APLICACIÓN DE TÉCNICAS DE APRENDIZAJE NO SUPERVISADO PARA LA AGRUPACIÓN DE TRAZAS EN EL DOMINIO DE MINERÍA DE PROCESOS (APPLICATION OF UNSUPERVISED LEARNING TECHNIQUES FOR CLUSTERING TRACES IN THE PROCESS MINING DOMAIN)

摘要: Resumen La mineria de procesos tiene como objetivo el descubrir, monitorear y mejorar los modelos una organizacion a traves la extraccion del conocimiento partir datos contenidos en registros eventos. En algunos casos, dentro tarea descubrimiento procesos, modelo minado puede ser dificil comprender e interpretar debido diversidad comportamientos identificados. este articulo se presenta un enfoque basado tecnicas aprendizaje no supervisado para agrupacion trazas generar mas simples compresibles. Los algoritmos implementados son K-medias , jerarquico aglomerativo agrupamiento espacial densidad aplicaciones con ruido (DBSCAN). nuestra propuesta realiza sintonizacion o seleccion mejores parametros cada algoritmo supervisado, usando metrica Silhouette trazas, lo cual pueden descubrir aptitud media aceptable. Para validacion propuesta, las pruebas realizadas centraron caso estudio sistema facturacion hospital AMC, obteniendo al mejor desempeno obtenido 0.7876. Palabras Claves: Agrupamiento espagueti, registro Abstract Process mining techniques aim to discover, monitor and improve the processes performed by an organization through extraction of knowledge from data contained in event logs. In some cases, within task discovery business process models discovered can be difficult understand interpret because large number behaviors identified. This article presents approach based on unsupervised learning for clustering trace generate simpler more compressible models. The algorithms implemented are K-means hierarchical agglomerative density-based spatial applications with noise (DBSCAN) algorithms. our proposal, best parameters each algorithm tuned or selected, using metric traces, which simple acceptable aptitude discovered. For validation tests focused case study AMC billing system, obtaining performance obtained average Keywords : Clustering trace, log, mining, spaghetti