mineracao de dados conceitos e aplicacao de algoritmos em uma base de dados na area da saude

Prévia do material em texto

Mineração de Dados: Conceitos e aplicação de 
algoritmos em uma Base de Dados na área da saúde 
Felipe Cebulski Soczek¹, Regiane Orlovski² 
¹
,
² Tecnologia em Análise e Desenvolvimento de Sistemas – Faculdade Guairacá 
CEP 85010-000 – Guarapuava – PR – Brasil 
¹felipecebulskisoczek@gmail.com, ²regianeorlovski@hotmail.com 
Abstract: The purpose of this article is to apply Data Mining thus presenting 
the basic concepts, followed by the application of algorithms in two databases 
in healthcare on Breast Cancer, thus showing how many people have chances 
of developing Breast Cancer Benign or Cancer Maligo. The tool used was the 
Weka software, which enabled to use the acquired knowledge to the literature 
by putting them into practice. The algorithms presented best results among 
several that were used were Jrip of Classification Rules, Decision Trees LMT 
as well as Artificial Neural Networks. 
Keywords: Data Mining; Concepts; Application Algorithm; Software Weka. 
Resumo: O objetivo deste artigo é aplicar a Mineração de Dados 
apresentando assim seus conceitos básicos, seguido da aplicação de 
algoritmos em duas Bases de Dados na área da saúde sobre o Câncer de 
Mama, apresentando assim quantas pessoas possuem chances de desenvolver 
Câncer de Mama Benigno ou Câncer Maligo. A ferramenta utilizada foi o 
software Weka, que possibilitou utilizar os conhecimentos adquiridos com o 
levantamento bibliográfico colocando-os em prática. Os algoritmos que 
melhor apresentaram resultados dentre os vários que foram utilizados foram o 
Jrip de Regras de Classificação, LMT de Árvores de Decisão e também as 
Redes Neurais Artificiais. 
Palavras chaves: Mineração de Dados; Conceitos; Aplicação de Algoritmos; 
Software Weka. 
Introdução 
Atualmente existe uma grande quantia de áreas de trabalho e pesquisa que estão 
informatizados, contando assim com diferentes sistemas que auxiliam diariamente e 
armazenam dados e informações. Com a utilização dos meios corretos para esta retirada 
de conhecimento destes dados, podem-se visar melhorias de serviços, observar padrões, 
auxiliar em estudos, entre outras finalidades. 
Devido aos avanços tecnológicos nos dias atuais, as áreas corporativas e de 
pesquisa vêm se mostrando cada vez mais preparadas para este armazenamento de 
dados, dessa forma é extremamente necessário o estudo sobre a Mineração de Dados e o 
investimento neste setor de busca de informação útil. Para se demonstrar algumas 
informações que são obtidas com a utilização da Mineração de Dados, foi escolhida 
uma Base de Dados na área da saúde, que trata particularmente sobre o Câncer de 
Mama. Existem diversas áreas passiveis da utilização da Mineração de dados, porém a 
área da saúde é um diferencial, pois os avanços dela são de interesse mútuo das pessoas, 
assim fazem-se necessários estudos nesta área com este tipo de aplicação. 
O objetivo do trabalho é aplicar a Mineração de Dados com o software Weka, 
apresentando as diversas estatísticas obtidas com os diferentes algoritmos utilizados e 
mostrar as informações retornadas da Base de Dados, dividindo assim as pessoas com 
potencial de desenvolvimento de Câncer Benigno ou Câncer Maligno. 
Fundamentação Teórica 
Com a necessidade de busca de informação constante, seja em qualquer área do 
conhecimento, faz-se necessária uma ferramenta que proporcione tais possibilidades de 
auxílio à decisão, busca de informações corretas e seguras. Afirma Côrtes (2002), que a 
Mineração de Dados esta progredindo e fazendo-se necessária cada vez mais, sendo 
uma ferramenta segura para se buscar informações úteis, possibilitando guiar tomadas 
de decisões em condições de certeza limitada. 
Com a grande quantia de informação obtida diariamente Amorim (2006), cita 
que nos dias atuais as organizações mostram que estão avançadas nesta obtenção diária 
de informações, porém a grande maioria não utiliza os meios corretos para extrair 
informação dessas imensas bases de dados. Ainda nas palavras de Amorim (2006), essa 
forma inadequada de extrair informação desses dados prejudica e muito as suas 
atividades, sendo que com grandes investimentos nessa área de armazenamento de 
dados faz-se necessária o estudo da forma correta da busca de informação. Cita 
Bortoleto (2007), que as empresas estão em um cenário de constante competição por 
mercados cada vez menores, sendo assim, as melhoras nos serviços e a busca constante 
de melhorias é o que possibilitará a sobrevivência e progresso das empresas, ou de 
qualquer área. 
 Nas palavras de Dantas (2008), a grande importância da utilização da 
Mineração se da às grandes quantias de informações guardadas, onde esses arquivos 
possuem informações úteis, porém de difícil interpretação, auxiliando em previsões 
futuras tornando então dados sem utilidades e desorganizados em grandes fontes de 
informação. 
Para ressaltar a importância da praticidade e confiabilidade da Mineração de 
Dados, Cita Goldshmidt (2011), que com a grande quantia de informação que se 
aglomera em grandes bases de dados faz-se necessário o estimulo sobre o estudo da 
Mineração de Dados e suas técnicas, buscando conhecimento que auxiliarão na 
competitividade de serviços de empresas e micro empresas podendo assim melhorar 
seus negócios, traduzindo-se em diferenciais mercadológicos trazendo lucros. 
Reforçando esta idéia Gomes (2008), cita que com a crescente informatização no 
mundo em todos os tipos de negócio, o volume de dados armazenados é enorme, e 
tornam-se cada vez mais difíceis de serem trabalhados com formas e métodos 
tradicionais, sendo assim, para contornar tais problemas surgiram os conceitos de 
Mineração de Dados, onde a mesma faz parte do processo de Descoberta de 
Conhecimento em Bases de Dados / Knowledge Discovery in Database (KDD) que tem 
a finalidade de auxiliar na busca e descoberta de conhecimento e informações úteis em 
grandes volumes de dados. 
Para melhor explicar este processo no qual a Mineração de Dados faz parte 
Maimon (2009), cita que KDD é o processo organizado que visam buscar novos 
padrões e informações úteis dentro de grandes complexos conjuntos de dados, sendo o 
núcleo desse processo a Mineração de Dados que envolvem seus algoritmos de que 
exploram os dados, modelando e encontrando padrões até então desconhecidos. Ainda 
nas palavras de Maimon (2009), estima-se que as informações que se encontram 
armazenadas estão dobrando de tamanho a cada 20 meses, sendo assim, fica 
extremamente difícil compreender e fazer uso destas informações sem a Mineração de 
Dados, com esse ritmo acelerado de armazenamento. 
Para o auxílio e explicação da função do KDD Usama (1996), confirma que o 
KDD é o conjunto de métodos desenvolvidos para buscar nos dados informações úteis e 
que façam sentido, sendo sua utilidade principal mapear os dados tornando-os mais 
compactos e mais fáceis de trabalhar, aplicando assim a Mineração de Dados a fim de 
buscarem dados relevantes. 
Para Han e Kamber (2006), o KDD se divide em sete passos, sendo eles: 
Limpeza de Dados, Integração dos Dados, Seleções de Dados, Transformação dos 
Dados/Pré-Processamento, Aplicação do algoritmo de Mineração de Dados e Avaliação 
de Padrões. 
Ainda nas palavras de Han e Kamber (2006), a Limpeza de Dados consiste em 
corrigir erros que são encontrados facilmente em bases de dados, sendo que essas 
imperfeições se não forem corrigidas, contornadas ou minimizadas, comprometem 
muito a eficácia do resultado da Mineração de Dados. 
A definição de Integração dos dados para Macêdo (2009), é a integração e 
agrupamento se necessário dos dados que estão separados em diferentes partições, 
ajustando assim os dados e visando ter mais informações sobre determinadoassunto. 
Santos (2005), afirma que a Seleções de Dados é onde o analisador separa a 
informação, visando os arquivos necessários para se obter informações valiosas, e 
descartando os arquivos sem utilidades, mais para isso o analisador tem que ter 
profundo conhecimento e domínio das informações trabalhadas, não podendo assim 
eliminar dados que possam influenciar no bom resultado final. 
Para explicar a Transformação dos Dados/Pré-Processamento Graças (2009), 
cita que é a etapa que prepara a informação e as transforma para receber a Mineração de 
Dados em formato apropriado, sendo que essa etapa proporciona diferentes operações 
para diferentes fins, sendo limpeza, integração, transformação de dados, entre outras. 
Utilizando novamente as palavras de Graças (2009), afirma que a etapa da 
aplicação do algoritmo de Mineração de Dados que se efetua a entrada com os dados já 
organizados e limpos em busca da informação trazendo os padrões solicitados, sendo 
que os diferentes tipos de algoritmos de Mineração de Dados vão diferenciar os tipos de 
dados que serão retornados. Esta etapa é o coração do processo de KDD. 
Para Moreira (2002), é na Avaliação de Padrões que se estudam os dados 
retornados, sendo assim interpretados e avaliados, selecionando os dados úteis e 
esquematizando-os de forma que possam ser utilizados. 
As etapas explicadas anteriormente podem ser ilustradas na Figura 1: 
 
 Figura 1: Etapas do KDD. Fonte: Adaptação feita a partir de Han; Kamber (2006). 
Nas palavras de Bonnard (2010), um dos maiores índices de fracasso e 
informações incorretas vem da etapa de Pré-Processamento mal aplicada, sendo comuns 
as Bases de Dados estarem dispostas fora de formato adequado, contendo também 
dados ruidosos, dados faltantes ou incompletos, sendo assim, é fundamental para o 
sucesso da Mineração de Dados aplicarem métodos de tratamento, limpeza e redução do 
volume de dados, pois dessa forma pode-se ter uma maior confiança e credibilidade 
sobre as informações que serão retiradas. 
Nessa etapa de Pré-processamento Pereira (2006), descreve estas tarefas, sendo 
elas: 
- Integração dos dados: visa arrumar falhas e inconsistências dos nomes e 
valores de atributos; 
- Limpar os dados: corrige os erros, substituindo ou eliminando valores 
perdidos; 
- Converter dados: dados nominais ou em códigos para números inteiros; 
- Redução de domínio: diminui a colocação dos valores em seus espaços 
originalmente possíveis; 
- Derivar ou construir novos atributos; 
- Discretizar os dados: transforma os dados de atributos contínuos para 
categóricos; 
- Selecionar: seleciona os atributos que são relevantes para especificada tarefa. 
Seguindo essas informações sobre Pré-Processamento de Dados, Bertholdo 
(2012), cita que a Discretização, que também faz parte do Pré-Processamento, sendo de 
grande importância para a preparação dos dados para a aplicação da Mineração de 
Dados, pois é com ela que se podem separar os dados com maior relevância, 
convertendo um atributo contínuo em discreto, definindo as categorias e mapeamento 
dos valores. 
Segundo Oliveira (2009), a Mineração de Dados é reconhecida pela execução de 
suas diversas tarefas, sendo as mais comuns: 
- Descrição: descreve padrões e tendências reveladas pelos dados, geralmente 
oferecendo uma interpretação dos dados obtidos; 
- Classificação: determina a qual classe um registro pertence, analisando assim 
os conjuntos de registros fornecidos; 
- Estimação ou Regressão: pode se estimar o valor de uma variável analisando as 
demais; 
- Agrupamento: aproxima os registros similares, identificando assim seus 
grupos; 
- Associação: identifica quais atributos estão relacionados; 
Na Mineração de Dados existem diversos algoritmos para diferentes finalidades 
se adaptando assim para diferentes buscas de dados, porém Halmenschlager (2002), cita 
que entre as técnicas mais utilizadas estão as Árvores de Decisão, Regras de 
Classificação e Redes Neurais, sendo que as Árvores de Decisão e as Regras de 
Classificação são consideradas métodos simbólicos que representam por meio de 
expressões o que é aprendido sobre os atributos dados, e já as Redes Neurais são 
métodos conexionistas, onde consiste em ajustar pesos em uma rede. 
Ainda nas palavras de Halmenschlager (2002), as Árvores de Decisão podem ser 
aplicadas tranquilamente em grandes quantidades de dados se adequando também a 
qualquer tipo de dado disponibilizando assim a facilidade de serem entendidas, 
proporcionando ao usuário usar diretamente as informações obtidas. 
Segundo Amo (2009), a Árvore de Decisão é uma estrutura de árvore sendo que 
cada nó interno é um atributo do banco de dados de amostras, diferente dos atributos 
classe, sendo as folhas valores do atributo classe, onde cada ramo é ligado de um nó-
filho a um nó-pai que é etiquetado com um valor do atributo do nó-pai, sendo assim, 
existem tantos ramos quantos valores possíveis para tal atributo e um atributo que 
aparece em um nó não podem aparecer nos nós descendentes. 
Para ilustrar uma Árvore de Decisão, tem-se a Figura 2: 
 
 Figura 2: Árvore de Decisão. Fonte: Adaptação feita a partir da internet (2013). 
Segundo Souza (2002), as Regras de Classificação é a predição de um valor que 
um determinado atributo do conjunto assumirá dado um conjunto de valores dos demais 
atributos do conjunto. Ainda nas palavras de Souza (2002), cita que os dois modelos 
mais conhecidos de Regras de Classificação são: 
- Stricto sensu: Se apresenta na forma de SE <Condição> ENTÃO 
<Classificação>, sendo que se os valores assumidos atendem as condições do 
antecedente da regra, então recebe a classe indicada pelo valor do atributo da 
classificação. 
- Indiretas: Sob forma de Árvores de Decisão, usando sequência hierárquica 
construída ao longo de uma estrutura de Árvore com nós e folhas representando as 
classes, podendo assim a Árvore exprimir diferentes Regras de Classificação. 
Como no estudo será aplicado as Redes Neurais Artificiais, Antonio (2009), as 
Redes Neurais Artificiais são uma abstração computacional que visa imitar o sistema 
nervoso do ser humano em um computador com as funcionalidades do cérebro, fazendo 
uso de um modelo abstrato matemático do neurônio, onde as ligações dos neurônios 
(sinapses) são emuladas a partir de pesos, que são ajustadas durante o processo de 
evolução do treinamento e aprendizado da rede. Antonio (2009), ainda cita que o corpo 
celular é emulado pela composição de duas funções chamadas de funções de ativação e 
propagação onde estas funções realizam o mapeamento e a transferência dos sinais de 
entrada em um único sinal de saída, então esta saída é propagada para os neurônios 
seguintes da rede, como no modelo biológico. 
Segundo Haykin (1999), o neurônio é uma unidade de informação e 
processamento que o coração de uma Rede Neural formada por um conjunto de sinapses 
ou elos de conexão onde cada uma se caracteriza por um peso ou força, um somador 
para adicionar sinais da entrada ponderados pelas sinapses do neurônio, e uma função 
de ativação para restringir a amplitude da saída de um neurônio, que também é referida 
como função restritiva já que limita o intervalo do sinal de saída a um valor finito. 
Para melhor ilustrar como um neurônio artificial é disposto, tem-se a Figura 3: 
 
 Figura 3: Neurônio Artificial. Fonte: Adaptação feita a partir da internet (2013). 
Para a utilização prática foi escolhido o software Weka, onde cita R. Bouckaert 
(2010), que esta ferramenta foi criada em 1993 na Universidade de Waikato na Nova 
Zelândia, utiliza linguagem Java dentro das especificações da GPL (General Public 
License) apropriada para seiniciar os estudos em Mineração de Dados, sendo assim 
utilizada no meio acadêmico, dando a oportunidade de serem aprendidos os conceitos 
básicos da Mineração de Dados. Ainda nas palavras de R. Bouckaert (2010), com esta 
ferramenta podem ser conduzidos processos de Mineração de Dados de forma simples, 
avaliando assim seus resultados obtidos, oferecendo também recursos para executar Pré-
Processamentos de dados, Classificação, Clusterização, Associação, e vários outros 
suportes tais como a visualização dos dados, edição dos atributos, também tendo como 
característica principal sua portabilidade, podendo rodar nas mais diversas plataformas, 
sendo assim, se beneficia da linguagem orientada a objetos com vantagens como 
polimorfismo, encapsulamento, reutilização de código, dentre outras. 
O software Weka disponibiliza na sua interpretação dos dados a estatística 
Kappa, onde cita Simões (2011), que é de grande importância sendo que com esta 
estatística pode se avaliar o nível de concordância e ligação dos dados dentro de uma 
Base de Dados, sendo que se o número estatístico ficar próximo do 0 (zero) significa 
uma maior discordância das informações, e ficando o mais próximo do 1 (um) indica 
assim uma maior ligação e concordância. 
Reforçando este conceito sobre a importância da Estatística Kappa, Castro 
(2010), cita que é muito valiosa para se mensurar a qualidade da classificação e para dar 
a estatística de quanto às observações se afastam daquelas esperadas, frutos do acaso e 
indicando assim quão legítimas as interpretações são de acordo com a Tabela 1. 
Tabela 1: Valores da Estatística Kappa. Fonte: Landis e Koch, 1977. 
 
Ainda nas palavras de Castro (2010), o Weka disponibiliza outra forma para 
auxiliar na representação da qualidade da classificação que é a Matriz de confusão, que 
é uma representação em linhas e colunas correspondentes às áreas de teste e 
treinamento, ela mostra a hipótese h oferecendo uma medida efetiva do modelo de 
classificação, ao mostrar o número de classificações corretas versus as classificações 
preditas para cada classe, sobre um conjunto de exemplos t. 
Após então a escolha da ferramenta passou para a etapa de análise e seleção da 
Base de Dados, onde foram escolhidas duas bases na área da saúde, que tratam sobre o 
câncer de mama. Como cita Fátima (2009), conhecimento e informação, são quesitos 
fundamentais para o bom funcionamento e progressão, tanto na área da saúde bem como 
no controle social, tomada de decisão, instituições de ensino, mercado financeiro, 
empresas de produção, setores esses que estão crescentemente encontrando na 
Mineração de Dados maneiras de melhor monitorar seus dados, seja para previsões de 
risco, consumo de clientes, monitoramento de arrecadações, riscos do mercado, 
colocando assim a Mineração de Dados em seus cotidianos. 
Segundo Dreyer (2009), a informática tem se apresentado extremamente 
crescente na última década auxiliando a área da Saúde por meio de utilizações de 
recursos tecnológicos. Assim com essa utilização da informática na Saúde facilita o 
acesso de informações dando suporte à prática nos serviços da saúde, pois as 
informações retiradas da mesma são complexas. Citam-se a seguir alguns pontos 
positivos na sua utilização, tais como: 
- Aumento da adesão aos protocolos clínicos; 
- Melhorias na capacidade de monitorar doenças, suas condições e sintomas; 
- Redução de erros nas medicações e diagnósticos; 
- Melhor aproveitamento do tempo dos profissionais; 
Como cita Bernardes (2007), faz-se muito necessário no setor da saúde uma 
ferramenta que de suporte e que traga informações exatas para auxiliar nas suas tomadas 
de decisões, buscando assim em suas informações obtidas dados relevantes que venham 
a ser necessários. 
Ainda nas palavras de Bernardes (2007), no segmento hospitalar e da saúde, 
guardam-se informações muito relevantes dos pacientes, diagnósticos, tratamentos, 
exames, medicamentos, assim sendo difícil de encontrar informação útil dentro de toda 
essa concentração de dados, é então que a tecnologia se aplica. Dessa forma, com a 
aplicação da Mineração de Dados, contando com dados sólidos e esquematizados, pode 
se encontrar grandes auxílios para o progresso na área da saúde, selando assim a 
confirmação de que tecnologia anda ao lado de todas as ciências. 
Segundo L. Houston (1999), as características de uma população podem ser 
estudadas para apresentar fatores associados com um resultado, estudos observacionais 
como Estatística, Mineração de Dados, Aprendizagem, são de muita ajuda para associar 
essas informações com devidas metas, reforçando assim que o estudo dos dados está se 
tornando um grande reforço para as áreas científicas como a medicina, biotecnologia e 
pesquisas em geral. 
Seguindo o pensamento sobe estudos observacionais que envolvem o ser 
humano e a área da saúde, o Instituto Nacional de Câncer (2012), cita que o Câncer é 
uma das doenças que mais ocorrem no Brasil, onde este estudo chamado incidência de 
Câncer no Brasil traz anualmente relatórios desta enfermidade mostrando os tipos de 
Câncer que mais atingem a população. Ainda no relatório do Instituto Nacional de 
Câncer (2012), traz a estatística sobre o Câncer de mama atingir aproximadamente 53 
mil mulheres em 2012/2013, ficando assim em terceiro lugar entre os Cânceres com 
mais ocorrência e vítimas no Brasil. 
Segundo Swaroop (2009), o Câncer de mama é uma doença onde as células se 
dão formação nos tecidos da mama, sendo a segunda principal causa de morte por 
câncer entre as mulheres perdendo somente para o Câncer de pulmão, sendo também o 
câncer mais comum entre mulheres com exceção do Câncer de pele. 
Citando novamente os dados do Instituto Nacional de Câncer (2012), o Câncer 
de mama é a doença que mais atinge as mulheres em todo o mundo, tanto em países 
desenvolvidos como em países em desenvolvimento, sendo que o fator principal de 
risco é a idade, o Brasil oferece o exame clínico das mamas a partir dos 40 anos e um 
exame mamográfico a cada dois anos, para mulheres de 50 a 69 anos. 
Etapas do desenvolvimento do trabalho 
A visão sobre a elaboração do trabalho baseia-se em minerar dados focando a área da 
saúde, sendo esta área muito promissora junto a Mineração de Dados. Com várias 
opções na área da saúde passíveis de serem trabalhadas com a Mineração de dados foi 
escolhido trabalhar com duas bases de dados sobre o Câncer de Mama, que é um tema 
de grande relevância, sendo uma doença que atinge mulheres do mundo todo. 
Buscou-se então uma ferramenta que poderia ser utilizada para retirar 
informações e estatísticas das bases escolhidas. Foi escolhida então a ferramenta Weka, 
que é utilizada no meio acadêmico para se iniciar os estudos em Mineração de Dados, 
contando com uma vasta literatura sobre seu funcionamento e utilização. 
O Weka também proporciona uma grande biblioteca de algoritmos de Mineração 
de Dados que pode suprir e trazer bons resultados para poder ser apresentados e 
comprovarem a eficácia da Mineração de Dados. 
Entrando na parte prática do trabalho, primeiramente foram estudadas as bases 
escolhidas, analisando assim seus dados e o que ela proporcionava para ser trabalhado. 
Nesta etapa foram verificados os atributos das duas bases, trazendo informação sobre os 
mesmos para melhor se entender suas relações e qual as suas relevâncias perante a 
aplicação dos algoritmos e quais resultados poderiam trazer. A descrição dos atributos 
das duas Bases de Dados utilizadas estão apresentadas nos apêndices A e B. 
Com os atributos citados nas duas bases nota-se a sua divisão em dois tipos de 
dados, sendo eles Integer ou Varchar, que estipulam qual o grau da relevância dos seus 
dadossobre números ou palavras. A estipulação destes valores sobre os dados são 
efetuados dentro da Base de Dados conforme eles são recebidos e agrupados dentro de 
suas referentes classes. 
Um processo que também está presente na Mineração de dados e também foi 
utilizado no trabalho é a Discretização, que visa melhor dispor os dados dentro de uma 
classe, criando padrões onde tais dados serão alocados. A utilização deste processo visa 
aumentar a chance de acerto do algoritmo de Mineração de Dados, porém não é sempre 
que a sua utilização resultara em melhorias e mudanças. Tudo depende de como a Base 
de Dados está disposta e como seus dados estão organizados. 
Os algoritmos escolhidos para aplicação prática se dividem em: 
- Jrip, OneR e ZeroR de Regras de Classificação; 
- J48, REPTree, LMT de Árvores de Decisão; 
- MultilayerPerceptron de Redes Neurais Artificiais; 
Além da aplicação dos algoritmos de Mineração de dados, o Weka oferece os 
Algoritmos de Fragmentação, que tratam da forma que o programa vai interagir com a 
Base de Dados. Os dois utilizados são: Cross-Validation (Folds) e Percentage Split. 
Na Cross-Validation o algoritmo realiza um laço de repetição de iterações, onde 
os folds são os números de pares e subconjuntos treinamento-teste fornecidos na 
entrada. Os resultados dos testes geram dados estatísticos, sendo finalizado e gerando as 
informações. O número de Folds altera o resultado final da aplicação do Algoritmo de 
Mineração de dados, dessa forma para se atingir um bom resultado deve-se testar 
crescentemente ou decrescentemente o número dos mesmos. 
Na Percentage Split cria-se um subconjunto de treinamento com i% do tamanho 
da Base de Dados fornecida, sendo i a percentagem dada. Basicamente então, trata-se da 
redução do tamanho da Base de Dados em uma percentagem do seu total, visando à 
melhoria das estatísticas. 
Para melhor entender as aplicações e estatísticas que serão apresentadas a seguir 
deve-se relembrar que: 
Discretização: Resume-se em Discretizar o atributo chave, ou não Discretizar 
nenhum atributo. Na prática este processo foi utilizado para visar melhores resultados, 
onde somente não foi aplicado nas Redes Neurais Artificiais; 
Algoritmos de Fragmentação: Cross-Validation (Folds) que foram testados 
crescente ou decrescentemente visando uma melhoria das estatísticas, e Split que divide 
a Base de Dados, parte validando e outra parte treinando; 
Algoritmo: Algoritmo Escolhido; 
Acerto: A taxa geral de quanto o algoritmo conseguiu classificações corretas e 
seguras; 
Estatística Kappa: Mede o nível da concordância e ligação dos dados; 
Matriz de Confusão: Apresenta em números a quantidade de classificações 
corretas e incorretas. A diagonal direita representa os números das instâncias 
classificadas corretamente, sendo elas A: Quantas tem riscos de desenvolver um Câncer 
de Mama Benigno (superior esquerda) e B: Quantas tem riscos de desenvolver um 
Câncer de Mama Maligno (inferior direita). Na diagonal esquerda estão apresentadas as 
classificações erradas; 
 Segue então as informações obtidas com as aplicações de algoritmos de Regras 
de Classificação na Base de Dados breast-w: 
 
 
 
 
Tabela 2. Tabela Jrip com Folds 
 
Tabela 3. Tabela Jrip com Split 
 
Em geral se mostrou exato, com uma taxa de acerto quase que 100% nas duas 
tabelas demonstrando assim uma boa confiabilidade, também com o índice Kappa 
próximo de 1 que representa a concordância entre os dados, e com a diagonal de erro da 
Matriz de Confusão com poucas classificações incorretas. 
Tabela 4. Tabela OneR com Folds 
 
Tabela 5. Tabela OneR com Split 
 
Mostrou-se correto com índice de acerto maior que 90%, porém a Estatística 
Kappa atingiu um valor menor do que a do algoritmo Jrip, mas mesmo assim apresentou 
concordância quase perfeita. Sua Matriz de Confusão também se mostrou muito 
satisfatória com poucas classificações incorretas. 
Tabela 6. Tabela ZeroR com Folds 
 
Tabela 7. Tabela ZeroR com Split 
 
O Algorito ZeroR teve uma taxa de acerto menor se comparada aos outros, pois 
não possibilitou a visualização da Estatística Kappa, afetando assim seu resultado pela 
falta de concordância. 
Segue agora os resultados obtidos com a aplicação de algoritmos de Árvores de 
Decisão: 
Tabela 8. Tabela J48 com Folds 
 
Tabela 9. Tabela J48 com Split 
 
O algoritmo J48 retornou ótimos resultados, contendo a Estatística Kappa 
superior do que a do algoritmo de Regras de Classificação OneR. Sua Matriz de 
Confusão se mostrou satisfatória apresentando poucos erros em sua diagonal. 
Tabela 10. Tabela REPTree com Folds 
 
Tabela 11. Tabela REPTree com Split 
 
O algoritmo REPTree se mostrou claro em sua aplicação, trazendo assim um 
índice de acerto levemente maior do que a do algoritmo J48 representando assim maior 
confiabilidade, porém suas Estatísticas Kappa ficaram muito semelhantes. Sua Matriz 
de Confusão apresentou uma taxa muito satisfatória em sua diagonal de acerto (direita). 
Tabela 12. Tabela LMT com Folds 
 
Tabela 13. Tabela LMT com Split 
 
O algoritmo LMT foi um algoritmo extremamente pesado para se rodar em um 
computador simples, demorando um pouco para retornar suas estatísticas. Porém como 
pode ser visto, equiparou seu índice de acerto ao do algoritmo de Regras de 
Classificação Jrip, e também foi o que melhor retornou a Estatística Kappa dos 
algoritmos de Árvores de Decisão. 
A seguir na Tabela 14, 15, 16,17 e 18 serão apresentados as informações obtidas 
por meio da utilização do algoritmo MultilayerPerceptron (Redes Neurais Artificiais). 
A tabela de informações apresentada com as Redes Neurais Artificiais será a mesma dos 
algoritmos de Regras de Classificação e Árvores de Decisão, porém o Algoritmo de 
Fragmentação será apenas o Cross-Validation (Folds), também será acrescentado o 
atributo na tabela de resultados chamado Camadas Ocultas, e não será discretizado 
nenhuma classe. Para padronizar a utilização das Redes Neurais Artificiais, todas as 
aplicações utilizaram cinco (5) Folders. 
As Camadas Ocultas são representadas por letras, sendo que cada uma das letras 
se refere à maneira com que o algoritmo irá trabalhar com a Base de Dados. O Weka 
possui um help onde ele explica de que forma as Camadas Ocultas irão se aplicar dentro 
da Base de Dados, sendo eles: 
A – Se refere aos atributos + classes /2 
I – Somente atributos 
O – Somente classes 
T – Atributos + classes 
 
 
 
Tabela 14. Tabela MultilayerPerceptron com Camadas ocultas A 
 
Nesta aplicação foi utilizada para se ilustrar uma Rede Neural Artificial a figura 
gerada pelo software Weka. Segue então a Figura 4: 
 
Figura 4: Rede Neural Artificial. Fonte: Adaptação feita a partir do software Weka (2013). 
Esta aplicação mostrou um acerto de 95%, com a Estatística Kappa com 
concordância quase perfeita, gerando poucas classificações incorretas na Matriz de 
Confusão. Sua Camada Oculta é A, desta forma utilizando atributos e classes da Base 
de Dados, dividindo-os por dois. 
Tabela 15. Tabela MultilayerPerceptron com Camadas ocultas I 
 
A aplicação com a Camada Oculta I mostrou estatísticas levemente abaixo das 
oferecidas pela Camada Oculta A, continuando assim à apresentar dados confiáveis e 
uma Matriz de Confusão muito satisfatória. 
Tabela 16. Tabela MultilayerPerceptron com Camadas ocultas O 
 
As estatísticas alcançadas por meio das Camadas Ocultas O, se equipararam 
quase que identicamente das do A, porém com algumas diferenças em suas Matrizes de 
Confusão. 
 
Tabela 17. Tabela MultilayerPerceptron com Camadas ocultas T 
 
A Camada Oculta T também trouxe informaçõesque se equipararam as demais 
camadas. 
Tabela 18. Tabela MultilayerPerceptron com Camadas ocultas 50 
 
Neste resultado se estipulou cinquenta (50) Camadas Ocultas com o objetivo de 
fugir dos padrões para buscar um resultado diferente, retornando assim informações que 
se equiparam aos demais resultados, porém tendo a melhor Estatística Kappa. 
A partir desta parte do trabalho, começa-se a aplicação dos algoritmos na 
Segunda Base de Dados, porém tal se mostrou menos confiável em seus resultados, pelo 
fato de seus dados estarem menos organizados e agrupados, mas ainda sim pode se 
obter informações relevantes. 
Base de dados breast-cancer, aplicação Algoritmos de Regras de Classificação: 
Tabela 19. Tabela JRip com Folds 
 
Tabela 20. Tabela JRip com Split 
 
O algoritmo JRip se mostrou eficaz em classificar, teve 75% de Acerto das 
classificações da Base de Dados, também com uma Estatística Kappa razoável e sua 
Matriz de Confusão trazendo alguns erros de classificação. A discretização do atributo 
Tumor-size se implica pela sua importância para com as informações dispostas dentro 
desta Base de Dados, se mostrando importante pela sua descrição e pelo seu número de 
ocorrências apresentado estatisticamente pelo software Weka. 
 
 
 
 
 
 
Tabela 21. Tabela OneR com Folds 
 
Tabela 22. Tabela OneR com Split 
 
O algoritmo OneR trouxe um índice de acerto menor do que o do algoritmo Jrip, 
sendo inferior também na Estatística Kappa e na Matriz de Confusão demonstrando 
uma grande discordância dos dados. 
Tabela 23. Tabela ZeroR com Folds 
 
Tabela 24. Tabela ZeroR com Split 
 
 O algoritmo ZeroR trouxe uma leve melhora na sua taxa de Acerto em 
comparação ao algoritmo OneR, porém como este algoritmo não possui a Estatística 
Kappa e com sua Matriz de Confusão com dados faltantes se torna menos exato que os 
demais. 
Segue então a aplicação dos algoritmos de Árvores de Decisão na segunda Base 
de Dados: 
Tabela 25. Tabela J48 com Folds 
 
 
 
Tabela 26. Tabela J48 com Split 
 
O algoritmo J48 alcançou um bom número no Acerto ficando próximo do 
algoritmo Jrip, porém tendo uma Estatística Kappa com leve concordância. 
Tabela 27. Tabela REPTree com Folds 
 
Tabela 28. Tabela REPTree com Split 
 
O algoritmo REPTree se mostrou razoável em comparação as informações 
colhidas dos demais algoritmos, porém se mostrou falho ao retornar a estatística Kappa 
do atributo Tumor-size que foi Discretizado, retornando valor 0. Sua matriz de 
Confusão equipara seu resultado aos demais apresentados na segunda Base de Dados. 
Tabela 29. Tabela LMT com Folds 
 
Tabela 30. Tabela LMT com Split 
 
O algoritmo LMT foi o melhor no retorno de informações em relação aos outros 
algoritmos, tanto nos de Regras de Classificação como nos de Árvores de Decisão. 
Apresentou uma taxa de Acerto em torno de 75% e com sua Estatística Kappa atingindo 
uma concordância regular. Apresentou também uma Matriz de Confusão levemente 
melhor em comparação aos outros algoritmos, sendo assim com menos classificações 
incorretas. 
Na sequência apresentam-se as informações obtidas com a utilização das Redes 
Neurais Artificiais para a segunda Base de Dados: 
Tabela 31. Tabela MultilayerPerceptron com Camadas ocultas A 
 
Retornou uma taxa de Acerto de 66%, com a estatística Kappa em 0,16 tendo 
assim uma concordância de dados regular. 
Tabela 32. Tabela MultilayerPerceptron com Camadas ocultas I 
 
 Com as Camadas Ocultas I teve uma taxa de Acerto igual a das Camadas 
Ocultas A, porém com uma melhora na Estatística Kappa. 
Tabela 33. Tabela MultilayerPerceptron com Camadas ocultas O 
 
A Camada Oculta O apresentou uma ótima estatística, superando aos demais na 
taxa de Acerto, Estatística Kappa e Matriz de Confusão. 
Tabela 34. Tabela MultilayerPerceptron com Camadas ocultas T 
 
Retornou uma taxa de Acerto em 69%, tendo a Estatística Kappa e Matriz de 
Confusão regular. 
Tabela 35. Tabela MultilayerPerceptron com Camadas ocultas 50 
 
Com 50 Camadas Ocultas, apresentou as mesmas estatísticas obtidas com a 
Camada Oculta O. 
A aplicação dos algoritmos nas duas Bases de Dados retornou o mesmo tipo de 
informação de saída, especificando a quantia de pessoas com suas diferentes 
características podem desenvolver um Câncer Maligno ou um Câncer Benigno. Desta 
forma, medem a recorrência dos fatores cancerígenos nos diferentes casos relatados nas 
bases, agrupando e classificando os casos em uma das saídas (Maligno ou Benigno). 
Como as duas bases têm o mesmo fim, a aplicação nesta área da saúde teria a 
finalidade de mostrar e dividir os casos de pessoas que foram arquivados, e 
estatisticamente classificá-los para se dizer quantos casos tem grandes chances de 
desenvolver um Câncer Maligno e quantos casos têm a chance de desenvolver um 
Câncer Benigno. 
Resultados 
Com a aplicação dos algoritmos de Mineração de Dados fornecidos pode-se ver as 
diferentes estatísticas e informações levantadas, podendo desta forma ver os algoritmos 
que melhor se comportaram para esta finalidade, que é classificar os pacientes que 
podem desenvolver um Câncer de Mama Benigno ou Câncer Maligno. 
O software Weka se comportou de forma esperada junto às Bases de Dados, 
trazendo assim informações claras das aplicações de seus diferentes algoritmos e 
estatísticas, podendo aplicar assim os conteúdos estudados e levantados nas referências 
bibliográficas em prática. 
O processo de Discretização que faz parte do Pré-Processamento de Dados pode 
ser visto utilizado na prática, mostrando assim casos em que trouxe melhorias das 
estatísticas gerais, aplicado nos atributos chaves das Bases de Dados organizando-os. 
Dentre o processo de Discretização pode ser visto também em prática a utilização dos 
Algoritmos de Fragmentação e a sua relevância para o resultado dos algoritmos 
principais, sendo eles modificados em cada aplicação visando à melhoria dos resultados, 
também a importância da Taxa de Acerto, Estatística Kappa e Matriz de Confusão, 
auxiliando o entendimento sobre as aplicações e exatidão das informações levantadas. 
Em relação à primeira Base de Dados, o algoritmo de Regras de Classificação 
que apresentou melhores resultados é o JRIP utilizando Split, com Acerto de 97% e 
Estatística Kappa 0,9479. A Matriz de Confusão que melhor alcançou resultados 
apresentou 80 pessoas com chances de Câncer de Mama Benigno, e 43 Malignos. O 
melhor algoritmo de Árvores de Decisão foi o LMT também utilizando Split, 
alcançando 96% de Acerto, Estatística Kappa chegando a 0,9291. Em sua melhor 
Matriz de Confusão, classificou 289 casos com chances de desenvolver Câncer de 
Mama Benigno e 157 Maligno. Com o algoritmo de Redes Neurais Artificiais, seu 
melhor resultado foi com a utilização de 50 Camadas Ocultas e 5 Folds, com 95% de 
acerto e chegando á 0,909 de Estatística Kappa. Em sua melhor Matriz de Confusão 
classificou 439 casos com chance de desenvolver um Câncer de Mama Benigno e 231 
Maligno. O algoritmo que menos se mostrou exato em sua aplicação na Base de Dados 
foi o ZeroR de Regras de Classificação, retornando uma taxa de acerto de 65% e 
impossibilitando a visualização da Estatística Kappa e Matriz de Confusão. 
Na segunda Base de Dados não foi possível equiparar os níveis de informações 
obtidos na primeira Base de Dados, pois seus dados são completamente diferentes, desta 
forma retornando um padrão diferente de obtenção de resultados. 
Em relação aos algoritmos de Regras de Classificação na segunda base, o 
algoritmo JRip apresentou Acerto de 75% utilizando Split, e 0,3889 de Estatística 
Kappa. Sua melhor Matriz de Confusãoapresentou 42 casos com potencial de 
desenvolvimento de Câncer de Mama Benigno e 8 de Maligno. De Árvores de Decisão 
o LMT apresentou 75% de Acerto utilizando o Split, com a Estatística Kappa de 0,3496. 
Sua melhor Matriz de Confusão classificou 63 casos com potencial para Câncer de 
Mama Benigno e 12 para Maligno. Com o algoritmo de Redes Neurais Artificiais, seu 
melhor Acerto foi com a Camada Oculta O, que alcançou 74% com 5 Folds, e 0.3516 
de Estatística Kappa. Sua melhor Matriz de Confusão classificou 173 casos com 
potencial para Câncer Benigno e 40 para Maligno. O algoritmo ZeroR continuou sendo 
o menos confiável, não apresentando a Estatística Kappa nem as classificações da 
Matriz de Confusão. 
Considerações Finais 
A Mineração de Dados vem se mostrando cada vez mais necessária e disseminada nos 
mais diversos campos e ambientes, facilitando e agilizando o processo de busca de 
informação útil dentro de grandes quantidades de dados. 
Com este trabalho foi possível compreender as etapas e conceitos que envolvem 
a Mineração de Dados, dando ênfase na aplicação dos algoritmos de Regras de 
Classificação, Árvores de Decisão e Redes Neurais Artificiais e suas estatísticas. A 
aplicação destes diversos algoritmos é interessante pelo fato de poder assim tentar 
alcançar melhores resultados com cada um, independente dos dados sendo trabalhados, 
podendo assim comparar suas estatísticas, identificar os mais exatos e chegar aos 
resultados mais corretos. 
Também foi possível ter uma introdução sobre as informações que envolvem a 
Mineração de Dados e seus conceitos, seguida então da aplicação de vários algoritmos 
podendo assim ver quais tem o melhor desempenho em se tratando do foco das Bases de 
Dados, que é a de classificar os atributos e seus tipos de dados informando quantas 
pessoas estão passíveis de desenvolver um Câncer de Mama Maligno ou Benigno. 
Como as duas bases têm a mesma finalidade, a aplicação nesta área da saúde 
com estes tipos de dados visou à classificação de casos de Câncer de Mama que 
poderiam ser Benignos ou Malignos, desta forma, este tipo de informação levantada 
apresentado neste trabalho visa estatisticamente mostrar em arquivos de consultórios 
médicos especializados no assunto, arquivos hospitalares, entre outras, quantas pessoas 
apresentam fatores de risco que irão determinar o desenvolvimento de um Câncer 
Benigno ou Maligno, podendo assim estudar estes fatores de risco e assim visar 
melhorias em seus tratamentos ou prevenção. 
Referências 
Amo, Sandra de. Técnicas de Mineração de Dados. Uberlândia, 2009. Disponível em: 
<http://www.lsi.ufu.br/documentos/publicacoes/ano/2004/JAI-cap5.pdf>. Acesso 
em: 16/04/13. 
Amorim, Thiago. Conceitos, técnicas, ferramentas e aplicações de Mineração de 
Dados para gerar conhecimento a partir de bases de dados. Pernambuco. 2006. 
Disponível em: <http://www.cin.ufpe.br/~tg/2006-2/tmas.pdf> Acesso em: 
03/04/2013. 
Antonio Carlos Gay, Thomé. Redes Neurais - Uma Ferramenta Para KDD e Data 
mining. Rio de Janeiro, 2009. Disponível em: 
<http://funk.on.br/esantos/doutorado/INTELIG%CANCIA%20ARTIFICIAL/T%C9
CNICAS/REDES%20NEURAIS/CURSO%20UFRJ%20de%20RN/22.pdf>. Acesso 
em: 16/04/13. 
Bernardes Ribeiro da Costa, Rodrigo. Aplicação do Processo de Mineração de Dados 
para Auxílio à Gestão do Pronto-Socorro de Clínica Médica do Hospital 
Universitário de Brasília. Brasília, 2007. Disponível em: <monografias.cic.unb.br/-
dspace/bitstream/123456789/120/1/RODRIGO_BERNARDES_MONOGRAFIA.-
pdf>. Acesso em: 01/03/2013 
Bertholdo, Leonardo. Técnicas De Mineração De Dados Na Classificação De 
Ecotoxicidade De Água Para Aplicação Na Gestão De Corpos Hídricos. 
Campinas, 2012. Disponível em: 
<http://www.excelenciaemgestao.org/Portals/2/documents/cneg8/anais/T12_0480_2
516.pdf>. Acesso em: 16/04/13. 
Bonnard Schonhorst, Gustavo. Mineração de Regras de Associação Aplicada à 
Modelagem dos Dados Transacionais de um Supermercado. Itajubá, 2010. 
Disponível em: <http://juno.unifei.edu.br/bim/0036319.pdf> Acesso em: 03/04/2013. 
Bortoleto, Silvio. Aplicação de um sistema para mineração de dados de vendas. 
Curitiba, 2007. Disponível em: 
<http://www.aedb.br/seget/artigos07/1405_SetsMiner_V8B.pdf> Acesso em: 
03/04/2013. 
Castro, Dayan. Procedimentos de data mining na definição de valores para as 
análises de multicritérios como apoio à tomada de decisões e análise espaciais 
urbanas. Minas Gerais, 2010. Disponível em: 
<http://www.arq.ufmg.br/SiteLabGeo/Laboratorio_Geo/Artigos/CBC2010_02-
CT03-1-VF.pdf> Acesso em: 05/06/2013. 
Costa Cortês, Sérgio da. Mineração de Dados – Funcionalidades, Técnicas e 
abordagens. Rio de Janeiro, 2002. Disponível em: <ftp://ftp.inf.puc-
rio.br/pub/docs/techreports/02_10_cortes.pdf> Acesso em: 03/04/2013. 
Dantas, Eric. O Uso da Descoberta de Conhecimento em Base de Dados para 
Apoiar a Tomada de Decisões. João Pessoa, 2008. Disponível em: 
<http://www.aedb.br/seget/artigos08/331_331_Artigo_SEGET_EJDR_Versao_Final
_010808.pdf> Acesso em: 03/04/2013. 
Das Graças J. M. Tomazela, Maria. Aplicação de Técnicas de Mineração de Dados 
para Caracterização de Grupos de Cidades Produtoras de Cana-De-Açúcar do 
Estado de São Paulo e Definição de Políticas Especificas. Indaituba, 2009. 
Disponível em: 
<http://www.fatecindaiatuba.edu.br/reverte_online/8aedicao/Artigo11.pdf>. Acesso 
em: 16/04/13. 
Dos Santos Cabral, Rafael. Mineração De Dados. Brasília, 2005. Disponível em: 
<http://www.paulotarso.com/Files/FSI/Mineracao%20de%20Dados.pdf>. Acesso 
em: 16/04/13. 
Dreyer Galvão, Noemi. Aplicação da mineração de dados em bancos da segurança e 
saúde pública em acidentes de transporte. São Paulo, 2009. Disponível em: 
<http://www.saude.mt.gov.br/upload/documento/104/aplicacao-da-mineracao-de-
dados-em-bancos-da-seguranca-e-saude-publica-em-acidentes-de-transporte-[104-
180610-SES-MT].pdf>. Acesso em: 03/04/2013. 
Fátima Marin, Heimar. Técnica de mineração de dados: Uma revisão da literatura. 
Cuiabá, 2009. Disponível em: <http://www.scielo.br/pdf/ape/v22n5/14.pdf> Acesso 
em: 03/04/20013. 
Goldschmidt, Ronaldo. Mineração de dados: Aplicação prática em pequenas e 
médias empresas. Jacarepaguá, 2011. Disponível em: 
<http://www.fij.br/revista/arq/vol01_01/datamining.pdf> Acesso em: 03/04/2013. 
Gomes de Sousa, Douglas. Mineração de Dados para Descoberta de Padrões: 
Estudo Aplicado à Base de Dados da Delegacia Regional do Trabalho. Pelotas, 
2008. Disponível em: 
<http://www.ufpel.tche.br/prg/sisbi/bibct/acervo/info/2008/mono_douglas_sousa.pdf
> Acesso em: 03/04/2013. 
Halmenschlager, Carine. Um Algoritmo Para Indução De Árvores E Regras De 
Decisão. Porto Alegre, 2002. Disponível em: 
<http://www.lume.ufrgs.br/bitstream/handle/10183/2755/000325797.pdf?sequence=
1>. Acesso em: 16/04/13. 
Han, Jiawei & Kamber, Micheline. Data Mining: Concepts and Techniques, 2nd Ed. 
Munich, 2006. Disponível em: <http://www.cs.uiuc.edu/~hanj/bk2/> Acesso em: 
03/04/2013. 
Haykin, Simon. Redes Neurais – 2ed. England, 1999. Disponível em: 
<http://books.google.com.br/books?hl=pt-
BR&lr=&id=lBp0X5qfyjUC&oi=fnd&pg=PA27&dq=Redes+Neurais:+Princ%C3%
ADpios+e+Pr%C3%A1ticas+-
+Simon+Haykin&ots=sxs1dHKA0X&sig=9X1zgdInm_Yg6aXZdUPyb7H69jE> 
Acesso em: 23/04/13. 
Instituto Nacional de Câncer José Alencar Gomes da Silva. Estimativa 2012 – 
Incidência de Câncer no Brasil. Rio de Janeiro, 2012. Disponível em: 
<http://www.inca.gov.br/rbc/n_57/v04/pdf/13_resenha_estimativa2012_incidencia_d
e_cancer_no_brasil.pdf>. Acesso em: 16/04/13. 
L. Houston, Andrea. Medical Data Mining on the Internet: Research on a Cancer 
Information System. Netherlands, 1999. Disponível em: 
<http://citeseerx.ist.psu.edu/viewdoc/download?rep=rep1&type=pdf&doi=10.1.1.9.5219>. Acesso em: 03/04/2013. 
Macêdo Marques Gouveia, Roberta. Mineração De Dados Em Data Warehouse Para 
Sistema De Abastecimento De Água. João Pessoa, 2009. Disponível em: 
<http://www.lenhs.ct.ufpb.br/html/downloads/serea/teses/teses/dissertacao_roberta.p
df> Acesso em: 16/04/13. 
Maimon, Oded. Introduction To Knowledge Discovery In Databases. Israel, 2009. 
Disponível em: <http://www.ise.bgu.ac.il/faculty/liorr/hbchap1.pdf>. Acesso em: 
16/04/13. 
Moreira Pitoni, Rafael. Mineração de Regras de Associação nos Canais de 
Informação do Direto. Porto Alegre, 2002. Disponível em: 
<ftp://ftp.inf.ufrgs.br/pub/geyer/Alunos/RafaelPitoni/Dissertacao_Pitoni.pdf>. 
Acesso em: 16/04/13. 
Oliveira Camilo, Cássio. Mineração de Dados: Conceitos, Tarefas, Métodos e 
Ferramentas. Goiás, 2009. Disponível em: 
<http://www.inf.ufg.br/sites/default/files/uploads/relatorios-tecnicos/RT-INF_001-
09.pdf>. Acesso em: 03/04/2013. 
Pereira Leite Filho, Hugo. Aplicabilidade de memória lógica como ferramenta 
coadjuvante no diagnóstico das doenças genéticas. Goiânia, 2006. Disponível em: 
<http://tede.biblioteca.ucg.br/tde_busca/arquivo.php?codArquivo=425>. Acesso em: 
03/04/2013. 
R. Bouckaert, Remco. WEKA—Experiences with a Java Open-Source Project. New 
Zealand, 2010. Disponível em: 
<http://www.cs.waikato.ac.nz/~eibe/pubs/bouckaert10a.pdf>. Acesso em: 16/04/13. 
Simões Pellucci, Paulo Roberto. Utilização de técnicas de Aprendizado de Máquina 
no reconhecimento de entidades nomeadas no Português. Belo Horizonte, 2011. 
Disponível em: <http://revistas.unibh.br/index.php/dcet/article/view/305/164> 
Acesso em: 30/04/13. 
Souza Vasconcelos, Benitz de. Mineração de Regras de Classificação com Sistemas 
de Banco de Dados Objeto-Relacional. Campina Grande, 2002. Disponível em: 
<http://docs.computacao.ufcg.edu.br/posgraduacao/dissertacoes/2002/Dissertacao_B
enitzDeSouzaVasconcelos.pdf>. Acesso em: 16/04/13. 
Swaroop, Prem. Data Mining: Introduction and a Health Care Application. 
Maryland, 2009. Disponível em: 
<http://www.rhsmith.umd.edu/faculty/bgolden/classes_links/2009_jan_data%20mini
ng_BUDT%20758.pdf>. Acesso em: 03/04/2013. 
Usama Fayyad, Gregory. From Data Mining to Knowledge Discovery in Databases. 
Boston, 1996. Disponível em: <http://www.kdnuggets.com/gpspubs/aimag-kdd-
overview-1996-Fayyad.pdf>. Acesso em: 16/04/13. 
 
Apêndices 
 Descrição dos atributos das Bases de Dados 
o Apêndice A: Descrição de atributos Base de Dados breast-w 
 
Atributo Descrição Tipo de dado 
Clump_Tchikness 
Na sua espessura as células 
benignas tendem a ser agrupadas 
nas 
monocamadas, enquanto que as 
células cancerosas são muitas vezes 
agrupadas em 
multicamadas 
Integer (1,10) 
Cell_Size_Uniformity 
 Na uniformidade do tamanho 
as células cancerosas tendem a 
variar seu tamanho 
Integer (1,10) 
 
Cell_Shape_Uniformity 
 Na uniformidade do tamanho as 
células cancerosas tendem a variar 
sua forma 
Integer (1,10) 
Marginal_Adhesion 
No caso da aderência das marginais 
normais as 
células tendem a ficar juntas, 
habilidade que células cancerosas 
tendem a perder, sendo assim um 
sinal de malignidade 
Integer (1,10) 
Single_Epi_Cell_Size 
 As células epiteliais que são 
significativamente 
alargadas podem representar uma 
célula maligna 
Integer (1,10) 
Bare_Nuclei 
Os núcleos nus são um termo 
utilizados para os núcleos que não 
são rodeados pelo citoplasma (o 
resto 
da célula). Aqueles que são 
tipicamente vistos em tumores 
benignos 
Integer (1,10) 
Bland_Chromatin 
A cromatina descreve uma textura 
uniforme do núcleo visto em 
células benignas 
Integer (1,10) 
Normal_Nucleoli 
Os nucléolos normais são pequenas 
estruturas vistas no núcleo. 
Em células normais, o nucléolo é 
geralmente muito pequena se 
visível. Em 
células cancerosas o nucléolo 
tornar-se mais proeminente, 
havendo assim mais deles 
Integer (1,10) 
Mitoses 
É o processo em que a célula 
divide e repetições. Os patologistas 
podem determinar o grau da 
anomalia levando em consideração 
a contagem do número de mitoses 
Integer (1,10) 
Class 
Indica com os dados citados acima 
se o Câncer é benigno ou maligno 
Varchar (benign, malignant) 
 
o Apêndice B: Descrição de atributos Base de Dados breast-cancer 
 
Atributo Descrição Tipo de dado 
age Trata-se da idade do indivíduo Integer (10-19 até 90-99) 
menopause 
Indica se o paciente é 
pré-ou pós menopausa 
no momento do diagnóstico 
Varchar (lt40, ge40, 
premeno) 
tumor-size 
O maior diâmetro (em mm) 
do tumor excisado 
Integer (0-4 até 55-59) 
inv-nodes 
o número de linfonodos axilares 
que contêm mama metastático pode 
ser visível ao exame histológico 
Integer (0-2 até 36-39) 
node-caps 
Mostra se o câncer não metastasise 
para um linfonodo. 
No entanto, ao longo do tempo, e 
com doença mais agressiva, 
o tumor pode voltar a colocar o nó 
de linfa e depois penetrar na cap-
sule 
Varchar (Yes, No) 
deg-malig 
O grau de malignidade do tumor. 
Os tumores que são constituídos 
predominantemente em um grau de 
células, onde o neo-plástico retêm 
muitas das suas características 
comuns. 
Integer (1, 2, 3) 
breast 
O câncer de mama que pode 
ocorrer em qualquer mama 
Varchar (Left, Right) 
breast-quad 
Quadrante da mama que pode ser 
dividida em quatro quadrantes, 
utilizando o bico como um ponto 
central 
Varchar (Left_up, Left_low, 
Right_up, Right_low, 
Central) 
irradiat 
A radioterapia é um tratamento que 
utiliza raios-x de alta energia para 
destruir as células cancerosas 
Varchar (Yes, No) 
class 
Demonstra se os dados recorrem 
para um Câncer de Mama Benigno 
ou Maligno 
Varchar (No-recurrence-
events e Recurrence-events)