なぜ分析的特性評価と属性関連性分析が必要なのか、そしてこれらをどのように実行できるのか？

これは、データを前処理して、関連性のない属性を除外したり、関連性のある属性をランク付けしたりするための統計的アプローチです。属性関連性分析の測定値を使用して、概念記述プロセスから許可されていない可能性のある無関係な属性を認識することができます。この前処理ステップをクラスの特性評価または比較に組み込むことは、分析的な特性評価として定義されます。

データ識別は、ターゲットクラスと対照クラスとして定義された2つのクラス間のオブジェクトの一般的な機能の比較である識別ルールを作成します。

これは、ターゲティングクラスデータオブジェクトの一般的な特性と、1つまたは一連の対照的なクラスのオブジェクトの一般的な特性との比較です。ユーザーは、ターゲットクラスと対照クラスを定義できます。データの識別に使用される方法は、データの識別結果に比較測定が含まれることを除いて、データの特性評価に使用されるアプローチと非常に似ています。

属性の関連性分析の理由

属性関連性分析にはいくつかの理由があります-

• 含める必要のあるディメンションを決定できます。

• 高レベルの一般化を生み出すことができます。

• パターンを簡単に読み取ることができる属性の数を減らすことができます。

属性関連性分析の背後にある基本的な概念は、特定のクラスまたは概念に関する属性の関連性を計算できるいくつかの尺度を評価することです。このような測定には、情報の獲得、あいまいさ、および相関係数が含まれます。

概念記述の属性関連性分析は、次のように実装されます-

データ収集 −クエリ処理により、ターゲットクラスと対照クラスの両方のデータを収集できます。

保守的なAOIを使用した予備的な関連性分析 −このステップでは、選択した関連性指標が使用される一連のディメンションと属性を認識します。

AOIを使用すると、多数の個別の値を持つ属性を削除することにより、データの予備分析を実装できます。保守的である可能性があります。実装されたAOIは、選択されたメジャーによるさらなる関連性分析でより多くの属性を処理できるように、適度に大きく設定された属性一般化しきい値を使用する必要があります。

削除 −このプロセスでは、選択した関連性分析指標を使用して、関連性の低い属性と関連性の低い属性を削除します。

AOIを使用して概念の説明を生成します −属性の一般化しきい値のあまり保守的でないセットを使用してAOIを実装できます。記述的マイニング関数がクラスの特性評価である場合、元のターゲットクラスの作業関係のみが含まれるようになりました。

記述的マイニング関数がクラスの特性化である場合、元のターゲットクラスの作業関係のみが含まれます。記述的マイニング関数がクラスの特性化である場合、元のターゲットクラスの作業関係のみが含まれます。記述的マイニング関数がクラス比較である場合、元のターゲットクラスの作業関係と元の対照的なクラスの作業関係の両方が含まれます。