sendo n, neste caso, igual a 1385. O tamanho x de cada intervalo pode ser obtido pela divisão do valor da diferen¸ca entre o maior e o menor valor do atributo r pelo número de intervalos k, conforme a equa¸cão (3.2):

x = r

k (3.2)

Sendo assim, tem-se a seguinte defini¸cão de categorias para os atributos ’Idade’, ’Tempo de trabalho’, ’Quantidade de Fumo Por Dia’ (Referente ao atributo ’ É Fumante’ ) e ’Quantidade de Fumo Por Dia 2’ (Referente ao atributo ’ É Ex-Fumante’ ), conforme mostram as Tabelas3.1,3.2,3.3e3.4:

Tabela 3.1: Categorias Atributo Idade.

Categoria Valor Classe A1 14 a 21 Classe B1 22 a 29 Classe C1 30 a 37 Classe D1 38 a 45 Classe E1 46 a 53 Classe F1 54 a 61 Classe G1 62 a 69 Classe H1 70 a 77 Classe I1 78 a 85 Classe J1 86 a 93

Tabela 3.2: Categorias Atributo Tempo de Trabalho.

Categoria Valor Classe A2 1 a 8 Classe B2 9 a 16 Classe C2 17 a 24 Classe D2 25 a 32 Classe E2 33 a 40 Classe F2 41 a 48 Classe G2 49 a 56 Classe H2 57 a 64 Classe I2 65 a 72 Classe J2 73 a 80

Tabela 3.3: Categorias Atributo Quantidade de Fumo Por Dia.

Categoria Valor Classe A3 0 a 3 Classe B3 4 a 7 Classe C3 8 a 11 Classe D3 12 a 15 Classe E3 16 a 19 Classe F3 20 a 23 Classe G3 24 a 27 Classe H3 28 a 31 Classe I3 32 a 35 Classe J3 36 a 39 Classe K3 40 a 43

(34)

3.1. Pr´e-Processamento dos Dados 21

Tabela 3.4: Categorias Atributo Quantidade de Fumo Por Dia 2.

Categoria Valor Classe A6 0 a 7 Classe B6 8 a 15 Classe C6 16 a 23 Classe D6 24 a 31 Classe E6 32 a 39 Classe F6 40 a 47 Classe G6 48 a 55 Classe H6 56 a 63 Classe I6 64 a 71 Classe J6 72 a 79 Classe K6 80 a 87

d) O atributo ’Há Quanto Tempo Deixou de Fumar’ necessitou passar primeiramente por uma mu-dan¸ca de escala. Os valores do atributo estavam em anos, porém como havia números decimais todos os valores foram transformados em inteiros, ou seja, os valores passaram a ser representados em forma de meses. Ver Tabela3.5.

Tabela 3.5: Categorias Atributo H´a Quanto Tempo Deixou de Fumar.

Categoria Meses Anos/Meses Classe A4 0 a 64 0 a 5,3 Classe B4 65 a 129 5,4 a 10,7 Classe C4 130 a 194 10,8 a 16,1 Classe D4 195 a 259 16,2 a 21,5 Classe E4 260 a 324 21,6 a 27 Classe F4 325 a 389 27,1 a 32,4 Classe G4 390 a 454 32,5 a 37,8 Classe H4 455 a 519 37,9 a 43,2 Classe I4 520 a 584 43,3 a 48,6 Classe J4 585 a 649 48,7 a 54 Classe K4 650 a 714 54,1 a 59,5 Classe L4 715 a 779 59,6 a 65

e) O atributo ’Por Quanto Tempo Fumou’ passou pela mesma transforma¸c˜ao do supracitada. Ver Tabela3.6.

Tabela 3.6: Categorias Atributo Por Quanto Tempo Fumou.

Categoria Meses Anos/Meses Classe A5 0 a 76 0 a 6,3 Classe B5 77 a 153 6,4 a 12,7 Classe C5 154 a 230 12,8 a 19,2 Classe D5 231 a 307 19,3 a 25,6 Classe E5 308 a 384 25,7 a 32 Classe F5 385 a 461 32,1 a 38,4 Classe G5 462 a 538 38,5 a 44,8 Classe H5 539 a 615 44,9 a 51,2 Classe I5 616 a 692 51,3 a 57,7 Classe J5 693 a 769 57,8 a 64,1 Classe K5 770 a 846 64,2 a 70,5 Classe L5 847 a 923 70,6 a 76,9 Classe M5 924 a 998 77 a 83,3

(35)

3.2. Ferramentas Utilizadas 22

f) O atributo ’Escolaridade’ foi nomeado em três categorias, também seguindo a classifica¸cão usada porFERREIRA(2016), como mostra a Tabela3.7abaixo:

Tabela 3.7: Categorias Atributo Escolaridade.

Categoria S´erie/Ano N˜ao Estudou 0

Educa¸c˜ao Elementar 1aa 9a

N´ıvel M´edio/Superior 1oM´edio ao Superior

g) O atributo ’Altitude’ seguiu a categoriza¸c˜ao: ”At´e 300m”e ”Acima de 300m”.

h) O atributo ’Renda Familiar’ foi categorizado de acordo com a classifica¸c˜ao de classes sociais pelo crit´erio de faixas de salario m´ınimo, segundo o IBGE, utilizando a base salarial de 2013, devido ao per´ıodo inicial em que os dados foram coletados. Ver Tabela3.8.

Tabela 3.8: Categorias Atributo Renda Familiar.

Categoria Salário M´ınimo Renda Familiar Classe A acima de 20 acima de 13.560 Classe B 10 à 20 6.781 a 13.560 Classe C 4 à 10 2.713 a 6.780 Classe D 2 à 4 1.357 a 2.712 Classe E até 2 até 1.356

i) O atributo ’Tempo de Exposi¸c˜ao no Sol’ foi convertido para a seguinte nomenclatura, apresentada na Tabela3.9:

Tabela 3.9: Categorias Atributo Tempo de Exposi¸c˜ao no Sol.

Categoria Tempo de Exposi¸c˜ao Classe A7 At´e 30 anos

Classe B7 De 30 a 45 anos Classe C7 Acima de 45 anos

iii) Redu¸c˜ao e Agrega¸c˜ao dos Dados

a) Alguns dos tributos possu´ıam propriedades fracamente relevantes para as aplica¸c˜oes, como por exemplo, o atributo ’Idade em Tercis’ ; dessa forma, dos 94 atributos originais, o conjunto de dados que cont´em os dados nominais foi reduzido para 34 atributos.

b) Alguns atributos binarizados foram agrupados, a exemplo de ’Chapéu’, ’Roupa Longa’ ’Boné’ e ’Protetor Solar’, que tornaram-se o atributo ’Usa Prote¸cão’ que, anteriormente, possu´ıa valor 0 ou 1.

3.2 Ferramentas Utilizadas

Para o pré-processamento dos dados, foi utilizada a ferramenta NetBeans IDE versão 8.1 e algoritmo de autoria própria, para realiza¸cão de alguns cálculos e categoriza¸cão, que não foram poss´ıveis realizar através do Weka (versão 3.8). Este software foi utilizado essencialmente na etapa de minera¸cão dos dados. O Weka é uma su´ıte open source que fornece implementa¸cões de algoritmos de minera¸cão de dados, bem como recursos para a execu¸cão de tarefas relacionadas ao pré-processamento e pós-processamento de dados. Esta ferramenta trabalha, preferencialmente, como base de dados em formato de texto, estruturadas no formato .ARFF (Attribute-Relation File Format), formato utilizado nesta pesquisa, ou no formato .CSV (Comma-separated values)FRANK et al.(2016).

(36)

3.3. Algoritmos Utilizados 23

O arquivo .ARFF corresponde a um arquivo texto contendo um conjunto de dados, precedido de um cabe¸calho que especifica os campos que comp˜oe este conjunto. A estrutura deste arquivo pode ser observada atrav´es da Figura3.1.

Figura 3.1: Formato Arquivo .arff.

Para a cria¸cão do mapa apresentado na se¸cão4.1.3foi utilizado o QGIS (Quantum Gis) versão 2.18, que é um SIG (Sistema de Informa¸cão Geográfica) open source que possibilita visualizar, gerir, editar, analisar dados, e criar mapas para impressãoOSGeo(2017).

3.3 Algoritmos Utilizados

Inicialmente foi aplicado o algoritmo o C4.5, para que se pudesse entender melhor a rela¸cão existente entre os atributos. O C4.5 é uma implementa¸cão do método de árvore de decisão (descrito na se¸cão2.3.3) e uma extensão do algoritmo ID3. A principal diferen¸ca entres estes dois algoritmos consiste no fato de que o C4.5 implementa o mecanismo de poda da árvore visando construir modelos menores. A poda, na grande maioria dos casos, aumenta a taxa de erro do modelo, entretanto há um ganho em processamento, pois evita que se gaste tempo construindo estruturas que são pouco ou não utilizadas no modelo final. Em todos os experimentos deste algoritmo, foram utilizados cerca de 20% de dados para treino e o restante para teste do modelo. Por último, foram utilizadas duas abordagens do Apriori (citado na se¸cão 2.4) visando identificar as poss´ıveis associa¸cões.

3.4 P´

os-Processamento dos Dados

A apresenta¸cão dos dados foi feita através de gráficos criados no Visme, uma ferramenta de design online, além de outros gerados pelo Weka. Tem-se ainda demonstra¸cões por meio de tabelas e de um mapa temático.