データの一般化と分析の一般化の例は何ですか？

データの一般化は、比較的低レベルの値（属性年齢の数値を含む）を高レベルの概念（若年、中年、および上級を含む）に置き換えることによってデータを要約します。したがって、これは、データベース内のタスク関連情報の膨大なセットを、比較的低い概念レベルからより高い概念レベルに抽象化するプロセスです。

以下は、大規模なデータセットを効率的かつ柔軟に一般化するための2つのアプローチです-

OLAPアプローチ −データキューブテクノロジーは、データウェアハウスベースの事前計算指向のマテリアライズドビューアプローチとして扱うことができます。 OLAPまたはデータマイニングクエリが処理のために移動される前に、オフライン集計を実装します。

属性指向の帰納的アプローチ −これは、リレーショナルデータベースのクエリ指向、一般化ベースのオンラインデータ分析アプローチです。属性指向の帰納法では、最初に、リレーショナルデータベースクエリを使用してタスク関連の情報が収集され、次に、関連するデータのコレクション内の各属性の複数の異なる値の調査に基づいて一般化が実装されます。

一般化は、属性の削除によって実装されます。同一の一般化されたタプルを組み合わせ、それぞれのカウントを累積することで、集約を実装し、一般化されたデータセットのサイズを減らし、ユーザーとのインタラクティブなプレゼンテーションを行います。

属性指向の帰納的アプローチの基本原則-

• データフォーカシング −データはディメンションなどのタスクに関連している必要があり、結果は元の関係になります。
• 属性の削除 − Aに特定の値の膨大なセットがあるが、Aに一般化演算子がない場合、またはAの上位概念が追加の属性に関して定義されている場合は、関連する属性のセットを選択するか、属性Aを削除できます。
>
• 属性の一般化 − Aに膨大な数の個別の値があり、Aに一般化演算子のセットが存在する場合は、演算子を選択してAを一般化します。
• 分析特性 −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利用して、概念記述手順から許可されていない可能性のある無関係な属性を分析できます。この前処理ステップをクラスの特性評価または比較に含めることは、分析的な特性評価として定義されます。

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実現できます。

• パターンを簡単に理解するのに役立つ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アプローチに関する属性の関連性を計算できるいくつかの測定値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。