數(shù)據(jù)倉庫第七章-免費(fèi)閱讀
【正文】 類似的，也可以導(dǎo)出其他概化元組的 d權(quán) 。其中， qa覆蓋 目標(biāo)類 的某些元組。這種可視化表示包括 對比度量 （如累計(jì)數(shù) ％ ），以突出目標(biāo)類 和 比較類 之間存在的差異。 在前面討論中，對處理單個(gè)類中的多層數(shù)據(jù)匯總和特征化所用的技術(shù)，同樣可用于處理多個(gè)可比較類的類比較。得到下面兩張表： 性別 專業(yè) 出生國 年齡區(qū)間 GPA 累計(jì)計(jì)數(shù) 男 科學(xué) 中國 21— 25 良 16 女 科學(xué) 外國 26— 30 優(yōu) 22 男 工程 外國 26— 30 優(yōu) 18 女 科學(xué) 外國 26— 30 優(yōu) 25 男 科學(xué) 中國 21— 25 優(yōu) 21 女 工程 中國 21— 25 優(yōu) 18 由解析特征化得到的 候選關(guān)系 ： 目標(biāo)類（研究生） 由解析特征化得到的 候選關(guān)系 ： 對比類（本科生） 性別 專業(yè) 出生國 年齡區(qū)間 GPA 累計(jì)計(jì)數(shù) 男 科學(xué) 外國 =20 良 18 女 商學(xué) 中國 =20 及格 20 男 商學(xué) 中國 =20 及格 22 女 科學(xué) 中國 21— 25 及格 24 男 工程 外國 21— 25 良 22 女 工程 中國 =20 優(yōu) 24 3. 解析特征化實(shí)例 (續(xù) ) ?（ 3） 使用選定的相關(guān)分析度量 (如信息增益 ),評估候選關(guān)系中的屬性。 （續(xù)） ?(3)使用選定的相關(guān)分析度量刪除不相關(guān)和弱相關(guān)屬性： 使用選定的相關(guān)分析度量，評估候選關(guān)系中的每個(gè)屬性。任意一個(gè)樣本屬于類 Ci的概率為 si/s，其中 s是集合 S 所有樣本總數(shù)。哪些對比類應(yīng)當(dāng)用于相關(guān)分析并非是明顯的。 直觀上，若一個(gè)屬性的取值可以幫助有效地區(qū)分不同類別的數(shù)據(jù)集，則這個(gè)屬性就被認(rèn)為是與相應(yīng)類別數(shù)據(jù)集密切相關(guān)的。 (續(xù) ) (b)在大部分情況下，由于主關(guān)系層不同值的個(gè)數(shù)很少，可以將主關(guān)系編碼，作為 m_維數(shù)組，其中 m 是 P 中的屬性數(shù)，而每個(gè)維包含對應(yīng)的概化屬性值。 （續(xù)） ? 7）電話： 與屬性姓名一樣，因包含太多不同值，應(yīng)當(dāng)在概化中刪除。設(shè)出生地的概念分層為：城市 省 國家。 （續(xù)） 這兩種技術(shù)可以順序使用：首先使用 屬性概化閾值控制 技術(shù)概化每個(gè)屬性，然后使用 概化關(guān)系閾值控制 進(jìn)一步減少概化關(guān)系的（規(guī)模）大小。該過程的控制稱為 屬性概化控制 。換句話說，系統(tǒng)自動(dòng)地包括省和國家作為相關(guān)屬性，使得城市可以在歸納過程中概化到較高的概念層。給定的屬性有：姓名、性別、專業(yè)、出生地、出生日期、居住地、電話和 GPA（平均等級分）。 （續(xù)） 數(shù)據(jù)立方體提供了一種有效的數(shù)據(jù)概化方法，且構(gòu)成了描述性數(shù)據(jù)挖掘中一個(gè)重要功能。 這種 多維 ,多層數(shù)據(jù)概化 類似于 DW中的多維數(shù)據(jù)分析。這種描述性數(shù)據(jù)挖掘稱為概念描述，它是數(shù)據(jù)挖掘的一個(gè)重要部分。 概念描述基本知識 概念： 通常指數(shù)據(jù)的匯集。而 概念描述 類似于DW的 OLAP。但由于 OLAP的數(shù)據(jù)立方實(shí)現(xiàn)是將維的類型限制在簡單非數(shù)值類型，且將處理限制在簡單數(shù)據(jù)匯總方面，因此數(shù)據(jù)立方體并不能解決概念描述所能解決的一些重要問題。 ?AOI方法的 第一步： 利用 DB查詢語言從大學(xué) DB中將學(xué)生數(shù)據(jù)抽取出來，然后指定一組與挖掘任務(wù)相關(guān)的屬性集。 （續(xù)） 另一方面，用戶可能引進(jìn)過多的屬性，如：指定所有的屬性，這樣大學(xué) DB的所有屬性都將包含在分析中，而有些屬性對有趣的描述是沒有用的。 （續(xù)） 若屬性概化得“太高”，則導(dǎo)致過分概化，產(chǎn)生的規(guī)則可能沒有多少信息。無論使用哪種概化控制技術(shù)，都應(yīng)當(dāng)允許用戶調(diào)整概化閾值，以便得到有趣的規(guī)則。如果初始關(guān)系中，國家取值超過了屬性概化閾值，則出生地應(yīng)當(dāng)刪除，因?yàn)楸M管可以進(jìn)行概化操作，概化閾值也不會(huì)滿足。 ? 8） GPA： 假定存在 GPA的概念分層，將平均成績分成若干區(qū)間，如： {， ， …} ， 也可相應(yīng)的描述為： {優(yōu)秀，良好， … }， 因此該屬性可以被概化。數(shù)組的每個(gè)元素存放對應(yīng)的計(jì)數(shù)和其他聚集值。 （續(xù)） ?例： 一輛汽車的顏色不太可能用于區(qū)分貴賤汽車（類別），但汽車的型號、品牌、制造商、款式和氣缸數(shù)可能是更相關(guān)的屬性。在這種情況下，除特征化的數(shù)據(jù)集外， DB中可比較的數(shù)據(jù)集都作為對比類。一個(gè)決策樹可用于對數(shù)據(jù)對象進(jìn)行分類 ,因此決策樹可以看成是 Ci的一個(gè)信息源 ,為產(chǎn)生相應(yīng)信息需要的信息熵為： （續(xù)） () 若屬性 A的取值為 {a1， a2， … ， av}， 且該屬性用作決策樹的一個(gè)結(jié)點(diǎn)時(shí)，可將S 劃分為子集 {S1， S2， … ， Sv }。根據(jù)計(jì)算的屬性與數(shù)據(jù)挖掘任務(wù)的相關(guān)性，對屬性排序，然后刪除不相關(guān)和弱相關(guān)屬性。設(shè)： C1對應(yīng)于研究生類，有 120個(gè)樣本； C2對應(yīng)于本科生類，有 130個(gè)樣本。 ?概念 比較的一般過程如下： （ 1）數(shù)據(jù)收集 （ 2）屬性相關(guān)分析 （ 3）同步概化 （ 4）挖掘結(jié)果表示 （續(xù)） ?例 3： 在大學(xué)數(shù)據(jù)庫中挖掘研究生與本科生概念對比描述知識。例如， ％ 的研究生選擇“
法律信息相關(guān)推薦
鄂ICP備17016276號-1